روش های سنتی تشخیص ناهنجاری براساس سیگنال در شبکه های بزرگ از چالش های دقت تشخیص ناهنجاری، تعداد کم زیرگراف های همزمان ناهنجار تعیین شده، حجم بالا و پیچیدگی محاسباتی، سرعت کم تشخیص، الزام به استفاده ترکیبی از اطلاعات سراسری و محلی گراف شبکه رنج می برند. این مقاله رویکرد جدید پردازش سیگنال برای تشخیص همزمان زیرگراف های متراکم ناهنجار براساس اطلاعات محلی از گراف های بزرگ ناشناخته اجتماعی پیشنهاد داده که هدفش بهبود سرعت و دقتِ تشخیص زیرگراف ها است. الگوریتم نوین نمونه برداری مبتنی بر نمونه برداری فشرده برای تقلیل نمونه برداری داده ها ارایه داده که از طریق بازیابی ویژگی های تنکِ شبکه های ثابت، پیچیدگیِ محاسباتی شبکه را کاهش داده است. نتایج ازمایشات تجربی با داده های تولیدی گراف های مصنوعی و واقعی ِشبکه های اجتماعی بزرگ در مقایسه با مهمترین روش های علمی نشان داد که رویکرد پیشنهادی علاوه بر برخورداری از دقت تشخیص همزمان چندین زیرگراف متراکم، پیچیدگی محاسباتی را از O(n^4 √(log⁡n )) به O(n^2) در شبکه n گره ای کاهش داده است. روش پیشنهادی به اسانی قابل کاربرد در تشخیص ناهنجاری های شبکه های بزرگ پویا و پیچیده است.