(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211251195.8 (22)申请日 2022.10.13 (71)申请人 深圳市检验检疫科 学研究院 地址 518000 广东省深圳市福田区福田街 道福强路101 1号 申请人 深圳大学　 深圳前海量子云码科技有限公司 (72)发明人 包先雨　蔡伊娜　高祖康　李俊杰　 程烨　蒋涛　黄智强　黄哲学　 郑文丽　程立勋　方凯彬　 (74)专利代理 机构 北京中仟知识产权代理事务 所(普通合伙) 11825 专利代理师 丁瑞 (51)Int.Cl. G06V 10/44(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种进出口行为动态图数据异常检测方法 及系统 (57)摘要 本发明涉及进出口行为动态图检测技术领 域， 公开了一种进出口行为动态图数据异常检测 方法， 包括以下步骤： S1、 进出口行为动态图的定 义； S2、 进出口行为动态图的特征提取； S3、 进出 口行为动态图的异常检测： 在异常检测模块中利 用S2中的节点表示检测进出口行为动态图中的 异常边缘； 本发明在动态图的时序特征提取上， 没有采用基于滑动窗口循环神经网络结构， 而是 采用了基于长短期时序注意力的图嵌入方法来 进行时序特征提取， 通过分块计算注意的结构， 能够高效提取快照内节点短期时序注 意力， 并且 每个时序块通过长期记忆状态向量来对节点的 长期时序特征进行提取和传递， 保证了模型提取 节点时序特征的完整性， 从而提高了异常检测的 性能。 权利要求书3页 说明书8页 附图2页 CN 115512133 A 2022.12.23 CN 115512133 A 1.一种进出口行为动态图数据异常检测方法， 其特 征在于， 包括以下步骤： S1、 进出口行为动态图的定义： 构造一个图序列对进出口行为动态图进行定义； S2、 进出口行为动态图的特征提取： 通过结构和上下文特征提取模块、 动态时序特征提 取模块将进出口行为动态图中的结构特 征和时间特 征提取到各自模块的节点表示中； S3、 进出口行为动态图的异常检测： 在异常检测模块中利用S2中的节点表示检测进出 口行为动态图中的异常边 缘。 2.根据权利要求1所述的一种 进出口行为动态图数据异常检测方法， 其特征在于， 所述 S1中进出口行为动态图的定义内容 为， 将进出口行为动态图定义 为G； 上式为一个图序列； 上式中， 代表为在时间戳t时的图， 对于每张图有 其中 和 代表图 的点集和边集； 代表节点vi和vj之间的一条边， 并且权 重为w； 和 分别代表进 出口行为动态图G总的点集和边集， 则有n＝|V|， At∈Rn×n代表每张图的邻接矩阵。 3.根据权利要求1所述的一种 进出口行为动态图数据异常检测方法， 其特征在于， 所述 S2中的结构和上下文特征提取模块使用快照用多层图卷积神经网络来提取进出 口行为动 态图中的结构特 征， 并在节点之间聚合内容特 征。 4.根据权利要求1所述的一种 进出口行为动态图数据异常检测方法， 其特征在于， 所述 S2中的动态时序特征提取模块提出了进 出口行为动态图的多头注意力机制， 并将其扩展为 分块循环的结构， 以此提取动态图的两个主 要时间特 征， 即长期和短期时序特 征。 5.一种实现权利要求1～3 中任意一项所述的进出口行为动态图数据异常检测系统， 其 特征在于， 包括结构和上 下文特征提取模块、 动态时序特 征提取模块和异常检测模块。 6.根据权利要求5所述的一种 进出口行为动态图数据异常检测系统， 其特征在于， 所述 结构和上下文特征提取模块将动态图的中的快照用多层图卷积神经网络进行一个结构特 征提取， 并将动态图中的节点映射成高维空间向量； 所述动态时序 特征提取模块将动态图序列按固定窗口大小划分为多个时序块， 并在每 个时序块内引入多头注意力机制来更好地提取时序特征， 更新其向量表达， 且每个时序块 通过长期记忆状态向量将各个节点的长期时序信息传递给下一个块， 从而保存和提取长期 时序特征， 提升异常边检测性能； 所述异常检测模块用动态图中的节点向量去构建边的向量表达， 每条边向量放入非线 性激活函数中进行异常 打分， 并找出异常 分数大于阈值的异常边数据。 7.根据权利要求5或6所述的一种进出口行为动态图数据异常检测系统， 其特征在于， 所述结构和上下文特征提取模块会对图序列中的每张图 进行一次多层图卷积操作， 以此 提取每张图的结构特 征， 并获得每张图的顶点向量， 具体地将其描述 为： 公式(1)中， GCN为快照用多层图卷积神经网络， L代表GCN的层数， 代表图 权　利　要　求　书 1/3 页 2 CN 115512133 A 2每个顶点的向量表达， dh为向量的维度， 而GCN具体 计算如下 所示： Z(0)＝Xt                 (2) 公式(3)和(4)中， σ( ·)代表某种激活函数， 例如ReLU激活函数， 这一模块最后得到的输出就是每张图 的顶点向量矩阵Ht。 8.根据权利要求5或6所述的一种进出口行为动态图数据异常检测系统， 其特征在于， 所述动态时序特征提取模块采用动态图多头注意网络并行地将长期和短期时间特征提取 到每个节点的表示中； 所述图序列G按窗口大小k划分为多个块， 表示的是第i个块， 经过结 构和上下文特征提取模块后获得了每 个块的顶点向量序列 {Ht‑k+1,…,Ht}； 在把该序列放入动态图多头注意网络之前需要加入记忆力向量M， 当前块 的向量序 列只包含了局部的短时的时间特征， 还需要保留之前的时序特征， 因此对于块 来说， 其输 入序列为 记 为块 中点v的一个向量序列， 由于多头注意力机制的对 称性， 序列 本身不会包含先后顺序的位置信息， 因此要对序列进行一次位置编码PE( ·)， 并得到多头注意力的输入， 获得输入过程如下： 公式(5)和(6)中， 为第i个位置的编码信息， 为块 中顶点v的 输入序列； 处理完输入序列后， 将描述多头注意力机制提取时序信息的计算过程， 具体过程如下： 公式(7)～(10)中， 为代表块 中顶点v输出向量序列， 和 分别是三个可学习的参数， 而上述过程通过矩权　利　要　求　书 2/3 页 3 CN 115512133 A 3