CN111314138B - 有向网络的检测方法、计算机可读存储介质及相关设备 - Google Patents

有向网络的检测方法、计算机可读存储介质及相关设备 Download PDF

Info

Publication number
CN111314138B
CN111314138B CN202010101398.3A CN202010101398A CN111314138B CN 111314138 B CN111314138 B CN 111314138B CN 202010101398 A CN202010101398 A CN 202010101398A CN 111314138 B CN111314138 B CN 111314138B
Authority
CN
China
Prior art keywords
node
score
network
directed
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010101398.3A
Other languages
English (en)
Other versions
CN111314138A (zh
Inventor
应秋芳
张�浩
郑巧玲
胡彬
石志林
张纪红
李晓森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010101398.3A priority Critical patent/CN111314138B/zh
Publication of CN111314138A publication Critical patent/CN111314138A/zh
Priority to PCT/CN2020/133853 priority patent/WO2021164373A1/zh
Application granted granted Critical
Publication of CN111314138B publication Critical patent/CN111314138B/zh
Priority to US17/703,851 priority patent/US20220217054A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了有向网络的检测方法、计算机可读存储介质及相关设备，应用于信息处理技术领域。有向网络的检测装置会先获取到有向网络中网络节点之间数据流量的流量特征信息，包括有向图，然后再计算有向图中各个节点的层级分值，来表示有向图中周边节点到节点之间的所有路径的路径平均长度，进而根据各个节点的层级分值分别确定有向图中各个节点表示的网络节点在待检测有向网络中的节点类型。这样，对各个节点在有向图中的排序用层级分值来量化，且在计算各个节点的层级分值时，可以综合考虑有向网络中到各个网络节点的所有路径，使得计算的层级分值能较为准确地反映出网络节点的排序等级，进而确定的各个网络节点的节点类型较准确。

Description

有向网络的检测方法、计算机可读存储介质及相关设备
技术领域
本发明涉及信息处理技术领域，特别涉及有向网络的检测方法、计算机可读存储介质及相关设备。
背景技术
在网络中部署有多个网络节点，各个网络节点在具体应用中具有不同的功能，根据这些网络节点之间的数据流向，可以将这些网络节点通过有向图来表示，比如有向无环图(Directed Acyclic Graph，DAG)或非DAG图等。
现有技术中通过一定的计算方法，比如基于DAG图的拓扑排序算法等，可以得到有向图的特征信息，比如有向图中各个节点的线性排序等，从而得到有向图所表示的网络节点之间的关系。具体地，在拓扑排序算法中，主要是获取DAG图中所有节点的线性序列，在线性序列中，每个节点出现且只出现一次，且若存在一条从节点A到节点B的路径，那么在线性序列中节点A出现在节点B的前面。
发明内容
本发明实施例提供有向网络的检测方法、计算机可读存储介质及相关设备，实现了根据有向网络中各个网络节点的层级分值来检测网络节点的节点类型。
本发明实施例一方面提供一种有向网络的检测方法，包括：
获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点；
如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度；
根据所述各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
本发明实施例另一方面提供一种有向网络的检测装置，包括：
特征获取单元，用于获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点；
层级分值计算单元，用于如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度；
位置确定单元，用于根据所述各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
本发明实施例另一方面的一种实现方式中：
所述层级分值计算单元，具体设置所述有向图中第一节点的层级分值的初始值为零，设置所述有向图中第二节点的层级分值的初始值为任意非零值；所述第一节点是入度为零的节点，第二节点是入度非零的节点；根据所述第一节点和第二节点的层级分值的已设置值，计算到所述有向图中某一节点的所有入节点的层级分值期望值，为所述某一节点的当前层级分值；所述层级分值的已设置值包括所述层级分值的初始值；用所述某一节点的当前层级分值替换所述某一节点的层级分值的已设置值；当所述某一节点的当前层级分值满足预置的收敛条件，将所述替换的当前层级分值作为所述某一节点最终的层级分值。
本发明实施例另一方面的另一种实现方式中：
所述层级分值计算单元，还用于当所述有向图中包括多个节点的有向环时，则将所述多个节点的层级分值设置为相同的值。
本发明实施例另一方面的另一种实现方式中：
所述层级分值计算单元，还用于当所述有向图中包括多个节点的有向环时，则去掉所述多个节点中，某两个节点之间的路径信息，得到调整后的有向图；所述某两个节点之间的路径权重为所述多个节点的任意两个节点之间的路径权重中最小的路径权重；根据预置的层级分值计算函数，计算所述调整后的有向图中各个节点的层级分值。
本发明实施例另一方面提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如本发明实施例所述的有向网络的检测方法。
本发明实施例另一方面提供一种终端设备，包括处理器和存储介质；
所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如本发明实施例所述的有向网络的检测方法，所述处理器，用于实现所述多条指令中的各条指令。
可见，在本实施例的方法中，有向网络的检测装置会先获取到有向网络中网络节点之间数据流量的流量特征信息，包括有向图，然后再计算有向图中各个节点的层级分值，来表示有向图中周边节点到节点之间的所有路径的路径平均长度，进而根据各个节点的层级分值分别确定有向图中各个节点表示的网络节点在待检测有向网络中的节点类型。这样，对各个节点在有向图中的排序用层级分值来量化，且在计算各个节点的层级分值时，可以综合考虑有向网络中到各个网络节点的所有路径，使得计算的层级分值能较为准确地反映出网络节点的排序等级，进而确定的各个网络节点的节点类型较准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种有向网络的检测方法的示意图；
图2是本发明一个实施例提供一种有向网络的检测方法的流程图；
图3是本发明一个实施例中确定的有向图的示意图；
图4是本发明一个实施例中计算某一节点的层级分值的方法流程图；
图5是本发明应用实施例中提供的一种有向网络的检测方法的流程图；
图6是本发明实施例提供的一种有向网络的检测装置的结构示意图；
图7是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种有向网络的检测方法，主要是对有向网络中各个网络节点的节点类型进行检测，如图1所示，有向网络的检测装置可以通过如下步骤来实现网络节点的检测：
获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点；如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度；根据所述各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
其中，待检测有向网络是指在网络中包括的网络节点之间具有一定方向数据流量，比如资金交易网络等，相应地网络节点可以是各个用户的支付终端等。
这样，对各个节点在有向图中的排序用层级分值来量化，且在计算各个节点的层级分值时，可以综合考虑有向网络中到各个网络节点的所有路径，使得计算的层级分值能较为准确地反映出网络节点的排序等级，进而确定的各个网络节点的节点类型较准确。
本发明实施例提供一种有向网络的检测方法，主要是由有向网络的检测装置所执行的方法，流程图如图2所示，包括：
步骤101，获取待检测有向网络中的网络节点之间数据流量的流向特征信息，流向特征信息包括有向图，有向图中任一节点表示网络节点。
可以理解，在网络中可以部署有向网络的检测装置，按照一定的周期对各个有向网络中网络节点之间的数据流量进行检测，并获取流向特征信息，从而发起本实施例的流程。或者该有向网络的检测装置可以获取到有向网络中信息后，离线进行本实施例的流程。
在本实施例中，流向特征信息中可以包括有向图(Directed Graph)，该有向图中可以包括多个节点，有些节点中之间具有一定方向的边，称为有向边，有向边可以表示两个网络节点之间具有一定方向的数据流量，每个有向边可以设置一个流向权重值，该流向权重值可以表示相关两个节点之间一定流向的数据内容，例如，有向网络是资金交易网络，则该流向权重值可以表示两个交易终端之间交易的资金数量或交易笔数等。在有向图中，与一个节点相关联的边有出边和入边之分，而与一个有向边关联的两个节点也有始点和终点之分。
有向图可以包括有向无环图(Directed Acyclic Graph，DAG)和非DAG图，其中，如果有向图中从某个节点出发经过若干条有向边未回到该节点，则这个有向图称为DAG图，一个DAG图可以转化为有向树；如果有向图中从某个节点出发经过若干条有向边后回到该节点，形成环，则该有向图称为非DAG，即有向有环图。
例如图3所示的有向图中包括节点A到节点F，及节点H到节点K，及节点 M，从节点C→节点I→节点M→节点K这条路径，如图中的虚线箭头1所示，没有形成有向环；从节点J→节点I→节点M→节点J这条路径，如图中的虚线箭头 2所示，形成了有向环。
步骤102，计算有向图中各个节点的层级分值，其中，各个节点中的任一节点的层级分值用于表示有向图中周边节点到任一节点之间的所有路径的路径平均长度。
本实施例中，针对有向图中有向环和非有向环中各个节点的层级分值，可以采用不同的方法来计算，最终得到的任一节点的层级分值可以是非负有理数。具体地：
(1)如果有向图中不包括有向环，可以根据预置的层级分值计算函数，计算有向图中各个节点的层级分值。
这里层级分值计算函数可以包括：任一节点的层级分值为有向图中各个周边节点到任一节点之间所有路径的平均长度值，或者，任一节点的层级分值为有向图中各个周边节点到任一节点之间所有路径长度的函数计算值，比如加权平均值。这里周边节点是指有向图中入度为零的节点，即有向图中的根节点，处于有向图中的最下层，而加权平均值可以指将各个路径的路径权重值进行平均得到的值，而任一路径的路径权重值可以为该路径中涉及的流向权重值之和。
例如图3所示的节点A到节点F中每个节点的入度都为零，即为有向图中的周边节点，对于节点K，到节点K的所有路径包括：节点A—节点H—节点K，路径长度为2，该路径的路径权重值为节点A到节点H的流向权重值与节点H到节点K的流向权重值之和a1；节点B—节点H—节点K，其路径长度为2，该路径的路径权重值为节点B到节点H的流向权重值与节点H到节点K的流向权重值之和a2；节点C—节点I—节点M—节点K，其路径长度为3，该路径的路径权重值为节点C到节点I的流向权重值、节点I到节点M的流向权重值与节点M到节点K的流向权重值之和a3；节点D—节点I—节点M—节点K，其路径长度为3，该路径的路径权重值为节点D到节点I的流向权重值、节点I到节点M的流向权重值与节点M到节点K的流向权重值之和a4；节点E—节点J—节点I—节点M—节点K，其路径长度为4，该路径的路径权重值为节点E到节点J的流向权重值、节点J到节点I的流向权重值、节点I到节点M的流向权重值与节点M到节点K的流向权重值之和a5；节点F—节点J—节点I—节点M—节点K，其路径长度为4，该路径的路径权重值为节点F到节点J的流向权重值、节点J到节点I的流向权重值、节点I到节点M的流向权重值与节点M到节点K的流向权重值之和a6。
这所有6条路径的路径长度的平均值为(2+2+3+3+4+4)/6＝3，即为节点K 的层级分值；这所有6条路径的路径长度的加权平均值为(2+2+3+3+4+4)/6＝3，也可以为节点K的层级分值(a1+a2+a3+a4+a5+a6)/6。
或者，层级分值计算函数可以包括：任一节点的层级分值为有向图中到任一节点的所有入节点的层级分值的期望值。层级分值计算函数还可以是其它任意计算函数，在这里不进行赘述。在这种情况下，如图4所示，可以通过如下的迭代计算方法来计算各个节点的层级分值：
A、设置有向图中第一节点的层级分值的初始值为零，设置有向图中第二节点的层级分值的初始值为任意非零值，比如-1等值，第一节点是入度为零的节点，第二节点是入度非零的节点。
B、根据第一节点和第二节点的层级分值的已设置值，计算到有向图中某一节点的所有入节点的层级分值期望值，为某一节点的当前层级分值。
C、用某一节点的当前层级分值替换某一节点的层级分值的已设置值。
D、判断上述步骤C替换的当前层级分值是否满足收敛条件，如果不满足，则针对替换后的当前层级分值，即将替换后的当前层级分值作为某一节点的层级分值的已设置值，返回执行上述步骤B和C，计算某一节点的当前层级分值及替换的步骤；如果满足收敛条件，则执行步骤E。
E、将替换的当前层级分值作为某一节点最终的层级分值。
上述的收敛条件可以包括：当对某一节点的层级分值的替换次数达到预置值时，说明上述步骤B和C的循环次数达到预置值，这种情况下，将最后一次替换的层级分值作为某一节点最终的层级分值。收敛条件还可以包括：替换后的当前层级分值达到最小值，即达到收敛。
需要说明的是，在上述步骤B和C的第一次循环过程中，某一节点的层级分值的已设置值具体为某一节点的层级分值的初始值；在之后的循环过程中，某一节点的层级分值的已设置值具体为上一次循环过程中所替换的当前层级分值。可见，各个节点的层级分值可以根据迭代计算方法，得到最终收敛的层级分值。
(2)如果有向图中包括多个节点的有向环时，则将这多个节点的层级分值设置为相同的值；对于有向图中其它未形成有向环的节点的层级分值可以按照上述预置的层级分值计算函数进行计算，在此不进行赘述。
这种方法等同于将有向环压缩成一个节点，能有效把非无环图(即有向环) 转变成DAG图，但是将有向环中多个节点的结构折叠为同一个节点，损失了每个节点各自的结构信息，如果有向环越大，信息损失就越严重。
(3)当有向图中包括多个节点的有向环时，可以先去掉多个节点中，某两个节点之间的路径信息，得到调整后的有向图；然后再根据预置的层级分值计算函数，计算调整后的有向图中各个节点的层级分值。其中，去掉的路径信息相关联的某两个节点之间的路径权重为多个节点的任意两个节点之间的路径权重中最小的路径权重。
其中，在去掉某两个节点之间的路径信息时，主要是去掉有向图中这两个节点之间的有向边，则有向图中就不存在有向环，从而达到拆解有向环的目的，能有效解决迭代计算层级分值时引起的环内自增强，但是同时会损失部分信息，如果有向环中有向边的流向权重方差越小，损失的信息量越大。
因此，综合上述(2)和(3)中的算法，有向网络的检测装置在对有向环进行处理之前，可以先判断该有向环中的节点数量是否大于预置值，如果不大于预置值，则采用(2)中的算法来处理；如果大于预置值，则可以采用(3) 中的算法来处理。或者，有向网络的检测装置在对有向环进行处理之前，先判断该有向环中有向边的流向权重方差是否小于预置值，如果不小于预置值，则采用(3)中的算法来处理；如果小于预置值，则可以采用(2)中的算法来处理。
步骤103，根据各个节点的层级分值，分别确定各个节点表示的网络节点在待检测有向网络中的节点类型。
具体地，在根据各个节点的层级分值及预置的机器学习模型，来确定各个节点表示的网络节点在待检测有向网络中的节点类型，这里，机器学习模型是基于人工智能的学习模型，可以通过一定的方法训练得到，并将其运行逻辑事先储存在有向网络的检测装置中的。
其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
而机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
可见，在本实施例的方法中，有向网络的检测装置会先获取到有向网络中网络节点之间数据流量的流量特征信息，包括有向图，然后再计算有向图中各个节点的层级分值，来表示有向图中周边节点到节点之间的所有路径的路径平均长度，进而根据各个节点的层级分值分别确定有向图中各个节点表示的网络节点在待检测有向网络中的节点类型。这样，对各个节点在有向图中的排序用层级分值来量化，且在计算各个节点的层级分值时，可以综合考虑有向网络中到各个网络节点的所有路径，使得计算的层级分值能较为准确地反映出网络节点的排序等级，进而确定的各个网络节点的节点类型较准确；另外，本发明实施例中计算层级分值的方法可以很好地应用于有向图中包括有向环的情况下，只需对有向环中节点进行特定处理。
以下以一个具体的应用实例来说明本发明中有向网络的检测方法，在本实施例中，采用K层(KLayer)算法作为预置的层级分值计算函数，具体地，如图5所示，本实施例的方法可以通过如下步骤来实现：
步骤201，用户可以操作有向网络的检测装置，使得有向网络的检测装置根据用户操作获取待检测有向网络中各个网络节点之间数据流量的流向特征信息，其中：
流向特征信息包括有向图GraphG(V，E，W)，其中，G表示有向网络，比如资金交易网络等，节点vi∈V表示用户的应用终端，数量为N；有向边 eij∈E表示用户vi的应用终端到用户vj的应用终端的数据流向，比如支付行为，有向边的数量为M；wij∈W是有向边eij的路径权重，如交易金额或者笔数，wij不一定等于wji。
步骤202，有向网络的检测装置先确定上述有向图中是否存在有向环，如果存在，执行步骤203，如果不存在，执行步骤204。
步骤203，在本实施例中，有向网络的检测装置是将有向环中路径权重最小的有向边去掉，即去掉两个节点之间的路径信息，进行打破环的操作，针对去掉有向边后的有向图中的各个节点，继续执行步骤204。
在其它具体的实施例中，有向网络的检测装置可以将有向环中所有节点的层级分值设置为相同的值，即进行压缩环的操作，然后针对有向环之外的其它各个节点，继续执行步骤204。
步骤204，有向网络的检测装置采用预置的KLayer算法计算各个节点的层级分值，具体地，先设置有向图中入度indeg为0的第一节点的层级分值的初始值为零，即
Figure GDA0003052928300000101
将其它的第二节点的层级分值的初始值设置为任意值，比如
Figure GDA0003052928300000102
具体地，是将有向图中的所有节点分为两种类型的节点，一种节点是入度为0的节点，即第一节点，在设置这种节点的层级分值的初始值时，可以设置为零；而另一种节点是入度非0的节点，即第二节点，在设置这种节点的层级分值的初始值时，可以设置为任意值，比如-1等值。
步骤205，根据第一节点和第二节点的层级分值的已设置值，计算到有向图中任一节点的所有入节点的层级分值期望值，为任一节点的当前层级分值。
其中，任一节点的所有入节点是指指向任一节点的所有邻居节点，例如，有向图中的一条路径为节点A到节点B再到节点C，而另一条路径为节点D到节点E再到节点C，则到节点C的所有入节点为节点B和节点E。通过上述步骤204，有向图中各个节点都具有了层级分值的初始值，即层级分值的已设置值，这样，任一节点C的当前层级分值具体为节点B和节点E的层级分值期望值，具体可以通过如下公式1来计算。
具体任一节点的层级分值可以通过如下公式1来表示，其中，N(v)表示指向节点v的邻居节点的集合：
Figure GDA0003052928300000111
步骤206，用上述步骤205中计算的各个节点的当前层级分值分别替换各个节点的层级分值的已设置值，并针对替换后的各个节点的层级分值，返回执行步骤205。
这样，循环执行步骤205和206，直到计算的各个节点的当前层级分值达到收敛，或者对各个节点分值的替换次数达到预置值(即上述循环次数达到预置值)时，则执行步骤207。
步骤207，最终计算的各个节点的层级分值为收敛的各个节点的当前层级分值，或者为最后一次替换的各个节点的层级分值。其中，在多次循环中计算的各个节点的层级分值最小，则各个节点的当前层级分值达到收敛。
具体地，上述步骤204到206可以通过如下表1中的伪代码来实现：
表1
Figure GDA0003052928300000112
Figure GDA0003052928300000121
步骤208，有向网络的检测装置根据各个节点的层级分值，分别确定各个节点在有向网络中的节点类型。
可见，本实施例中，通过预置的Klayer算法，对有向图中每个节点输出一个非负有理数作为层级分值，用以区分节点在有向网络中的平均排序等级，在这个过程中，通过压缩环和打破环的方法，使得Klayer算法可以应用于非DAG 图中，因此，本实施例中的方法在DAG图和非DAG图中具有通用性。
在具体应用中，可以应用到任意的有向网络中，比如在商业模式挖掘过程中，区分代理分销模式中的代理等级，具体地，先通过上述的方法先获取商业模式系统中的网络节点之间数据流量的流向特征信息，具体为有向图，进而计算有向图中各个节点的层级分值，再根据各个节点的层级分值确定所表示的网络节点在商业模式系统中的节点类型，即属于哪一个等级的代理分销节点。
又例如，在金融风控产品中，用于对非法网络节点进行检测，具体地，先通过上述的方法先获取金融风控系统中的网络节点之间数据流量的流向特征信息，具体为有向图，进而计算有向图中各个节点的层级分值，再根据各个节点的层级分值确定所表示的网络节点在金融风控系统中的节点类型，即是否属于非法网络节点。
本发明实施例还提供一种有向网络的检测装置，其结构示意图如图6所示，具体可以包括：
特征获取单元10，用于获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点。
层级分值计算单元11，用于如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述特征获取单元10获取的有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度。
所述预置的层级分值计算函数包括：任一节点的层级分值为：所述有向图中各个周边节点到所述任一节点之间所有路径的平均长度值，或者，所述有向图中各个周边节点到所述任一节点之间所有路径长度的函数计算值；或者包括：任一节点的层级分值为：所述有向图中到所述任一节点的所有入节点的层级分值的期望值。
进一步地，该层级分值计算单元11在根据预置的层级分值计算函数，计算所述有向图中某一节点的层级分值时，具体用于设置所述有向图中第一节点的层级分值的初始值为零，设置所述有向图中第二节点的层级分值的初始值为任意非零值；所述第一节点是入度为零的节点，第二节点是入度非零的节点；根据所述第一节点和第二节点的层级分值的已设置值，计算到所述有向图中某一节点的所有入节点的层级分值期望值，为所述某一节点的当前层级分值；所述层级分值的已设置值包括所述层级分值的初始值；用所述某一节点的当前层级分值替换所述某一节点的层级分值的已设置值，当所述某一节点的当前层级分值满足预置的收敛条件，将所述替换的当前层级分值作为所述某一节点最终的层级分值；当所述某一节点的当前层级分值不满足预置的收敛条件，将替换后的当前层级分值作为所述某一节点的层级分值的已设置值，返回执行计算所述某一节点的当前层级分值及替换的步骤。
进一步地，该层级分值计算单元11，还用于当所述有向图中包括多个节点的有向环时，则将所述多个节点的层级分值设置为相同的值。
进一步地，该层级分值计算单元11，还用于当所述有向图中包括多个节点的有向环时，则去掉所述多个节点中，某两个节点之间的路径信息，得到调整后的有向图；所述某两个节点之间的路径权重为所述多个节点的任意两个节点之间的路径权重中最小的路径权重；根据预置的层级分值计算函数，计算所述调整后的有向图中各个节点的层级分值。
位置确定单元12，用于根据所述层级分值计算单元11计算的各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
在本实施例的装置中，特征获取单元10会先获取到有向网络中网络节点之间数据流量的流量特征信息，包括有向图，然后层级分值计算单元11再计算有向图中各个节点的层级分值，来表示有向图中周边节点到节点之间的所有路径的路径平均长度，进而位置确定单元 12根据各个节点的层级分值分别确定有向图中各个节点表示的网络节点在待检测有向网络中的节点类型。这样，对各个节点在有向图中的排序用层级分值来量化，且在计算各个节点的层级分值时，可以综合考虑有向网络中到各个网络节点的所有路径，使得计算的层级分值能较为准确地反映出网络节点的排序等级，进而确定的各个网络节点的节点类型较准确；另外，本发明实施例中计算层级分值的方法可以很好地应用于有向图中包括有向环的情况下，只需对有向环中节点进行特定处理。
本发明实施例还提供一种终端设备，其结构示意图如图7所示，该终端设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)20(例如，一个或一个以上处理器)和存储器21，一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中，存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对终端设备中的一系列指令操作。更进一步地，中央处理器20可以设置为与存储介质22通信，在终端设备上执行存储介质22中的一系列指令操作。
具体地，在存储介质22中储存的应用程序221包括有向网络检测的应用程序，且该程序可以包括上述有向网络的检测装置中的特征获取单元10，层级分值计算单元11和位置确定单元12，在此不进行赘述。更进一步地，中央处理器 20可以设置为与存储介质22通信，在终端设备上执行存储介质22中储存的有向网络检测的应用程序对应的一系列操作。
终端设备还可以包括一个或一个以上电源23，一个或一个以上有线或无线网络接口24，一个或一个以上输入输出接口25，和/或，一个或一个以上操作系统223，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM， FreeBSDTM等等。
上述方法实施例中所述的由有向网络的检测装置所执行的步骤可以基于该图7所示的终端设备的结构。
本发明实施例还提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如上述有向网络的检测装置所执行的有向网络的检测方法。
本发明实施例还提供一种终端设备，包括处理器和存储介质；所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如上述有向网络的检测装置所执行的有向网络的检测方法，所述处理器，用于实现所述多条指令中的各条指令。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM)、随机存取存储器(RAM)、磁盘或光盘等。
以上对本发明实施例所提供的有向网络的检测方法、计算机可读存储介质及相关设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种有向网络的检测方法，其特征在于，包括：
获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点；
如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度；所述周边节点为所述有向图中入度为零的根节点；
根据所述各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
2.如权利要求1所述的方法，其特征在于，所述预置的层级分值计算函数包括：
任一节点的层级分值为：所述有向图中各个周边节点到所述任一节点之间所有路径长度的函数计算值。
3.如权利要求1所述的方法，其特征在于，所述预置的层级分值计算函数包括：
任一节点的层级分值为：所述有向图中到所述任一节点的所有入节点的层级分值的期望值。
4.如权利要求3所述的方法，其特征在于，根据预置的层级分值计算函数，计算所述有向图中某一节点的层级分值，具体包括：
设置所述有向图中第一节点的层级分值的初始值为零，设置所述有向图中第二节点的层级分值的初始值为任意非零值；所述第一节点是入度为零的节点，第二节点是入度非零的节点；
根据所述第一节点和第二节点的层级分值的已设置值，计算到所述有向图中某一节点的所有入节点的层级分值期望值，为所述某一节点的当前层级分值；所述层级分值的已设置值包括所述层级分值的初始值；
用所述某一节点的当前层级分值替换所述某一节点的层级分值的已设置值；
当所述某一节点的当前层级分值满足预置的收敛条件，将所述替换的当前层级分值作为所述某一节点最终的层级分值。
5.如权利要求4所述的方法，其特征在于，所述根据预置的层级分值计算函数，计算所述有向图中某一节点的层级分值，还包括：
当所述某一节点的当前层级分值不满足预置的收敛条件，将替换后的当前层级分值作为所述某一节点的层级分值的已设置值，返回执行计算所述某一节点的当前层级分值及替换的步骤。
6.如权利要求1至5任一项所述的方法，其特征在于，所述获取待检测有向网络中的网络节点之间数据流量的流向特征信息之后，所述方法还包括：
当所述有向图中包括多个节点的有向环时，则将所述多个节点的层级分值设置为相同的值。
7.如权利要求1至5任一项所述的方法，其特征在于，所述获取待检测有向网络中的网络节点之间数据流量的流向特征信息之后，所述方法还包括：
当所述有向图中包括多个节点的有向环时，则去掉所述多个节点中，某两个节点之间的路径信息，得到调整后的有向图；所述某两个节点之间的路径权重为所述多个节点的任意两个节点之间的路径权重中最小的路径权重；
根据预置的层级分值计算函数，计算所述调整后的有向图中各个节点的层级分值。
8.一种有向网络的检测装置，其特征在于，包括：
特征获取单元，用于获取待检测有向网络中的网络节点之间数据流量的流向特征信息，所述流向特征信息包括有向图，所述有向图中任一节点表示所述网络节点；
层级分值计算单元，用于如果所述有向图中不包括有向环，根据预置的层级分值计算函数计算所述有向图中各个节点的层级分值，其中，所述各个节点中的任一节点的层级分值用于表示所述有向图中周边节点到所述任一节点之间的所有路径的路径平均长度；所述周边节点为所述有向图中入度为零的根节点；
位置确定单元，用于根据所述各个节点的层级分值，分别确定所述各个节点表示的网络节点在所述待检测有向网络中的节点类型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质储存多条指令，所述指令适于由处理器加载并执行如权利要求1至7任一项所述的有向网络的检测方法。
10.一种终端设备，其特征在于，包括处理器和存储器；
所述存储器用于储存多条指令，所述指令用于由处理器加载并执行如权利要求1至7任一项所述的有向网络的检测方法，所述处理器，用于执行所述多条指令中的各条指令。
CN202010101398.3A 2020-02-19 2020-02-19 有向网络的检测方法、计算机可读存储介质及相关设备 Active CN111314138B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010101398.3A CN111314138B (zh) 2020-02-19 2020-02-19 有向网络的检测方法、计算机可读存储介质及相关设备
PCT/CN2020/133853 WO2021164373A1 (zh) 2020-02-19 2020-12-04 有向网络的检测方法、计算机可读存储介质及相关设备
US17/703,851 US20220217054A1 (en) 2020-02-19 2022-03-24 Method for directed network detection, computer-readable storage medium, and related device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101398.3A CN111314138B (zh) 2020-02-19 2020-02-19 有向网络的检测方法、计算机可读存储介质及相关设备

Publications (2)

Publication Number Publication Date
CN111314138A CN111314138A (zh) 2020-06-19
CN111314138B true CN111314138B (zh) 2021-08-31

Family

ID=71148395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101398.3A Active CN111314138B (zh) 2020-02-19 2020-02-19 有向网络的检测方法、计算机可读存储介质及相关设备

Country Status (3)

Country Link
US (1) US20220217054A1 (zh)
CN (1) CN111314138B (zh)
WO (1) WO2021164373A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10356102B2 (en) * 2017-02-24 2019-07-16 Verizon Patent And Licensing Inc. Permissions using blockchain
CN111314138B (zh) * 2020-02-19 2021-08-31 腾讯科技（深圳）有限公司 有向网络的检测方法、计算机可读存储介质及相关设备
CN113742538B (zh) * 2021-07-16 2024-09-27 深圳云天励飞技术股份有限公司 基于图层级的业务分析方法、装置、电子设备及存储介质
CN114510338B (zh) * 2022-04-19 2022-09-06 浙江大华技术股份有限公司 一种任务调度方法、任务调度设备和计算机可读存储介质
CN116342228B (zh) * 2023-05-18 2023-10-20 云筑信息科技(成都)有限公司 一种基于有向图神经网络的相关推荐的方法
CN116645068B (zh) * 2023-07-21 2023-10-20 三峡高科信息技术有限责任公司 一种支持条件循环节点的流程处理系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796334A (zh) * 2015-04-30 2015-07-22 无锡市崇安区科技创业服务中心 一种数据传输路径选择方法
CN105005627A (zh) * 2015-08-07 2015-10-28 上海交通大学 基于Spark分布式系统的最短路径关键点查询方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4953106A (en) * 1989-05-23 1990-08-28 At&T Bell Laboratories Technique for drawing directed graphs
CN101176092A (zh) * 2003-03-28 2008-05-07 小利兰斯坦福大学理事会 在大型有向图中对节点进行排级的改进方法
US7668665B2 (en) * 2003-09-22 2010-02-23 Advanced Structure Monitoring, Inc. Methods of networking interrogation devices for structural conditions
US7672919B2 (en) * 2006-08-02 2010-03-02 Unisys Corporation Determination of graph connectivity metrics using bit-vectors
US8024241B2 (en) * 2007-07-13 2011-09-20 Sas Institute Inc. Computer-implemented systems and methods for cost flow analysis
US10565229B2 (en) * 2018-05-24 2020-02-18 People.ai, Inc. Systems and methods for matching electronic activities directly to record objects of systems of record
CN103412912B (zh) * 2013-07-25 2018-05-08 深圳市华傲数据技术有限公司 一种划分逻辑节点等级的方法及装置
CN103906271B (zh) * 2014-04-21 2017-06-13 西安电子科技大学 Ad Hoc网络中关键节点测量方法
US9250895B2 (en) * 2014-06-24 2016-02-02 International Business Machines Corporation Establishing subsystem boundaries based on call flow graph topology
US9667499B2 (en) * 2014-09-12 2017-05-30 Alcatel Lucent Sparsification of pairwise cost information
WO2016048144A1 (en) * 2014-09-22 2016-03-31 Wolting Holding B.V. Compiler for and method of software defined networking, storage and compute performing operations
CN105848238B (zh) * 2015-01-16 2019-03-22 中国科学院上海高等研究院 基于多参数的无线传感器网络IPv6路由方法
CN104867055A (zh) * 2015-06-16 2015-08-26 咸宁市公安局 一种金融网络可疑资金追踪与识别方法
CN104951919A (zh) * 2015-07-14 2015-09-30 惠龙易通国际物流股份有限公司 集配运输系统的模块控制方法
CN105337773B (zh) * 2015-11-19 2018-06-05 南京邮电大学 基于ReciprocityRank算法的微博网络影响力节点发现方法
US11086814B2 (en) * 2016-04-15 2021-08-10 Nec Corporation System and method for communication efficient sparse-reduce
CN106682986A (zh) * 2016-12-27 2017-05-17 南京搜文信息技术有限公司 一种基于大数据的复杂金融交易网络活动图的构造方法
US10560364B1 (en) * 2017-03-15 2020-02-11 Pivotal Software, Inc. Detecting network anomalies using node scoring
CN107688850B (zh) * 2017-08-08 2021-04-13 赛灵思公司 一种深度神经网络压缩方法
US11418526B2 (en) * 2019-12-20 2022-08-16 Microsoft Technology Licensing, Llc Detecting anomalous network activity
CN111314138B (zh) * 2020-02-19 2021-08-31 腾讯科技（深圳）有限公司 有向网络的检测方法、计算机可读存储介质及相关设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796334A (zh) * 2015-04-30 2015-07-22 无锡市崇安区科技创业服务中心 一种数据传输路径选择方法
CN105005627A (zh) * 2015-08-07 2015-10-28 上海交通大学 基于Spark分布式系统的最短路径关键点查询方法

Also Published As

Publication number Publication date
CN111314138A (zh) 2020-06-19
WO2021164373A1 (zh) 2021-08-26
US20220217054A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
CN111314138B (zh) 有向网络的检测方法、计算机可读存储介质及相关设备
CN110633745B (zh) 一种基于人工智能的图像分类训练方法、装置及存储介质
Mei et al. Signal processing on graphs: Estimating the structure of a graph
CN110428046A (zh) 神经网络结构的获取方法及装置、存储介质
KR20200129639A (ko) 모델 학습 방법 및 장치
CN110009486B (zh) 一种欺诈检测的方法、系统、设备及计算机可读存储介质
KR102142403B1 (ko) 저사양 임베디드 환경에서의 합성곱 신경망 연산을 위한 역 잔여 블록의 채널 확장 매개변수 설정 시스템 및 방법
Mall et al. Representative subsets for big data learning using k-NN graphs
TWI770967B (zh) 一種神經網路的訓練方法、視頻識別方法及電腦設備和電腦可讀儲存介質
CN115455382A (zh) 一种二进制函数代码的语义比对方法及装置
Zaragoza et al. A two-step method to learn multidimensional Bayesian network classifiers based on mutual information measures
Pavlenko et al. Criterion of cyber-physical systems sustainability
JP7063274B2 (ja) 情報処理装置、ニューラルネットワークの設計方法及びプログラム
Lee et al. Time-aware random walk diffusion to improve dynamic graph learning
CN113869332A (zh) 一种特征选择方法、装置、存储介质和设备
Ballani et al. Sparse inverse covariance estimation with hierarchical matrices
CN107798331B (zh) 离变焦图像序列特征提取方法和装置
Kumari et al. Accuracy testing of data classification using tensor flow a python framework in ANN designing
Nabil et al. An efficient binary clonal selection algorithm with optimum path forest for feature selection
KR102105951B1 (ko) 추론을 위한 제한된 볼츠만 머신 구축 방법 및 추론을 위한 제한된 볼츠만 머신을 탑재한 컴퓨터 장치
Harde et al. Design and implementation of ACO feature selection algorithm for data stream mining
Vojáček et al. Growing neural gas–a parallel approach
CN115599392A (zh) 一种代码处理的方法、装置、介质及电子设备
CN108898227A (zh) 学习率计算方法及装置、分类模型计算方法及装置
Li et al. Lightweight label propagation for large-scale network data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023634

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant