多层网络关键节点的识别方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种多层网络关键节点的识别方法、装置、设备和存储介质。所述方法包括：在关键点识别网络中通过利用图神经网络对多层网络进行编码也就是将节点和整个多增网络特征化并将其映射到低维的向量进行表示，再采用深度强化学习根据向量表示的各节点和整个网络，在大量数据中自动学习最佳的关键点选点策略，以得到可以用于表示各节点关键程度的关键节点序列，以最终实现对多层网络中关键节点的识别。本方法扩展性较强，且所需要的先验知识少，只需将多层网络本身作为输入，根据不同问题定义相应的奖励函数就可高效地学习网络瓦解策略，其解决问题的规模可达到千万级节点以上，应用场景十分广阔。应用场景十分广阔。应用场景十分广阔。

【技术实现步骤摘要】
多层网络关键节点的识别方法、装置、设备和存储介质


[0001]本申请涉及复杂网络与数据挖掘
，特别是涉及一种多层网络关键节点的识别方法、装置、设备和存储介质。

技术介绍

[0002]近年来，复杂网络的理论被广泛应用于军事智能、信息科学、经济学、社会学和生物信息学等领域。由于复杂网络的无标度和小世界特性，网络中的关键节点对整个网络起着至关重要的作用，若这些节点出现故障，将会导致网络在短时间内的大面积崩溃。比如，联合作战条件下，目标之间的关联关系错综复杂，有效选择打击目标，是实现“体系破击”的制胜关键；在无人装备集群中，攻击关键的无人机会导致整个无人机集群受到毁灭性打击。另外，对社交网络、科研合作网络、交通网络、电力网络等各种具体网络中节点重要性进行评估都具有很高的实用价值。
[0003]目前的关键节点的识别大多是在单层网络上进行研究，然而现实世界中的网络很少独立存在，大多数是与其他网络耦合或相互作用的，例如，如图1所示，集群对抗网络中的态势感知信息在网络层A上传播，而指挥决策信息在网络层B上传播，每层通信网络包含相同类型的节点但传播拓扑结构是不同的，在多层网络中，忽略各种相互作用的共存可能会对系统的能力和特性产生重大影响。因此，研究多层网络上的关键节点的识别问题具有相当重要的意义。
[0004]多层网络的关键节点识别虽已经取得了诸多研究成果，但在实际应用过程中仍然存在四类需要解决的关键问题：其一，目前对关键节点识别的研究大多数是根据网络结构，但在现实世界的网络数据中，不仅存在网络的拓扑结构信息，更包含了丰富的属性信息，这些信息对于判断节点的重要性弥足重要，可以很大程度提高预测精度。其二，目前节点的识别通常是基于近似和启发式算法，采用一些具有明确物理意义的拓扑指标，例如节点中心性等，但这些指标的一个弊端就是无法很好的跟具体的下游任务紧密结合，只是单纯的用定义好的指标未必能提供为关键节点识别所需的最相关的结构信息。其三，目前的大多数方法是诱导式(transductive)而不是归纳式(inductive)的模型，意味着训练好的模型无法处理训练阶段没见过的节点，从而限制其在动态图上的应用现实的网络数据更加的复杂。其四，现实生活中的数据庞大，节点与边关系类型多种多样，相互之间的耦合关系复杂，这使得传统的社会网络分析方法受限，可迁移性不强。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够对复杂网络进行关键点识别的多层网络关键节点的识别方法、装置、计算机设备和存储介质。
[0006]一种多层网络关键节点的识别方法，所述方法包括：
[0007]获取多层网络训练数据集，所述多层网络数据中包括有多层网络，各所述层网络中均包含相同类型的节点，但各层网络节点的传播拓扑结构不同，同时各层节点之间具有
传播关系，且多层网络以图结构的形式进行表示；
[0008]将所述多层网络训练集输入关键点识别网络对其进行训练，直至得到具备对多层网络中关键节点进行识别能力的已训练的关键点识别网络，其中，所述关键点识别网络包括编码器以及解码器，所述编码器采用图神经网络对多层网络进行图表示学习，将各节点以及整个网络特征化后映射到低纬度的向量空间并以向量进行表示，所述解码器采用深度强化学习模型根据用向量进行表示的各节点以及整个网络利用深度强化学习自动学习瓦解策略对多层网络中的关键点进行识别，得到关键点序列表；
[0009]获取待识别的多层网络数据，并将所述多层网络数据输入已训练的关键点识别网络中，以得到多层网络中关键节点序列表。
[0010]在其中一实施例中，在所述图神经网中依次对输入的多层网络进行:GraphSage嵌入、节点交叉嵌入和层间交叉嵌入；
[0011]其中，在进行GraphSage嵌入时在多层网络的基础中增加了一个聚合层，也就是将输入的多层网络进行聚合，在进行节点交叉嵌入以及层间交叉嵌入时均采用注意力机制，并在进行所述节点交叉嵌入后得到多层网络中每个节点的向量表示，在进行所述层间交叉嵌入之后得到整个网络的向量表示。
[0012]在其中一实施例中，通过注意力机制进行节交叉嵌入的过程如以下公式所示：
[0013][0014][0015]在上式中，L＝{1,2,3,
…
,M},v∈V，v表示节点，V表示所有节点，L表示层数，M表示层数最大值，为节点嵌入向量也就是进行GraphSage嵌入后得到的网络每一层节点的嵌入信息，W4为权重参数，为各节点的向量表示。
[0016]在其中一实施例中，通过注意力机制进行层间交叉嵌入的过程如以下公式所示：
[0017][0018][0019]在上式中，W5为权重参数，z
u
为整个网络的向量表示。
[0020]在其中一实施例中，在所述深度Q网络中采用以下公式进行计算：
[0021][0022]在上式中，W6和W7表示可学习的参数，和z
u
分别是编码器输出的用向量表示
的节点和整个网络。
[0023]在其中一实施例中，所述深度强化学习模型采用深度Q网络，在利用所述深度Q网络进行深度强化学习时，将向量表示的各节点以及整个网络作为输入，将删除节点或终止删除节点作为动作，将已经删除的节点序列作为状态，将节点删除前后整个网络鲁棒性得分变化作为奖励，将累积奖励最大化作为优化目标，以此得到所述关键点序列表。
[0024]在其中一实施例中，在对所述关键点识别网络进行训练时，采用最小化损失函数对编码器及解码器中的参数进行更新；
[0025]所述损失函数包括根据编码器计算得到的结构损失函数以及根据解码器计算得到的任务损失函数。
[0026]本申请还提供了一种多层网络关键节点的识别装置，所述装置包括：
[0027]训练数据集获取模块，用于获取多层网络训练数据集，所述多层网络数据中包括有多层网络，各所述层网络中均包含相同类型的节点，但各层网络节点的传播拓扑结构不同，同时各层节点之间具有传播关系，且多层网络以图结构的形式进行表示；
[0028]关键点识别网络训练模块，用于将所述多层网络训练集输入关键点识别网络对其进行训练，直至得到具备对多层网络中关键节点进行识别能力的已训练的关键点识别网络，其中，所述关键点识别网络包括编码器以及解码器，所述编码器采用图神经网络对多层网络进行图表示学习，将各节点以及整个网络特征化后映射到低纬度的向量空间并以向量进行表示，所述解码器采用深度强化学习模型根据用向量进行表示的各节点以及整个网络利用深度强化学习自动学习瓦解策略对多层网络中的关键点进行识别，得到关键点序列表；
[0029]关键点识别模块，用于获取待识别的多层网络数据，并将所述多层网络数据输入已训练的关键点识别网络中，以得到多层网络中关键节点序列表。
[0030]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0031]获取多层网络训练数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多层网络关键节点的识别方法，其特征在于，所述方法包括：获取多层网络训练数据集，所述多层网络数据中包括有多层网络，各所述层网络中均包含相同类型的节点，但各层网络节点的传播拓扑结构不同，同时各层节点之间具有传播关系，且多层网络以图结构的形式进行表示；将所述多层网络训练集输入关键点识别网络对其进行训练，直至得到具备对多层网络中关键节点进行识别能力的已训练的关键点识别网络，其中，所述关键点识别网络包括编码器以及解码器，所述编码器采用图神经网络对多层网络进行图表示学习，将各节点以及整个网络特征化后映射到低纬度的向量空间并以向量进行表示，所述解码器采用深度强化学习模型根据用向量进行表示的各节点以及整个网络利用深度强化学习自动学习瓦解策略对多层网络中的关键点进行识别，得到关键点序列表；获取待识别的多层网络数据，并将所述多层网络数据输入已训练的关键点识别网络中，以得到多层网络中关键节点序列表。2.根据权利要求1所述的识别方法，其特征在于，在所述图神经网中依次对输入的多层网络进行:GraphSage嵌入、节点交叉嵌入和层间交叉嵌入；其中，在进行GraphSage嵌入时在多层网络的基础中增加了一个聚合层，也就是将输入的多层网络进行聚合，在进行节点交叉嵌入以及层间交叉嵌入时均采用注意力机制，并在进行所述节点交叉嵌入后得到多层网络中每个节点的向量表示，在进行所述层间交叉嵌入之后得到整个网络的向量表示。3.根据权利要求2所述的识别方法，其特征在于，通过注意力机制进行节交叉嵌入的过程如以下公式所示：程如以下公式所示：在上式中，L＝{1,2,3,
…
,M},v∈V，v表示节点，V表示所有节点，L表示层数，M表示层数最大值，为节点嵌入向量也就是进行GraphSage嵌入后得到的网络每一层节点的嵌入信息，W4为权重参数，为各节点的向量表示。4.根据权利要求3所述的识别方法，其特征在于，通过注意力机制进行层间交叉嵌入的过程如以下公式所示：过程如以下公式所示：在上式中，W5为权重参数，z
u
为整个网络的向量表示。5.根据权利要求4所述的识别方法，其特征在于，所述深度强化学习模型采用深度Q网
络，在利用所述...

【专利技术属性】
技术研发人员：张煜，李婷婷，曾诚逸，安郎平，刘运，杨学科，王凯强，李鑫，蒋超远，杨景照，吴庚杰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：