基于多智能体协作的图异常检测方法及装置、存储介质、计算机设备与流程

本申请涉及人工智能，尤其是涉及到一种基于多智能体协作的图异常检测方法及装置、存储介质、计算机设备。

背景技术：

1、图结构数据作为一种能够同时表征实体属性及其复杂关联关系的有效数据形式，已广泛应用于社交网络分析、金融交易监控、生物信息学以及推荐系统等诸多关键领域。随着图数据规模的持续增长以及应用场景的日趋多样化，如何从海量图数据中高效、准确地识别出偏离正常模式的异常节点（如图像社交网络中的僵尸账号、金融网络中的欺诈交易主体等），已成为保障数据安全、维护业务合规性和提升系统鲁棒性的核心技术需求。

2、目前，以pygod为代表的图异常检测工具库已提供了多种基于深度学习的图异常检测模型（例如dominant、anomalydae等），其核心思路是通过图自编码器对图拓扑结构和节点属性进行联合重构，并将重构误差作为节点异常程度的评判依据。然而，此类现有方法结构重构误差与属性重构误差的融合权重通常依赖人工经验设定为固定值，导致检测精度波动显著。此外，现有方法完全依赖模型驱动，无法有效融入特定业务场景下的专家经验和先验规则，在金融风控、信息安全等误判代价较高的专业场景中难以满足实际应用需求。

技术实现思路

1、有鉴于此，本申请提供了一种基于多智能体协作的图异常检测方法及装置、存储介质、计算机设备，通过特征提取、异常评分与结果校准三个智能体的分工协作，在评分环节解决了固定权重无法适配不同图结构的缺陷，在校准环节弥补了纯模型驱动无法融入领域知识的问题，在判定环节克服了固定阈值跨场景泛化能力不足的局限，形成了从数据重构到动态评分到规则校准再到自适应阈值判定的完整检测链路，相比现有技术具有显著的泛化能力、业务适配性和检测精度优势。

2、根据本申请的一个方面，提供了一种基于多智能体协作的图异常检测方法，包括：

3、获取待检测的图结构；

4、通过特征提取智能体提取所述图结构中各节点的低维嵌入，并根据所述低维嵌入分别重构所述图结构对应的拓扑结构和属性特征，基于所述拓扑结构和所述属性特征，分别计算所述图结构中每个节点的结构重构误差和属性重构误差；

5、对于每个节点，通过异常评分智能体接收所述节点的结构重构误差与属性重构误差，根据所述图结构的边密度或节点度分布特征，计算所述结构重构误差与所述属性重构误差的动态融合权重，并按照所述动态融合权重对所述结构重构误差与所述属性重构误差进行加权求和，得到所述节点的初始异常分数；

6、通过结果校准智能体接收各节点的初始异常分数，调用领域规则库对各节点的初始异常分数进行修正，生成各节点的校准异常分数；

7、通过所述异常评分智能体统计所述校准异常分数的数值分布，并根据所述数值分布确定判别门限，将超过所述判别门限的节点判定为异常节点，生成图异常检测结果。

8、根据本申请的另一方面，提供了一种基于多智能体协作的图异常检测装置，包括：

9、图结构获取模块，用于获取待检测的图结构；

10、重构误差计算模块，用于通过特征提取智能体提取所述图结构中各节点的低维嵌入，并根据所述低维嵌入分别重构所述图结构对应的拓扑结构和属性特征，基于所述拓扑结构和所述属性特征，分别计算所述图结构中每个节点的结构重构误差和属性重构误差；

11、异常分数计算模块，用于对于每个节点，通过异常评分智能体接收所述节点的结构重构误差与属性重构误差，根据所述图结构的边密度或节点度分布特征，计算所述结构重构误差与所述属性重构误差的动态融合权重，并按照所述动态融合权重对所述结构重构误差与所述属性重构误差进行加权求和，得到所述节点的初始异常分数；

12、异常分数校准模块，用于通过结果校准智能体接收各节点的初始异常分数，调用领域规则库对各节点的初始异常分数进行修正，生成各节点的校准异常分数；

13、异常节点判定模块，用于通过所述异常评分智能体统计所述校准异常分数的数值分布，并根据所述数值分布确定判别门限，将超过所述判别门限的节点判定为异常节点，生成图异常检测结果。

14、依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于多智能体协作的图异常检测方法。

15、依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于多智能体协作的图异常检测方法。

16、借由上述技术方案，本申请提供的一种基于多智能体协作的图异常检测方法及装置、存储介质、计算机设备，通过特征提取、异常评分与结果校准三个智能体的分工协作，在评分环节解决了固定权重无法适配不同图结构的缺陷，在校准环节弥补了纯模型驱动无法融入领域知识的问题，在判定环节克服了固定阈值跨场景泛化能力不足的局限，形成了从数据重构到动态评分到规则校准再到自适应阈值判定的完整检测链路，相比现有技术具有显著的泛化能力、业务适配性和检测精度优势。

17、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

1.一种基于多智能体协作的图异常检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取待检测的图结构之后，所述方法还包括通过预处理智能体基于如下步骤将所述图结构转换为标准化图结构：

3.根据权利要求2所述的方法，其特征在于，所述根据所述分布特性，从候选预处理策略中选择至少一种预处理策略对所述图结构进行处理，生成标准化图结构，包括：

4.根据权利要求1所述的方法，其特征在于，所述特征提取智能体基于如下步骤重构所述图结构对应的拓扑结构和属性特征：

5.根据权利要求1所述的方法，其特征在于，所述根据所述图结构的边密度或节点度分布特征，计算所述结构重构误差与所述属性重构误差的动态融合权重，包括：

6.根据权利要求1所述的方法，其特征在于，对于每个节点，所述结果校准智能体基于如下步骤生成所述节点的校准异常分数：

7.根据权利要求1所述的方法，其特征在于，所述异常评分智能体基于如下步骤确定判别门限：

8.一种基于多智能体协作的图异常检测装置，其特征在于，包括：

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。