随着数字经济的快速发展，数据已经成为推动国家和社会发展的重要战略资源，数据异常检测不仅可以防范网络和数据系统安全，而且在社交媒体分析、生物信息学、金融市场监管以及交通网络和智能城市规划中都有着广泛的应用。
近期，我院许力教授课题组在高维复杂数据的异常检测方向取得了系列性进展，课题组研究聚焦于高维与高阶数据的结构建模与高效学习，综合运用了张量低秩恢复、中心性度量、多模态融合以及元学习等方法，旨在面向真实网络和数据环境实现更具解释性和鲁棒性的异常检测。
研究成果一：课题组在网络流量异常检测研究中提出了一种融合张量特征表示与特征向量边中心性的创新方法。该方法通过构建张量特征向量“边中心性”公式对链路重要性进行量化，并结合低秩张量恢复与表征学习，在模型中引入中心性特征与Laplacian项，以有效捕捉非线性邻域与结构信息。在提升随机异常检测精度的同时，该方法对定向攻击等由高中心性链路引发的异常表现出更高的灵敏度。实验结果显示该方法在精确率和召回率等指标上展现出明显的优势。相关成果论文《Enhanced network traffic anomaly detection: Integration of tensor eigenvector centrality with low-rank recovery models》已发表于CCF服务计算领域A类期刊《IEEE Transactions on Services Computing》。
图1 中心性计算
原文链接：https://doi.org/10.1109/TSC.2024.3433580
研究成果二：课题组提出了一种基于低秩Tucker分解与元学习的全新框架LRTDM。该方法通过低秩Tucker分解精准刻画多视图自表达张量的低秩结构，因子矩阵与核心张量不仅能够有效保留各视图的潜在结构特征，还能揭示跨视图的共享信息。在此基础上，研究引入元学习，将视图特定潜在特征的学习与融合建模为双层嵌套优化问题，并采用交替求解策略进行高效训练，从而显著提升了一致性结构的恢复能力。在异常检测阶段，模型联合利用潜在表示恢复得到的一致性矩阵与自表达过程中的误差矩阵进行判别，更加准确地识别多视图环境下的异常样本。相关研究成果论文《Low-rank Tucker decomposition for multi-view outlier detection based on meta-learning》已发表在计算机科学与人工智能领域的国际权威期刊《Information Fusion》，该期刊属于中科院一区TOP期刊，2025年最新影响因子为14.8。
图2 LRTDM框架的示意图
原文链接：https://doi.org/10.1016/j.inffus.2025.103313
上述两项研究成果爱体育网_爱体育网（中国）为第一单位，是由爱体育网_爱体育网（中国）许力教授团队和湖南大学谢鲲教授团队共同完成，爱体育网_爱体育网（中国）计算机与网络空间安全学院博士研究生林维为论文第一作者，许力教授为唯一通讯作者。该研究工作得到国家杰出青年科学基金项目、国家自然科学基金区域联合基金、国家自然科学基金面上项目、中央引导地方科技发展专项以及福建省科技创新重点项目的资助。
（计算机与网络空间安全学院）