基于图神经网络的三维空间网络关键区域识别方法及装置

背景技术：

1、复杂网络常用于描述现实系统中实体及其相互作用关系，在交通运输、通信联络、基础设施运行、能源供给和无人系统协同等任务场景中都有广泛应用。其中，相当一部分网络并不是单纯的拓扑结构，其节点和边还嵌入在具体的物理空间中，节点位置、空间距离和局部区域分布都会影响网络的连接方式和功能表现。例如，交通运输系统中的站点和道路具有明确的地理位置，通信联络中的设备部署和信号传输受到空间距离约束，无人系统协同中的平台节点和交互链路也会随位置变化而呈现不同的连接特征，这类网络通常可建模为空间网络。

2、在具有空间嵌入特征的网络中，现实扰动、保护措施和资源配置通常以一定空间范围内的局部区域为作用对象。因此，对于空间网络而言，关键成分不一定只对应单个节点或单条边，某一局部空间范围内的多个网络元素可能共同影响网络的连通性和功能状态。为了实现空间网络区域关键性识别，现有技术通常采用二维空间划分与区域指标聚合的思路，并根据区域移除后的网络瓦解效果评价区域重要性。这类方法具有较强的可解释性，能够直观反映区域内部节点或边的结构属性。

3、然而，现有技术中计算区域得分通常依赖人工设计的中心性指标，难以自适应刻画空间位置、拓扑连接和区域邻接之间的非线性耦合关系，同时，在节点具有明显三维空间分布的场景中，二维区域划分难以完整表达其空间结构特征。基于上述原因，导致现有技术对三维空间网络的关键区域进行识别时准确度较差。

技术实现思路

1、本发明要解决的技术问题是现有技术常用的上述方法对三维空间网络的关键区域进行识别时准确度较差，为了解决上述问题，本发明提供一种基于图神经网络的三维空间网络关键区域识别方法及装置。

2、本发明的内容包括：

3、第一方面，本发明实施例提供了一种基于图神经网络的三维空间网络关键区域识别方法，包括：

4、基于无人机在三维空间中的分布构建无人机通信网络，所述无人机通信网络为三维空间网络，所述无人机通信网络中的基础节点用于表征所述无人机，所述基础节点之间的边用于表征所述无人机之间的通信链路；

5、将所述无人机通信网络划分为多个互不重叠的区域，得到区域图，每一个所述区域用于表征所述无人机通信网络中的一个立方体结构，所述区域图中的区域节点用于表征所述区域，所述区域节点之间的边用于表征所述区域之间的连接关系；

6、基于所述区域节点对应的基础节点的信息获取所述区域节点的初始特征表示；

7、基于所述初始特征表示在所述区域图上执行层邻域聚合和表示更新操作，得到所述区域节点的聚合特征表示；

8、将所述聚合特征表示输入预测模块进行预测，得到每个所述区域的预测得分，所述预测得分用于表征所述区域在所述无人机通信网络中的重要程度。

9、可选地，所述将所述无人机通信网络划分为多个互不重叠的区域，得到区域图，包括：

10、对所述基础节点在所述三维空间中的原始三维坐标值进行标准化处理，得到归一化后的坐标值；

11、基于所述归一化的坐标值，将所述无人机通信网络划分为多个互不重叠的立方体区域，得到所述区域图。

12、可选地，所述连接关系包括空间邻接关系和实体交互关系中的至少一者，所述空间邻接关系用于表征两个所述区域对应的立方体结构共享面或边或顶点，所述实体交互关系用于表征两个所述区域包含的基础节点之间存在边连接。

13、可选地，所述基于所述区域节点对应的基础节点的信息获取所述区域节点的初始特征表示，包括：

14、基于所述区域的区域度中心性、区域网页排序以及区域集体影响力中的至少一者确定所述区域节点的初始特征表示；

15、其中，所述区域度中心性用于表征所述区域包含的基础节点的直接连接能力的累计水平，所述区域网页排序用于表征所述区域包含的基础节点在所述无人机通信网络的整体连接关系中的相对重要程度，所述区域集体影响力用于表征所述区域包含的基础节点对预设范围内所述无人机通信网络的连通骨架的影响程度。

16、可选地，所述区域图中任一个区域节点的区域度中心性、区域网页排序以及区域集体影响力分别为：

17、；

18、；

19、；

20、其中，为基础节点的度中心性，为基础节点的度，为无人机通信网络的边的数量，为基础节点的pagerank值，为基础节点在半径下的集体影响力值。

21、可选地，所述基于所述初始特征表示在所述区域图上执行层邻域聚合和表示更新操作，得到所述区域节点的聚合特征表示，包括：

22、将所述区域图输入图采样与聚合编码器，执行层邻域聚合和表示更新操作，得到所述区域节点的聚合特征表示，为正整数；

23、其中，第层邻域聚合和表示更新操作包括：

24、将目标节点的邻居节点在第层的特征表示进行聚合，得到所述目标节点在第层的邻域聚合表示，所述目标节点为任一个所述区域节点，所述邻居节点为所述区域图中与所述目标节点相连的区域节点，；

25、将所述目标节点在第层的特征表示与所述目标节点在第层的邻域聚合表示进行拼接后，通过线性变换和非线性激活函数得到所述目标节点在第层的特征表示，所述目标节点在第层的特征表示为所述目标节点的聚合特征表示，所述目标节点在第0层的特征表示为所述目标节点的初始特征表示。

26、可选地，所述将所述聚合特征表示输入预测模块进行预测，得到每个所述区域的预测得分之后，所述方法还包括：

27、基于所述每个所述区域的预测得分制定资源分配策略；

28、基于所述资源分配策略为每个所述区域分配通信资源。

29、第二方面，本发明实施例还提供了一种基于图神经网络的三维空间网络关键区域识别装置，包括：

30、构建模块，用于基于无人机在三维空间中的分布构建无人机通信网络，所述无人机通信网络为三维空间网络，所述无人机通信网络中的基础节点用于表征所述无人机，所述基础节点之间的边用于表征所述无人机之间的通信链路；

31、划分模块，用于将所述无人机通信网络划分为多个互不重叠的区域，得到区域图，每一个所述区域用于表征所述无人机通信网络中的一个立方体结构，所述区域图中的区域节点用于表征所述区域，所述区域节点之间的边用于表征所述区域之间的连接关系；

32、获取模块，用于基于所述区域节点对应的基础节点的信息获取所述区域节点的初始特征表示；

33、执行模块，用于基于所述初始特征表示在所述区域图上执行层邻域聚合和表示更新操作，得到所述区域节点的聚合特征表示；

34、预测模块，用于将所述聚合特征表示输入预测模块进行预测，得到每个所述区域的预测得分，所述预测得分用于表征所述区域在所述无人机通信网络中的重要程度。

35、第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面所述的基于图神经网络的三维空间网络关键区域识别方法中的步骤。

36、第四方面，本发明实施例提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如第一方面所述的基于图神经网络的三维空间网络关键区域识别方法中的步骤。

37、本发明的有益效果是，在本发明实施例中，将无人机通信网络划分为互不重叠的立方体区域并构建区域图，从区域尺度识别无人机通信网络中的关键成分，更有助于支撑网络保护、韧性提升、传播干预和资源配置等任务。同时，通过基于基础节点信息获取区域初始特征，并在区域图上执行多层邻域聚合，能够高效融合局部与全局拓扑信息，准确捕捉区域间的空间依赖关系。最终通过预测模块输出的区域预测得分，能够自动化、定量地识别网络中的关键区域，避免了对人工经验的依赖，提升了识别的准确性与鲁棒性，为无人机通信网络的资源优化配置和拓扑管控提供了可靠支撑。