随着互联网技术的发展,人们的生活时时刻刻都在与网络世界发生关联,在此过程中也产生了大量的数据。由于存在一些恶意服务或攻击手段,这些数据中通常存在异常行为,给人们带来了巨大的安全隐患和经济损失,比如社交好友数据中的虚假关注、电子支付数据中的欺诈交易。常见解决方案是使用异常检测方法识别其中的异常行为,传统的异常检测方法主要依赖非图数据结构,没有考虑图的拓扑结构特征,所以很容易被伪造特征绕过检测模型。而图数据的拓扑结构特征通常不容易被伪造,所以将数据抽象为图数据结构能够进一步提升异常检测效果,比如将社交好友数据抽象为社交网络。因此,本文基于图数据结构研究了静态图的边异常检测和动态图的边异常检测两方面内容,研究工作和创新如下:1)在静态图中针对不同于真实边的虚假边异常检测问题,现有方法将含有异常样本的数据当成全部为正常样本的数据学习模型,即不能直接感知学习异常样本的特征,也没有考虑异常样本对学习的影响。所以提出了基于对比学习的LATA模型,其链路信息增强模块根据网络结构分布采样进行增强,能够减小网络结构变化并生成异常样本;其链路对比去噪模块对不同视图的节点向量进行一致性和差异性约束并对重构损失权重衰减,能够迫使模型学习异常边的特征并减弱异常样本影响;其链路信息矫正模块将损失分布较大的样本矫正为异常样本,能够以较高的命中率矫正异常边并提高网络重构准确率。在六个真实数据集上进行了实验和分析,证实了提出的模型在检测异常边的效果和鲁棒性上比基线方法好。2)在动态图中针对交易网络的欺诈交易边异常检测问题,现有方法使用GNN提取图结构特征并输入RNN提取时序特征,其图结构与时序特征的提取存在分离,也没有考虑将标签信息用于节点嵌入和长尾节点对嵌入影响。所以提出了基于时序特征的ETGE模型检测异常边,其特征提取模块在ego-net网络中提取了单一交易特征和共同交易特征,能够将历史交易边的标签信息直接用于嵌入向量生成;其缺失预测模块通过缺失邻居信息序列的变化过程学习关联关系模型,能够对节点的缺失邻居信息进行预测并补充聚合;其网络进化模块从正向边和反向边方向使用MGGRU单元学习节点序列变化信息,能够在提取节点时序特征的同时捕获网络结构特征。在三个真实数据集上进行了实验和分析,证实了提出模型比基线方法的异常边检测效果更好。