CGGM: Ein bedingtes Graphgenerierungsmodell mit adaptiver Spärlichkeit zur Erkennung von Anomalien bei Knoten in IoT-Netzwerken

Dynamische Graphen werden umfassend eingesetzt, um anomales Verhalten bei Knoten im Internet der Dinge (IoT) zu erkennen. Generative Modelle werden häufig genutzt, um das Problem unausgewogener Knotenkategorien in dynamischen Graphen anzugehen. Dennoch sind die Herausforderungen, mit denen sie konfrontiert sind, die Monotonie der Adjazenzbeziehungen, die Schwierigkeit beim Konstruieren von mehrdimensionalen Merkmalen für Knoten und der Mangel an einem Verfahren zur End-to-End-Generierung mehrerer Kategorien von Knoten. Dieses Papier präsentiert ein neuartiges Graphgenerierungsmodell namens CGGM, das speziell entwickelt wurde, um eine größere Anzahl von Knoten der Minderheitsklasse zu erzeugen. Der Mechanismus zur Generierung einer Adjazenzmatrix durch adaptive Spärlichkeit verbessert die Flexibilität seiner Struktur. Das Modul zur Merkmalsgenerierung, das als multidimensionaler Merkmalsgenerator (MFG) bezeichnet wird, erzeugt Knoteneigenschaften zusammen mit topologischen Informationen. Labels werden in Einbettungsvektoren umgewandelt, die als bedingte Einschränkungen dienen, um die Generierung synthetischer Daten über mehrere Kategorien zu steuern. Durch die Verwendung eines mehrstufigen Verlusts wird die Verteilung der synthetischen Daten angepasst, um der Verteilung der echten Daten nah zu kommen. In umfangreichen Experimenten zeigen wir, dass die synthetischen Daten von CGGM in verschiedenen Metriken die neuesten Methoden übertreffen. Unsere Ergebnisse zeigen eine effiziente Generierung vielfältiger Datenkategorien und verbessern robust die Leistung von Klassifikationsmodellen mit mehreren Kategorien.