(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 202210942026.2 (22)申请日 2022.08.08 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 张宪超　慕杰　刘晗　梁文新　 刘馨月　李远刚　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. H04L 9/40(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度聚类的对抗异常检测系统 (57)摘要 本发明属于网络安全、 数据挖掘、 人工智能 技术领域， 公开了一种基于深度聚类的对抗异常 检测系统， 对高维 复杂的多媒体数据进行异常检 测。 针对现有检测系统忽略正常数据与异常数据 之间差异的问题， 本发明的系统利用深度聚类模 块对正常数据和异常数据在隐空间进行划分。 通 过深度聚类阶段， 深度聚类模块可以学到正常数 据与异常数据的簇状结信息。 此外， 该系统采用 零和博弈思想， 构建对抗异常检测模块学习正常 数据在隐空间的特征分布信息。 为了获得可靠的 异常检测结果， 系统采用自适应异常检测评估策 略来判定输入 数据是否存在异常。 本发明在效率 以及效果上均获得不错的表， 为基于深度学习的 异常检测系统提供一种新的框架。 权利要求书2页 说明书7页 附图2页 CN 115314287 A 2022.11.08 CN 115314287 A 1.一种基于深度聚类的对抗异常检测系统， 其特征在于， 该对抗异常检测系统具体的 异常检测步骤如下： (1)深度聚类阶段 深度聚类阶段通过构建深度聚类模块学习具有判别特性的正常数据的隐空间特征z； 深度聚类模块由基于多层感知器的编码器、 解码器和聚类层构成； 给定训练数据 为正常数据， 为异常数据； 深度聚类模块利用编码器来提取数据的隐空间特征， 相应的 映射函数写成： 其中， z表示正常数据的隐空间特征， fw(·)表示编码器非线性映射函数， w为编码器的 参数； 解码器通过重构数据特 征学习原始数据的局部与全局信息； 解码器映射 函数写成： 其中， gw′(·)表示解码器非线性映射函数， w ′为解码器的参数； 为了使编码器输出的正 常数据的 隐空间特征z具有簇状结构特征， 深度聚类模块设计了聚类层， 相应的映射函数写 成如下形式： 其中， μj表示第j个簇中心； qij表示第i个隐空间特征zi和第j个簇中心 μj之间的相似度； 优化深度聚类模型的自监 督约束目标 方程写成如下 形式： La＝Lcl+γLre 其中， Lcl为聚类损失函数， Lre为重构损失函数； γ＞0表 示平衡系数； xi表示训练数据 中的第i个样本； pij为自监督目标分布， 写成如下 形式： 通过自学习的训练方式可缩小正常数据的隐空间特征zi与相应类别簇中心 μj之间的距 离； (2)对抗训练阶段 对抗训练 阶段利用对抗异常检测模块AADM捕获正常数据的隐空间特征分布； 对抗异常 检测模块包括两部分： 特征生成器G和特征判别器D； 训练生成器G的生成损失Lg写成如下形 式： 其中， 是高斯噪声， 是噪声分布， 特征判别器D用判别损失项Ld学习 正常数据的判别 信息， Ld被写成如下 形式： 权　利　要　求　书 1/2 页 2 CN 115314287 A 2其中， z为 正常数据的隐空间特 征， 其边缘分布为pz(z)， z～pz(z)； (3)异常评估阶段 异常评估阶段利用训练好的深度聚类模块与对抗异常检测模块对数据进行异常评估； 异常评估阶段将对抗异常检测模块AAD M中特征判别器D的输出与相应的阈值进 行比较以获 得异常检测结果； 异常评估阶段包括两步： 第一步， 将待测试数据输入训练好的深度聚类模 块， 通过编码 器输出数据的 隐空间特征； 第二步， 将编 码器输出数据的 隐空间特征输入训练 好的对抗异常检测模块AAD M中， 特征判别器D会输出相应的异常检测概率值， 如果对抗异常 检测模块AADM输入的是异常数据， 输出的概率值较小； 对抗异常检测模块AADM将特征判别 器D的输出与阈值进行比较， 自适应地判断待测数据是否异常； 阈值写成如下 形式： 其中， o表示特征判别器D的输出结果， σ 是特征判别器D的调节超参数； 如果判别器D的 输出值小于相应的阈值 δ， 那么对应的输入数据则被视为异常数据， 否则被视为 正常数据。权　利　要　求　书 2/2 页 3 CN 115314287 A 3