网络异常节点的识别方法、装置、电子设备、介质及程序产品与流程

本申请涉及人工智能，尤其涉及一种网络异常节点的识别方法、装置、电子设备、介质及程序产品。

背景技术：

1、随着互联网业务的快速发展，基于个人节点的内容分发网络（pcdn）被非法利用以侵占公共带宽资源的现象日益严重。现有技术中，针对此类网络异常节点的识别主要依赖静态规则或传统机器学习模型，导致现有技术在面对动态演化、协议伪装及高带宽业务混淆的复杂场景时，存在识别准确率低、泛化能力差以及缺乏对高阶协同行为建模能力等问题。

技术实现思路

1、本申请实施例提供一种网络异常节点的识别方法、装置、电子设备、介质及程序产品，实现了对复杂网络环境下异常节点的精准识别。

2、一方面，本申请实施例提供一种网络异常节点的识别方法，包括：获取目标网络的多源原始数据，基于多源原始数据，得到目标网络中每个网络节点的节点多维特征，其中，节点多维特征包括业务属性特征和实际流量特征；基于网络节点的实时状态演化事件，对包含网络节点的超图网络进行调整，基于调整后的超图网络进行特征聚合，生成每个网络节点的实时节点关系特征；基于业务属性特征、实际流量特征以及实时节点关系特征进行反事实干预，得到网络节点在反事实状态下的反事实流量特征；基于实际流量特征与反事实流量特征之间的因果效应差异，得到网络异常节点的识别结果。

3、另一方面，本申请实施例提供了网络异常节点的识别装置，装置包括：获取单元，用于获取目标网络的多源原始数据，基于多源原始数据，得到目标网络中每个网络节点的节点多维特征，其中，节点多维特征包括业务属性特征和实际流量特征；第一处理单元，用于基于网络节点的实时状态演化事件，对包含网络节点的超图网络进行调整，基于调整后的超图网络进行特征聚合，生成每个网络节点的实时节点关系特征；第二处理单元，用于基于业务属性特征、实际流量特征以及实时节点关系特征进行反事实干预，得到网络节点在反事实状态下的反事实流量特征；第三处理单元，用于基于实际流量特征与反事实流量特征之间的因果效应差异，得到网络异常节点的识别结果。

4、再一方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现网络异常节点的识别方法。

5、再一方面，本申请实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现网络异常节点的识别方法。

6、再一方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行网络异常节点的识别方法。

7、本申请实施例的网络异常节点的识别方法、装置、电子设备、介质及程序产品，获取目标网络的多源原始数据，基于多源原始数据，得到目标网络中每个网络节点的节点多维特征，通过获取多源原始数据并生成包含业务属性与实际流量的节点多维特征，打破数据孤岛，为异常识别提供全面且准确的信息输入，避免因特征片面导致的误判。基于网络节点的实时状态演化事件，对包含网络节点的超图网络进行调整，基于调整后的超图网络进行特征聚合，生成每个网络节点的实时节点关系特征，能够实时捕捉网络节点间的高阶协同关系与拓扑变化，克服了静态模型在面对动态规避策略时的滞后性缺陷。通过基于业务属性特征、实际流量特征以及实时节点关系特征进行反事实干预，得到网络节点在反事实状态下的反事实流量特征，能够生成排除业务属性干扰的反事实流量基准，从因果层面分离出由业务本身引起的流量差异与由违规行为引起的流量异常。基于实际流量特征与反事实流量特征之间的因果效应差异，得到网络异常节点的识别结果，能够有效区分高带宽合规业务与伪装成合规业务的异常节点。由此，实现了对复杂网络环境下异常节点的精准识别。

1.一种网络异常节点的识别方法，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，在所述基于网络节点的实时状态演化事件，对包含所述网络节点的超图网络进行调整之前，还包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述网络节点的实时状态演化事件，对包含所述网络节点的超图网络进行调整，得到调整后的超图网络，包括：

4.根据权利要求2所述的方法，其特征在于，所述基于所述调整后的超图网络进行特征聚合，生成每个网络节点的实时节点关系特征，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述业务属性特征、所述实际流量特征以及所述实时节点关系特征进行反事实干预，得到所述网络节点在反事实状态下的反事实流量特征，包括：

6.根据权利要求5所述的方法，其特征在于，所述业务属性特征包括网络接入类型和订购带宽；

7.根据权利要求6所述的方法，其特征在于，在所述基于所述业务属性特征、所述实际流量特征以及所述实时节点关系特征进行反事实干预，得到所述网络节点在反事实状态下的反事实流量特征之后，还包括：

8.根据权利要求7所述的方法，其特征在于，所述基于所述优化后的反事实生成模型，构建时序预测任务，包括：

9.一种网络异常节点的识别装置，其特征在于，所述装置包括：

10.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；

11.一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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至8中任一项所述的网络异常节点的识别方法。

12.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1至8中任一项所述的网络异常节点的识别方法。