CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks

要約

動的グラフは、モノのインターネット (IoT) 内のノードの異常な動作を検出するために広く使用されています。
グラフ生成モデルは、動的グラフにおける不均衡なノード カテゴリの問題に対処するためによく使用されます。
それにもかかわらず、隣接関係の単調性、ノードの多次元フィーチャの構築の難しさ、複数カテゴリのノードをエンドツーエンドで生成する方法の欠如などの制約に直面しています。
この論文では、特に少数派クラスに属するサンプルを生成するための、CGGM と呼ばれる新しいグラフ生成モデルを提案します。
このフレームワークは、条件付きグラフ生成モジュールとグラフベースの異常検出モジュールの 2 つのコア モジュールで構成されます。
生成モジュールは、ノイズ隣接行列をダウンサンプリングすることで行列のスパース性に適応し、マルチヘッドセルフアテンションに基づく多次元特徴エンコーダを組み込んで、特徴間の潜在的な依存関係を捕捉します。
さらに、潜在空間制約を分布距離と組み合わせて、実際のデータの潜在分布を近似します。
グラフベースの異常検出モジュールは、生成されたバランスの取れたデータセットを利用してノードの動作を予測します。
広範な実験により、CGGM が精度と発散の点で最先端の方法よりも優れていることが示されました。
この結果は、CGGM が多様なデータ カテゴリを生成し、マルチカテゴリ分類タスクのパフォーマンスを向上できることも示しています。

要約(オリジナル)

Dynamic graphs are extensively employed for detecting anomalous behavior in nodes within the Internet of Things (IoT). Graph generative models are often used to address the issue of imbalanced node categories in dynamic graphs. Neverthe less, the constraints it faces include the monotonicity of adjacency relationships, the difficulty in constructing multi-dimensional features for nodes, and the lack of a method for end-to-end generation of multiple categories of nodes. In this paper, we propose a novel graph generation model, called CGGM, specifically for generating samples belonging to the minority class. The framework consists two core module: a conditional graph generation module and a graph-based anomaly detection module. The generative module adapts to the sparsity of the matrix by downsampling a noise adjacency matrix, and incorporates a multi-dimensional feature encoder based on multi-head self-attention to capture latent dependencies among features. Additionally, a latent space constraint is combined with the distribution distance to approximate the latent distribution of real data. The graph-based anomaly detection module utilizes the generated balanced dataset to predict the node behaviors. Extensive experiments have shown that CGGM outperforms the state-of-the-art methods in terms of accuracy and divergence. The results also demonstrate CGGM can generated diverse data categories, that enhancing the performance of multi-category classification task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google