一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法技术

本发明专利技术公开了一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，包括以下步骤：步骤一、获得图卷积神经网络的输入数据；步骤二、构建两层图卷积神经网络获得节点特征表示向量；步骤三、生成节点特征相似度矩阵；步骤四、筛选合适节点对，增加拓扑结构的混淆链路。本发明专利技术利用图卷积神经网络获得拓扑结构中节点的特征表示向量，提高了节点的表征能力，能够筛选出合适的节点对以增加混淆链路，进而实现网络拓扑混淆。现网络拓扑混淆。现网络拓扑混淆。

【技术实现步骤摘要】
一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法


[0001]本专利技术属于网络安全防御
，具体涉及一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法。

技术介绍

[0002]近几年，随着互联网技术的迅速发展，网络空间安全问题越来越重要。网络攻击者通过收集网络实体间的行为痕迹，利用大数据分析技术，刻画出网络的拓扑结构，严重威胁网络中重要社会实体的安全。因此，研究网络拓扑结构混淆技术，使攻击者难以准确刻画网络拓扑结构，从而实现对网络实体的保护。
[0003]网络表示学习能够将高维的网络数据映射到低维的向量空间中，解决了拓扑结构数据高维、稀疏性等问题，有利于对数据进行处理以及信息的挖掘。网络表示学习能够得到拓扑结构中节点及连边的低维表示，进而应用于不同下游任务。
[0004]图卷积神经网络是网络表示学习的方法之一。图卷积神经网络是在图谱理论的基础上产生的，能够融合拓扑网络的结构信息以及节点自身特征信息提取出节点的特征信息，从而得到新的节点表示向量。利用图卷积神经网络能够挖掘出拓扑结构中节点之间更深的关系，拓展应用的范围。

技术实现思路

[0005]本专利技术所要解决的问题是在大数据背景下，网络拓扑结构易被刻画，不利于网络安全保护的问题，提供一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其结构简单、设计合理，利用图卷积神经网络获得节点的低维特征表示向量，再计算节点间的余弦相似度，设置阈值，筛选出相似度高的节点对，补充混淆链路，实现拓扑混淆，达到保护网络实体的目的。本专利技术采用基于共同邻居数的结构相似度矩阵作为图卷积神经网络的输入，对一阶邻居节点的特征融合分配了不同的权重，提高了最终节点特征表示的准确性。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其特征在于：包括以下步骤：
[0007]步骤一、获得图卷积神经网络的输入数据：
[0008]步骤101：构建网络拓扑结构的邻接矩阵A＝(a
ij
)
N
×
N
，N表示拓扑结构中的节点数，a
ij
表示节点i与节点j之间是否存在连边，若存在连边，则a
ij
＝1；若不存在连边，则a
ij
＝0；
[0009]步骤102：得到节点对之间的基于共同邻居数的结构相似度矩阵T
CN
＝(t
ij
)
N
×
N
，作为图卷积神经网络的输入，t
ij
表示节点i与节点j之间基于共同邻居数的结构相似度大小；
[0010]步骤103：初始化特征向量X＝I∈R
N
×
N
，I是单位矩阵，拓扑结构中的节点数N作为初始特征向量的维度；
[0011]步骤二、构建两层图卷积神经网络获得节点特征表示向量：
[0012]步骤201：构建两层图卷积神经网络；
[0013]步骤202：将结构相似度矩阵T
CN
和初始特征向量X输入到图卷积神经网络中，得到
更准确的节点特征表示向量Z∈R
N
×
d
，d表示输出节点表示向量的维度；
[0014]步骤三、生成节点特征相似度矩阵：
[0015]步骤301：计算节点特征表示向量之间的余弦相似度s
ij
；
[0016]步骤302：根据节点间的余弦相似度，得到节点的特征相似度矩阵S＝(s
ij
)
N
×
N
，其中s
ij
表示节点i和节点j的特征相似度大小，且s
ij
≤1；
[0017]步骤四、筛选合适节点对，增加拓扑结构的混淆链路：
[0018]步骤401：设置合适的相似度阈值α；
[0019]步骤402：将相似度矩阵S中的元素s
ij
与α比较，大于阈值α的元素值化为1，小于等于阈值α的元素值化为0，输出包含混淆链路的邻接矩阵；
[0020]步骤403：根据包含混淆链路的邻接矩阵，在原网络拓扑结构中增加混淆链路。
[0021]上述的一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其特征在于：步骤102中基于共同邻居数的结构相似度矩阵T
CN
的计算公式为：T
CN
＝AA，其中A是拓扑结构的邻接矩阵。
[0022]上述的一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其特征在于：步骤202中节点特征表示向量计算公式为：Z＝σ(T
CN
·
σ(T
CN
XW0)
·
W1)，其中，σ(
·
)是ReLU激活函数，X是初始化特征向量，W0和W1分别表示第一层和第二层图卷积神经网络的权重矩阵。
[0023]上述的一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其特征在于：步骤301中余弦相似度的计算公式为其中，和分别是节点i和节点j的d维节点特征表示向量。
[0024]本专利技术与现有技术相比具有以下优点：
[0025](1)本专利技术采用基于共同邻居数的结构相似度矩阵作为图卷积神经网络的输入，对一阶邻居节点的特征融合分配了不同的权重，提高了最终节点特征表示的准确性。
[0026](2)本专利技术利用图卷积神经网络，选择出相似度高的节点对，通过补充混淆链路，实现对网络实体的保护。本专利技术方法结构简单，实现及使用操作方便。
[0027]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0028]图1为本专利技术的方法流程图。
具体实施方式
[0029]下面结合附图及本专利技术的实施例对本专利技术的方法作进一步详细的说明。
[0030]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根
据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于共同邻居数和图卷积神经网络的网络拓扑混淆方法，其特征在于：包括以下步骤：步骤一、获得图卷积神经网络的输入数据：步骤101：构建网络拓扑结构的邻接矩阵A＝(a
ij
)
N
×
N
，N表示拓扑结构中的节点数，a
ij
表示节点i与节点j之间是否存在连边，若存在连边，则a
ij
＝1；若不存在连边，则a
ij
＝0；步骤102：得到节点对之间的基于共同邻居数的结构相似度矩阵T
CN
＝(t
ij
)
N
×
N
，作为图卷积神经网络的输入，t
ij
表示节点i与节点j之间基于共同邻居数的结构相似度大小；步骤103：初始化特征向量X＝I∈R
N
×
N
，I是单位矩阵，拓扑结构中的节点数N作为初始特征向量的维度；步骤二、构建两层图卷积神经网络获得节点特征表示向量：步骤201：构建两层图卷积神经网络；步骤202：将结构相似度矩阵T
CN
和初始特征向量X输入到图卷积神经网络中，得到更准确的节点特征表示向量Z∈R
N
×
d
，d表示输出节点表示向量的维度；步骤三、生成节点特征相似度矩阵：步骤301：计算节点特征表示向量之间的余弦相似度s
ij
；步骤302：根据节点间的余弦相似度，得...

【专利技术属性】
技术研发人员：耿杰，王茹，蒋雯，邓鑫洋，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：