دانلود مقاله ISI انگلیسی شماره 159935 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

تشخیص ناهنجاری در شبکه های چندگانه

عنوان انگلیسی
Anomaly Detection in Multiplex Networks
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
159935 2018 8 صفحه PDF 11 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

سفارش تولید محتوا کد تخفیف 10 درصدی: isiArticles
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 125, 2018, Pages 609-616

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

شکل 1. یک شبکه چندگانه با معماری دو لایه

شکل ۲. نمونه تشخیص ناهنجاری در شبکه ساده

2. کارهای مرتبط

۳. تشخیص ناهنجاری در شبکه های چندگانه

۱.۳ پیدا کردن احتمال در شبکه چندگانه 

۲.۳ محاسبه ناهنجاری لایه متقابل

۴. توصیف مجموعه داده 

۱.۴ مجموعه داده گورخرماهی

جدول ۱. پارمترهای مجموعه داده گورخرماهی

۲.۴ مجموعه داده ارتباط فلورنتاین

جدول ۲. پارامترهای مجموعه داده ارتباط فلورنتاین

۵. نتایج

۱.۵ نتایج مجموعه داده گورخرماهی

شکل ۳. تجسم تصویری مجموعه داده گورخرماهی

شکل 4. خطوط توزیع گاوسی توزیع متناسب با مجموعه داده 

شکل 5. گره های احاطه شده توسط مثلث قرمز، گره های ناهنجار هستند

۲.۵ نتایج مجموعه داده ازدواج خانوداه های فلورنتاین

شکل ۶. مجموعه داده ازدواج خانواده های فلورنتاین

شکل ۷. خطوط توزیع گاوسی توزیع متناسب با مجموعه داده

شکل ۸. گره های احاطه شده توسط مثلث قرمز، گره های ناهنجار هستند

۴. نتیجه گیری
ترجمه چکیده
با وجود شبکه های اجتماعی تاثیرگذار متعددی مانند شبکه جهانی وب، فیس بوک، توییتر و غیره، تشخیص ناهنجاری های اجتماعی، امری حیاتی است. تکنیک های مختلفی برای شناسایی نقاط دورافتاده و ناهنجاری ها در داده های گرافیکی توسعه یافته است. اخیرا، حوزه شبکه های چندگانه به علت نتایج عینی تر، توجه زیادی را در میان محققان برانگیخته است. یک شبکه چندگانه، شبکه ای است متشکل از چندین سیستم با مجموعه ای از گره های یکسان و انواع مختلفی از ارتباط بین گره ها وجود دارد. در این مقاله، به کشف و شناسایی ناهنجاری ها در شبکه های چندگانه متعددی می پردازیم. ناهنجاری یا نقاط دورافتاده به معنای گره هایی است که در سیستم به صورت غیر عادی یا مشکوک رفتار می کنند. در مقایسه با شبکه های تک لایه، گره های نقاط دورافتاده را ممکن است بتوان در بسیاری از لایه های شبکه چندگانه یافت و پیدا کردن ناهنجاری در شبکه های چندگانه هنوز مبحثی کاملا جدید است. ما در این مطالعه، معیار جدیدی را به نام تشخیص ناهنجاری لایه متقاطع (CAD) است. CAD معیاری است که ناهنجاری های موجود در شبکه چندگانه را تشخیص می دهد. ما برای انجام آزمایشات خود از دو شبکه چندگانه در دنیای واقعی استفاده کرده و نتایج معیار پیشنهادی خود را با سایر روش های مشابه مقایسه و نتایج دلگرم کننده و مشابهی دریافت می کنیم.
ترجمه مقدمه
کشف گره ها که حداقل ظاهر را در یک شبکه معین نشان می دهد، جالب توجه است. یک شبکه چیزی جز مجموعه ای از گره های به هم پیوسته توسط لبه ها نیست [1]. بسیاری از کاربردهای زندگی واقعی شامل ساختارهایی از نوع شبکه هستند که در آن افراد به صورت گره و ارتباطات بین آنها به عنوان لبه ها عمل می کنند. یافتن افراد با رفتار مشکوک دارند یا حداقل ظاهر شبکه، یک کار هیجان انگیز است و به عنوان تشخیص ناهنجاری نامیده می شود. به عنوان مثال، تشخیص نفوذ در شبکه یا نقص شبکه [2]، تقلب در کارت اعتباری [3]، تقلب در ارتباطات راه دور [4] و غیره. در خصوص تمام شبکه ها این فرض مطرح است که تنها یک نوع تعامل بین هر دو گره وجود دارد. گاهی این فرض ممکن است تعاملات متعدد یا ارتباط بین موجودیت های شبکه را نادیده بگیرد، که به نتایج دقیقی منجر نمی شود. یک سیستم متشکل از تعاملات مختلف بین موجودیت ها یک شبکه چندگانه نامیده می شود [5، 6]. یک شبکه چندگانه شامل چندین لایه است؛ که در آن هر بخش نشان دهنده ی یک نوع ارتباط بین موجودیت هاست. به عنوان مثال: در شبکه های اجتماعی، موجودیت های مشابه از طریق فیس بوک، توییتر، لینکدین و غیره با سار موجودیت ها ارتباط برقرار می کنند. مفاهیم نظریه گراف کنونی را نمی توان به طور مستقیم برای چنین شبکه هایی به کار برد، زیرا تعامل لایه ای متقابلی بین موجودیت ها وجود دارد. در شکل 1، یک شبکه چندگانه دو لایه نشان می دهیم که در آن دو نوع ارتباط بین گره ها وجود دارد. شکل 1. یک شبکه چندگانه با معماری دو لایه مفاهیم ترکیبی داده کاوی و نظریه گراف به طور گسترده ای جهت مطالعه ویژگی های مختلف شبکه به کار می روند. به عنوان مثال، با استفاده از روش تشخیص ناهنجاری، می توان گره های مشکوک را در شبکه پیدا کرد. تشخیص ناهنجاری شاخه ای از داده کاوی است که با کشف رویدادهای نادر در مجموعه داده ها مرتبط است [7]. به طور کلی، اشیاء داده ها با یکدیگر مرتبط هستند، و به راحتی می توان آنها را به صورت نمودار یا شبکه ترسیم کرد. مسیرهای چندگانه در میان دو شیء داده می توانند به طور موثری رابطه دوربردی داشته و به کشف شیء مشکوک در شبکه کمک کنند. روش های مختلفی برای تشخیص ناهنجاری در شبکه ها تعریف شده است مانند تشخیص ناهنجاری مبتنی بر فاصله [8]، تشخیص ناهنجاری مبتنی بر تراکم [9]، تشخیص ناهنجاری مبتنی بر توزیع [10]، تشخیص ناهنجاری مبتنی بر خوشه بندی [11] و نظایر آن. بسته به نوع کاربرد، می توان روش تشخیص ناهنجاری را برای یافتن گره های دورافتاده به کار برد. به عنوان مثال، روش مبتنی بر خوشه بندی ابتدا خوشه را در شبکه پیدا می کند و سپس گره هایی را شناسایی می کند که دارای حداقل تعامل هستند. ما در این مقاله، روشی برای تشخیص ناهنجاری در شبکه چندگانه ارائه می کنیم. در اینجا، از مدل معروف گاوسی [12] همراه با دیگر ویژگی های تعریف شده یک شبکه چندگانه برای شناسایی گره های ناهنجار در شبکه استفاده کردیم. فرمول مدل گاوسی برای شبکه ساده به شرح زیر است: (۱) در اینجا، مجموعه آموزشی، میانگین و واریانس است. در شکل 2، یک شبکه ای را نشان می دهیم، که در آن گره های داخل دایره قرمز، گره های ناهنجار شبکه هستند شکل ۲. نمونه تشخیص ناهنجاری در شبکه ساده در مقاله حاضر، الگوریتمی برای تشخیص گره های ناهنجار در شبکه های چندگانه پیشنهاد می کنیم. در ابتدا، مرکزیت بردار ویژه ، مرکزیت رتبه صفحه و مركزیت درجه مجموعه آموزشی را با استفاده از خروجی تمام معیارهای مركزیت پیدا می كنیم. بعد، روشی برای تشخیص ناهنجاری ارائه می دهیم. اینجا یکی از چشم اندازهای اساسی رویکرد پیشنهادی ما است که در بخش 3 به طور دقیق تر آن را مورد بحث قرار می دهیم. ما اعتبار الگوریتم پیشنهادی خود را در دو شبکه چندگانه بررسی نمودیم: شبکه گورخرماهی و شبکه خانواده های فلورنتاین [14-15]. برای این مجموعه داده ها، الگوریتم ما گره های ناهنجار را با سربار محاسباتی نسبتا محدود تشخیص می دهد. طرح کلی مقاله: در این مقاله به ارائه کارهای مرتبط در زمینه شبکه های چندگانه، معیارهای مرکزیت و تشخیص ناهنجاری در بخش 2 می پردازیم. در بخش ۳ در مورد روش پیشنهادی خود برای تشخیص ناهنجاری در شبکه چندگانه می پردازیم. در بخش 4، ویژگی های اساسی مجموعه داده ها را که برای اعتبارسنجی الگوریتم خود به کار بردیم، مورد بحث قرار می دهیم و سرانجام، در بخش 5 در مورد یافته های خود بحث می کنیم.
پیش نمایش مقاله
پیش نمایش مقاله تشخیص ناهنجاری در شبکه های چندگانه

چکیده انگلیسی

Detecting anomalies in social is a vital task, with numerous high impacted social networks such as WWW, Facebook, Twitter and so on. There are multiple of techniques have been developed for detecting outliers and anomalies in graph data. More recently, the area of multiplex networks has extended a considerable attention among researchers for more concrete results. A Multiplex network is a network, which contains multiple systems of the same set of nodes and there exists various types of the relationship among nodes. In this paper, we discover the anomalies across numerous multiplex networks. By anomalies or outliers means nodes, which behave abnormal or suspicious in the system. Compared to single layer networks, the outliers’ nodes may found into many layers of the multiplex network and find anomalies in the multiplex network is still untouched. From this study, we propose a new metric called cross-layer anomaly detection (CAD). The CAD is a measure, which detects the anomalies in the multiplex network. For experiments, we make use of two real-world multiplex networks. We compare the results of our proposed metric with other similar methods, and we get encouraging and similar results.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.