动态网络覆盖范围十分广泛,计算机网络、社交网络、交通网络、分子结构网络等均可以利用动态网络模型进行相关分析。动态网络的特点在于其动态性,网络结构会随网络演化过程不断发生变化,这些变化中可能存在我们不希望出现的异常变化。对动态网络异常变化的检测有助于我们及时发现网络异常,了解网络发展趋势,在现实应用中具有重要的意义。本文以动态网络的拓扑结构为研究对象,检测动态网络的趋势性异常变化,突发性异常变化,并识别网络中可能的异常链接行为。本文的主要工作如下:1.提出了一个面向动态网络的异常结构变化检测研究框架,主要包括动态网络特征提取,动态网络趋势性异常变化检测,动态网络突发性异常变化检测和动态网络异常链接检测四个部分,该框架的提出为后续的研究奠定了基础。2.网络结构的不显著趋势性异常变化是动态网络异常变化的一种形式,不显著趋势性异常变化由于变化幅度较小所以难以被识别网络突发性异常变化的方法发现。针对这一问题,本文利用统计学中数据趋势性检测的方法Cox-stuart test,结合可变滑动窗口策略进行数据划分,设计了一个动态网络趋势性异常变化检测模型。通过引入可变滑动窗口,本文的方法能够更精确的识别网络发生趋势性异常变化的时间段。我们利用此方法在真实数据集上对动态网络的趋势性异常变化进行了检测,检测出的网络异常变化时间与真实异常事件发生时间基本基本吻合,验证了方法的有效性。3.动态网络的突发性异常变化检方法在实际应用中更为广泛,传统的动态网络突发性变化检测方法主要基于网络结构特征,但面对大规模复杂的网络数据时我们难以提取出准确的网络结构特征。针对这一问题,本文提出了一种利用网络表示学习进行动态网络突发性异常变化检测的方法,该方法将特征提取作为表示学习问题来自动化整个过程,通过分析经过网络表示学习处理后的节点在空间中的分布情况进行动态网络突发性异常变化检测。实验结果表明经过网络表示学习处理后的网络在结构特征提取上的效果较原始网络更为有效。4.动态网络中的异常链接行为很可能是造成网络异常变化的原因,对异常链接行为的直观理解是本来不太可能发生链接关系的节点发生了链接关系。本文基于网络表示学习方法设计了一个动态网络异常链接行为检测方法,利用经过网络表示学习后的节点间的相近程度描述节点间存在链接关系概率的大小,低概率的链接行为被检测为异常链接行为。本文的方法能够检测当前时间段异常链接占全部链接的比例并指出最有可能是异常链接的几个链接行为。方法由于考虑了节点间更多、更深层的隐含关系,在真实数据集上的表现要优于传统方法。