一种基于知识引导关系推理的鲁棒物联网拓扑优化方法

本发明属于物联网拓扑优化，涉及一种基于知识引导关系推理的鲁棒物联网拓扑优化方法。

背景技术：

1、物联网通过大量感知节点、通信设备和边缘终端的互联，为智能交通、智慧城市、工业物联网和智能海洋等应用提供持续的数据采集与协同服务。随着节点数量和业务规模不断扩大，节点能量耗尽、随机故障、通信链路中断以及恶意攻击均可能破坏网络连通性，进而造成数据传输失败甚至局部网络瘫痪。因此，如何在满足实际通信约束的条件下优化网络连接关系、提高物联网拓扑在故障和攻击条件下的结构鲁棒性，是保障大规模物联网稳定运行的重要问题。

2、现实物联网拓扑通常具有无标度特征，即节点度分布呈幂律分布。该类拓扑对随机故障具有较强容忍能力，但当高连接度节点受到定向攻击时，网络最大连通子图会快速缩小，容易发生级联式解体。为了在保持无标度特性和节点度序列不变的前提下提高鲁棒性，现有技术通常采用通过选取两条边并交换端点来调整拓扑结构。

3、传统启发式方法通常在全局边集合中反复枚举候选边对，执行重连并计算网络鲁棒性，以筛选能够改善拓扑的操作。随着网络规模增大，候选边对数量呈组合式增长，且每次候选评估均需要进行节点攻击仿真和连通子图计算，导致计算开销较高，同时容易受局部搜索路径限制而陷入局部最优。基于深度强化学习的方法能够通过策略网络学习边选择行为，降低人工设计搜索规则的成本，但现有方法多仍将拓扑重连建模为全局边对的直接组合选择问题，动作空间较大，探索效率和样本利用率有限。

4、此外，部分现有强化学习方法使用邻接矩阵或固定长度的全局拓扑向量作为状态表示，使策略与训练时的节点规模、节点编号和拓扑分布产生较强耦合，难以直接迁移到不同规模或动态变化的网络。现有技术尚缺少一种能够显式利用边之间潜在结构关联、在局部动作空间中逐步推断有效重连关系，并兼顾跨规模泛化能力和优化效率的技术方案。

技术实现思路

1、为解决现有物联网拓扑优化方法存在候选重连边组合数量大、搜索效率低、容易陷入局部最优以及难以适应不同规模网络等问题，本发明提出了一种基于知识引导关系推理的鲁棒物联网拓扑优化方法。通过引入知识推理的方式寻找能够使得鲁棒性提升的边组合，提高提升鲁棒性的效率。通过和其他拓扑优化算法进行对比，充分证实了有效性。

2、本发明提供一种基于知识引导关系推理的鲁棒物联网拓扑优化方法，包括：

3、步骤1：在目标区域内随机部署预设数量的物联网设备节点，按照无标度网络生成规则构建连通的原始物联网拓扑；

4、步骤2：将连通的原始物联网拓扑转换为线图；

5、步骤3：对原始物联网拓扑中的三角形模体结构和四节点模体结构进行检测，并将不同类型的网络模体作为模体超节点加入线图；

6、步骤4：构建一个虚拟全局节点，将虚拟全局节点加入线图，并将虚拟全局节点与线图中的全部边节点连接；

7、步骤5：为线图中的边节点、模体超节点、虚拟全局节点以及节点间关系构建结构类型表示，为每个结构类型实例初始化可学习嵌入向量，获得线图节点的结构嵌入和节点间关系的结构嵌入；

8、步骤6：以线图、线图节点的结构嵌入、节点间关系的结构嵌入以及虚拟全局节点的状态信息为输入，采用actor-critic框架在线图上进行多步关系推理，确定两条候选原始边，经通信距离、自环、重复边和连通性约束筛选后实施端点交换，并根据鲁棒性变化训练策略；训练完成后冻结策略，对待优化拓扑重复执行推理与可行重连，输出达到预设重连预算或目标鲁棒性提升比例后的优化拓扑。

9、本发明的一种基于知识引导关系推理的鲁棒物联网拓扑优化方法，具有如下有益效果：

10、1. 本发明将全局边对组合搜索转换为线图上的局部多步关系推理，每一步仅从当前边节点的邻域中选择下一动作，避免显式枚举全部候选边对，可显著缩小动作空间并提高拓扑优化的搜索效率。

11、2. 本发明将节点度、端点的度数差、两个端点的平均网络核心层次、三角形和四节点模体等多层次结构先验编码为节点的结构嵌入，并引入模体超节点，使局部连接模式、全局核心重要性和高阶子图信息共同参与重连决策，提高了策略表示能力和跨网络规模泛化能力。

12、3. 本发明采用保持度不变进行边交换并同时检查通信距离、自环、重复边和网络连通性约束，在改善鲁棒性的同时保持节点度序列和网络基本部署可行性，适用于具有无标度特征的物联网拓扑。

13、4. 本发明通过gru保留推理历史信息，并采用actor-critic和熵正则联合训练，使智能体能够逐步发现具有潜在结构关联的边组合，减少局部最优和无效探索，提高鲁棒性提升速度，进一步增强了对物联网拓扑鲁棒性的优化效果。

1.一种基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，包括：

2.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤2具体为：

4.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤3具体为：

5.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤4具体为：

6.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤5具体为：

7.根据权利要求1所述的基于知识引导关系推理的鲁棒物联网拓扑优化方法，其特征在于，所述步骤6具体为：