动态网络是指随着时间的推移而不断变化的网络,其广泛存在于现实生活中,类似社交网络、通信网络、计算机拓扑网络等都是比较常见的动态网络。动态网络的特点在于其结构会随网络演化过程不断发生变化,在这些变化中可能存在部分异常变化。对动态网络进行异常检测有助于我们及时发现导致异常的事件,防止进一步造成损失。本文以动态网络为研究对象,以网络表示学习为主要途径,检测动态网络异常事件并定位异常节点集。本文的主要工作如下:(1)针对现有图表示学习方法对原始图形结构的学习能力不强的问题,结合频繁子图挖掘相关技术,提出了一种基于N边子图的图表示学习方法。首先在图集中对各图进行N边子图抽取,使用DFSCode编码来对子图进行唯一标识;之后将各图对应的N边子图集输入到doc2vec模型中,获得各个图的向量表示。在真实数据集上进行实验对比,使用机器学习方法对学习到的图的向量表示进行分类,实验证明本文提出的方法在大多数实验数据集上分类准确率有了5%左右的提升。(2)鉴于网络表示学习在捕捉网络结构方面存在的优势,提出了一种基于网络表示学习的动态网络异常事件检测方法。该方法由基于节点自我图的动态网络表示学习和动态网络异常检测策略两部分组成。该方法结合目前流行的神经网络文档向量表示模型,在对动态网络按时间切片处理后生成网络序列,基于节点的邻域特征生成节点序列综合学习节点及网络的向量表示,基于各时间片网络相应的向量表示进行网络相似性度量,识别是否发生了异常事件,在确定异常事件后进而通过节点相似性度量来定位异常事件下的异常节点。在安然邮件数据集和AS级Internet动态网络数据集上进行了实验验证,实验结果证明了该方法的有效性。(3)针对现有的网络表示学习方法在面向加权动态网络时没有学习边与权重的对应关系、在进行异常链接检测时无法有效地识别权重异常的问题,提出了一种针对加权动态网络的网络表示学习方法,该方法通过将权重视为特殊的节点,采用深度自编码神经网络来获得节点的向量表示,可以同时学习网络结构信息与边的权重信息,较传统网络表示学习方法在异常链接检测方面准确率有10%左右的提升。(4)针对动态网络中异常事件传播模式、持续时间的多样性,使得单个时间片网络难以完整地捕获整个异常事件的问题,首次将异常链接与基于全连接神经网络的异常群体检测模型相结合,克服了传统基于全连接神经网络的异常群体检测模型无法识别节点链接结构改变的缺点,有效地提高了异常群体检测的适用性。最后在真实数据集上的进行实验验证,证明了该方法的广泛适用性,不仅可以有效地识别节点通信量突增异常,而且可以有效识别节点链接结构改变异常。