一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法

本发明属于网络鲁棒性预测，涉及一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法。

背景技术：

1、网络鲁棒性用于衡量网络在随机故障、恶意攻击或者关键节点失效条件下维持连通性和基本功能的能力，是复杂网络分析、关键基础设施安全评估以及网络拓扑优化中的核心指标。现有鲁棒性计算通常采用攻击仿真方式，即按照预设攻击策略连续移除节点，并在每轮移除后重新计算网络最大连通分量，从而得到网络在整个攻击过程中的连通保持能力。该方法具有直观、准确的优点，但需要反复更新网络结构并执行连通性计算，计算开销随节点规模增大而快速上升。

2、在大规模网络分析和迭代式拓扑优化场景中，同一批候选拓扑往往需要被重复评估数百次甚至数千次。若每次均执行完整攻击仿真，会显著增加网络设计、调度和优化的时间成本，难以满足在线分析或者快速决策需求。因此，利用学习模型从网络拓扑直接预测鲁棒性值，成为降低鲁棒性评估成本的重要技术路径。

3、现有基于学习的鲁棒性预测方案仍存在以下问题：其一，将邻接矩阵转换为图像并采用卷积神经网络处理时，容易受到节点排列顺序和矩阵稀疏性的影响，并且难以直接适配不同节点规模；其二，传统图神经网络主要基于局部邻域消息传递，感受野受网络层数限制，难以显式建模跨社团桥接节点、长程路径和全局割集等对鲁棒性具有重要影响的全局结构；其三，节点度数、核心度和pagerank等结构特征的绝对取值会随网络规模和密度变化，模型容易学习到与训练规模耦合的统计规律，导致在训练规模之外的网络上预测误差增大；其四，局部结构和全局结构对不同类型网络鲁棒性的贡献并不相同，采用固定融合权重难以适配拓扑差异。

4、因此，需要一种能够削弱网络规模变化造成的特征分布偏移、同时提取局部邻域结构和全局节点交互信息，并根据输入网络自适应融合不同结构视图的鲁棒性预测方法，以兼顾预测精度、跨规模泛化能力和计算效率。

技术实现思路

1、为解决现有网络鲁棒性评估依赖完整攻击仿真、计算开销较大，以及现有学习式预测方法在跨规模特征表示、全局结构建模和多视图融合方面存在不足的问题，本发明提出一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法。该方法从待评估网络的拓扑结构中提取能够反映节点局部连接、邻域冗余、核心层级和全局影响力的结构特征，通过尺度归一化削弱网络节点数量和连接密度变化造成的特征分布偏移，再利用局部视图与全局视图并行学习网络结构，最后根据待评估网络自身的拓扑特点自适应融合两类图级表征并输出网络鲁棒性预测值。

2、本发明提供一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，包括：

3、步骤1：收集多种不同网络拓扑作为训练样本，并通过节点攻击仿真获得各训练样本的真实鲁棒性标签，构成训练数据集；

4、步骤2：针对训练样本的每个节点分别提取度中心性、聚类系数、k-core核心度和pagerank值四类结构特征，并对每个节点的结构特征进行尺度归一化处理；

5、步骤3：将每个节点的四类归一化结构特征按照节点索引依次排列，形成节点特征矩阵，将节点特征矩阵输入自适应特征嵌入模块进行自适应加权嵌入处理获得初始节点嵌入；

6、步骤4：构建局部视图分支，将初始节点嵌入输入局部视图分支，沿网络真实连接关系逐层聚合邻居节点信息，获得局部节点表征；

7、步骤5：构建全局视图分支，将初始节点嵌入输入全局视图分支，建模不同节点之间的长距离结构交互关系，获得全局节点表征；

8、步骤6：分别对局部节点表征和全局节点表征进行全局平均汇总，得到局部图级表征和全局图级表征；随后将两类表征共同输入动态门控模块，形成综合图级表征；

9、步骤7：构建由自适应特征嵌入模块、局部视图分支、全局视图分支、动态门控模块和多层感知机预测器组成的网络鲁棒性预测模型；将综合图级表征输入多层感知机预测器，通过非线性映射获得训练样本的鲁棒性预测值，以鲁棒性预测值与对应真实鲁棒性标签之间的均方误差作为优化目标，联合更新网络鲁棒性预测模型的参数，使网络鲁棒性预测模型学习从网络拓扑结构到鲁棒性指标的映射关系，完成模型训练；

10、步骤8：提取待评估的网络拓扑的四类结构特征并进行尺度归一化，形成节点特征矩阵；将节点特征矩阵输入训练完成的网络鲁棒性预测模型，经一次前向计算输出待评估网络的鲁棒性预测值。

11、本发明的一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，具有以下有益效果：

12、1. 本发明对度中心性、核心层级和全局重要性等节点结构特征进行尺度归一化，使节点表示更加关注其在当前网络中的相对结构角色，能够减小网络规模变化造成的特征分布偏移，提高跨规模预测的稳定性。

13、2. 本发明通过局部视图与全局视图并行学习网络结构，并利用动态门控机制自适应融合两类图级表征，能够同时刻画局部冗余连接、桥接节点和长距离结构关系，提高鲁棒性预测的准确性。

14、3. 本发明在实际预测阶段无需逐轮移除节点并重复计算最大连通分量，仅需完成一次特征提取和模型前向计算，可显著降低大规模网络批量评估及拓扑优化中的计算开销。

1.一种基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，包括：

2.根据权利要求1所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤2具体为：

4.根据权利要求1所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤3具体为：

5.根据权利要求4所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤4具体为：

6.根据权利要求5所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤5具体为：

7.根据权利要求6所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤6具体为：

8.根据权利要求7所述的基于尺度归一化特征与双视图图表征学习的网络鲁棒性预测方法，其特征在于，所述步骤7具体为：