大规模多属性图中的异常模式挖掘

The network technology and mobile network make people depend more and more on web information. However, online fraud activities grow frequently since of the high profit rate, which become one of the key problems in our daily-life market and society. In terms of market, fraudsters distract the consumer choices, and hurt the fairness of competitions. In terms of society, fraudsters pollute the environment of our society, and make people lost their faith of creditability. Therefore, our research proposal formalizes the web user behaviors as a big and multi-attribute graph, and detects fraud by mining the anomaly patterns in such a graph. Our project will focus on four topics: Suspicious density block detection in big graph; temporal patterns of fraudulent behaviors, and holistic fraud detection with multiple signals; spectral graph analysis based visual diagnosis on suspicious patterns; adversarial fraud detection in dynamic graph. We aim at solving the challenging problems: suspicious density block measurement and detection in large-scale matrix; the awareness of temporal spikes of suspicious behaviors; and the adversarial machine learning in dynamic graphs. With the research of our proposed project, we hope the results can improve the performance of anomaly and fraud detections in a real-life system, and help purify the environment of market and society, and build a reliable cyber space.

网络技术以及移动互联网使网络中的信息越来越影响人们的生活和决策。随之而来的网络欺诈行为因其高额的回报率也越来越频繁，成为市场和社会管理者也包括正常参与者重点关注的问题。市场中，欺诈影响了消费者也伤害了公平竞争；社会中，欺诈影响了人们的社会认信任染了社会环境。因此，本课题的研究将网络用户行为抽象成为大规模多属性的图结构，研究图中异常模式挖掘方法用以欺诈检测。本课题逐层深入分成四个层面进行研究：大图中异常拓扑密度区域的发现；欺诈行为的时间序列特征挖掘与多属性全息检测；基于图谱分析的可疑模式的自动视觉发现；动态图结构中对抗环境下的可疑模式发现，凝练其中的科学问题，着眼于大规模矩阵的密度区域发现、时间序列中的异常爆发-跌落检测和度量、动态图结构中的对抗机器学习等目前所面临的挑战问题。本课题的研究旨在推动网络实际环境中的异常和欺诈检测的研究，提高真实环境下检测效果，从而帮助改善市场和社会环境的目的。

随着互联网技术越来越渗透进人们的日常生活，信息网络中的欺诈行为也越来越频繁。市场中，欺诈损害了消费者权益也伤害了公平竞争原则；社会中，欺诈影响了人们的社会信任，恶化了社会环境。因此，欺诈行为成为互联网管理者与社会治理者不得不关注的问题。.本项目针对信息网络中的欺诈与异常行为，将信息网络抽象为图结构，研究大规模多属性图中的异常模式挖掘，以此检测其中存在的欺诈行为。本项目分析大图异常检测问题的特点，凝练出大规模矩阵的密度区域发现、时间序列中的异常爆发-跌落检测和度量、动态图结构中的对抗机器学习等挑战性问题，从以下四个方面展开研究：大图中异常拓扑密度区域的发现；欺诈行为的时间序列特征挖掘与多属性全息检测；基于图谱分析的可疑模式的自动视觉发现；动态图结构中对抗环境下的可疑模式发现。.经过四年的研究，本项目取得了多个代表性成果：在大图中异常拓扑密度区域的发现方面，提出了广义最密子图检测的统一形式化定义并设计了基于谱图理论的高效算法；在欺诈行为的时间序列特征挖掘与多属性全息检测方面，提出了基于“对比可以读”的度量标准，结合多种属性检测异常；在基于图谱分析的可疑模式的自动视觉发现方面，提出基于视觉感知特征的异常检测方法，以层次化的方式对特征自动进行总结；在动态图结构中对抗环境下的可疑模式发现方面，使用张量结构建模动态图，通过增量式分解进行异常检测，同时针对异常交易资金流，提出使用耦合张量检测洗钱行为的方法。.本项目关于网络环境中的异常和欺诈检测的研究，有助于真实环境下的欺诈与异常检测，能够打击市场和社会环境的不法行为，在网络攻击检测、舆论对抗等方面也有重要作用。