روش تركيبي تشخيص ناهنجاري با استفاده از تشخيص انجمن در گراف و انتخاب ويژگي

Hybrid Anomaly Detection Method Using Community Detection in Graph and Feature Selection

تشخيص ناهنجاري يك موضوع مهم در بسياري از حوزه‌‌هاي كاربردي شامل امنيت، سلامت و تشخيص نفوذ در شبكه‌‌هاي اجتماعي است. بيشتر روش‌‌هاي توسعه داده شده، فقط از اطلاعات ساختاري گراف ارتباطي يا اطلاعات محتوايي گره‌‌ها براي تشخيص ناهنجاري استفاده مي‌‌كنند. ساختار يكپارچه بسياري از شبكه‌‌ها از قبيل شبكه‌‌هاي اجتماعي اين روش‌‌ها را با محدوديت مواجه ساخته است و باعث توسعه روش‌‌هاي تركيبي شده است. در اين مقاله، روش تركيبي پيشنهادي تشخيص ناهنجاري مبتني بر تشخيص انجمن در گراف و انتخاب ويژگي ارائه شده است كه از ناهنجاري‌‌ به‌عنوان اعضاي ناسازگار در انجمن‌‌ها بهره برده و با استفاده از الگوريتم مبتني بر تشخيص و تركيب انجمن‌‌هاي مشابه، شناسايي گره‌‌هاي ناهنجار را انجام مي‌‌دهد. نتايج آزمايش‌هاي تجربي روش پيشنهادي بر روي دو مجموعه از داده‌‌هاي داراي ناهنجاري واقعي، نشان‌دهنده قدرت تشخيص دقيق گره‌‌هاي ناهنجار و قابل مقايسه با آخرين روش‌‌هاي علمي است.

Anomaly detection is an important issue in a wide range of applications, such as security, health and intrusion detection in social networks. Most of the developed methods only use graph structural or content information to detect anomalies. Due to the integrated structure of many networks, such as social networks, applying these methods faces limitations and this has led to the development of hybrid methods. In this paper, a proposed hybrid method for anomaly detection is presented based on community detection in graph and feature selection which exploits anomalies as incompatible members in communities and uses an algorithm based on the detection and combination of similar communities. The experimental results of the proposed method on two datasets with real anomalies demonstrate its capability in the detection of anomalous nodes which is comparable to the latest scientific methods.