一种基于深度对比学习的节点受攻击复杂网络自重建方法技术

本发明专利技术公开了一种基于深度对比学习的节点受攻击复杂网络自重建方法，包括：构建深度对比学习神经网络框架，包括局部区域感知特征编码模块，用于获取输入数据的局部区域感知特征表征矩阵；高维关联特征投影解码模块，用于基于局部区域感知特征表征矩阵获取自重建网络的邻接矩阵；全局功能特征提取模块，用于计算损失函数并输出自重建网络；输入数据是未受节点攻击网络和受节点攻击网络构成的训练数据对，损失函数包括局部

【技术实现步骤摘要】
一种基于深度对比学习的节点受攻击复杂网络自重建方法


[0001]本专利技术涉及人工智能与复杂网络安全防御研究
，具体涉及一种基于深度对比学习的节点受攻击复杂网络自重建方法
。

技术介绍

[0002]复杂网络的节点安全调控问题是各类拥有复杂网络结构的工业网络
、
军事网络以及生物网络等应用场景下，应对网络节点受到攻击或干扰的一个常见且关键的问题
。
在具有复杂拓扑连接关系的工业
、
军事
、
交通网络实体中，实体节点是维持网络功能完整性的重要元素
。
然而无法避免的，这类实体网络节点在各自应用场景中均会出现不同攻击或者干扰的情况
。
宏观层面上，面对此类各个节点之间具有复杂连接关系的各类实体网络，如何快速恢复或者有效降低受到节点攻击情况下复杂网络的局部以及全局各个功能指标，成为各类具体应用实体复杂网络正常运行
、
防护
、
调控的关键，也是对复杂网络节点攻防问题研究的一个关键内容
。
各类以实体关系相互作用或者实体传输通道为连接构建的功能性应用网络中，实体节点一旦受到攻击或干扰，就会造成若干节点缺失或者功能失效的情况对面向具体应用场景的复杂网络全局功能造成极大的影响
。
在真实物理场景中，复杂网络中实体节点功能丧失的情况经常发生，例如工业网络实体制造节点受到工况攻击，军事网络中军事目标节点被打击摧毁，交通网络实际转运节点受到天气影响或者客流临时管控，以上情况均可以被统一建模为复杂网络节点受攻击的问题
。
如何应对复杂网络节点受到攻击后失效，在保持剩余节点不变的条件下，短时高效自重构网络连接形式，使得网络保持较为稳定的工作状态，有效维持瞬时网络整体功能，是各类应用场景复杂网络都需要面对的共性重点研究问题
。
[0003]通常情况下，复杂网络节点受攻击后，存在受节点攻击节点补全与现有节点连接关系调整两大解决方向
。1
）受节点攻击节点补全可以通过监控或者检测网络中节点的工作状态，捕捉具体受到攻击或者失效的节点，通过节点的方式对网络失效节点进行节点补全，保持原有网络结构和结构数目不变
。2
）攻击后剩余节点的复杂网络连接关系调整的方法，较为传统的是通过对邻接矩阵关系的分解进行重构，例如以稀疏矩阵分解为代表的矩阵分解方法
。
随着网络尺度的扩大以及数据量级别的指数提升，近年来深度学习对抗生成网络
、
自动编码器以及基于学习的矩阵分解方法开始逐步出现在复杂网络连接关系调整的解决方案中，并获得一定的效果
。
目前这两个解决方向下的已有解决方案均存在处理效率低下，补全处理后复杂网络的稳定性变差的问题，在面对较复杂网络以及大规模攻击时，受制于对重要特征和节点之间关键关联信息的表征，并没有体现出较好的稳定性
。
[0004]现有专利文献中，中国专利
CN110213226B《
基于风险全要素辨识关联的网络攻击场景重建方法及系统
》
提出：确定网络安全风险全要素；确定攻击阶段状态，关联网络安全风险全要素确定各攻击阶段状态间的转换条件和转换动作，构成网络攻击阶段有限状态机；获取新的攻击数据，并将新的攻击数据标准化为网络安全风险全要素；将标准化得到的网络安全风险全要素输入攻击阶段有限状态机，确定攻击阶段有限状态机的状态，此状态
机即为网络空间中的攻击场景
。
[0005]中国专利
CN115455493A《
基于对比学习的图网络后门攻击防御方法
》
提出：通过构建一图编码器，替换训练好的图神经网络模型的编码部分，构建获得具有防御后门攻击的防御模型，实现图网络后门攻击防御
。

技术实现思路

[0006]本专利技术提供一种基于深度对比学习的节点受攻击复杂网络自重建方法
。
[0007]本专利技术采用如下技术方案：一种基于深度对比学习的节点受攻击复杂网络自重建方法，包括：构建深度对比学习神经网络框架，所述深度对比学习神经网络框架包括局部区域感知特征编码模块，用于获取输入数据的局部区域感知特征表征矩阵；高维关联特征投影解码模块，用于基于所述局部区域感知特征表征矩阵获取自重建网络的邻接矩阵；全局功能特征提取模块，用于计算损失函数并输出自重建网络；所述输入数据是未受节点攻击网络和受节点攻击网络构成的训练数据对，所述损失函数包括局部
‑
局部对比损失函数
、
局部
‑
全局对比损失函数和全局
‑
全局对比损失函数；获取由未受节点攻击网络和受节点攻击网络组成的训练数据对，并利用所述训练数据对训练所述深度对比学习神经网络框架至所述损失函数收敛
。
[0008]该方法通过构建参数共享的深度对比学习神经网络框架来学习受节点攻击网络和未受节点攻击网络之间的相似特征，进而完成对复杂网络关键特征的提取，即对未受到攻击网络维持功能稳定的关键特征的学习与提取，依靠训练数据对通过对深度对比学习神经网络框架的不断训练使深度对比学习神经网络框架得以成熟，即基于该深度对比学习神经网络框架可以使维持网络功能稳定的关键特征尽可能多的被学习和迁移到自重建网络中，对未受节点攻击网络和受节点攻击网络进行特征编码并解码获得自重建网络的连接关系，实现对受节点攻击网络的高效准确重建
。
附图说明
[0009]图1是本专利技术的基于深度对比学习的节点受攻击复杂网络自重建方法的流程示意图
。
[0010]图2是本专利技术的一实施例的基于深度对比学习的节点受攻击复杂网络自重建方法的详细流程图
。
[0011]图3是本专利技术的深度对比学习神经网络框架的训练曲线图
。
具体实施方式
[0012]下面结合具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此
。
[0013]深度对比学习关注于捕捉训练目标
/
数据之间的共同特征，使之有效区分数据分布之间的相似和非相似成分，广泛应用于海量数据的无监督分类任务中
。
此外，由于深度对比学习框架使用孪生或者并行网络等框架体系学习不同实例之间的相似特征，因此深度对比学习在特征学习增强中也发挥着重要作用，广泛应用于一些相似特征学习或者关键特征
的提取中
。
[0014]参考图1，本专利技术实施例的一种基于深度对比学习的节点受攻击复杂网络自重建方法，包括：步骤
S110、
构建深度对比学习神经网络框架，所述深度对比学习神经网络框架包括局部区域感知特征编码模块，用于获取输入数据的局部区域感知特征表征矩阵；高维关联特征投影解码模块，用于基于所述局部区域感知特征表征矩阵获取自重建网络的邻接矩阵；全局功能特征提取模块，用于计算损失函数并输出自重建网络；所述输入数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度对比学习的节点受攻击复杂网络自重建方法，其特征在于，包括：构建深度对比学习神经网络框架，所述深度对比学习神经网络框架包括局部区域感知特征编码模块，用于获取输入数据的局部区域感知特征表征矩阵；高维关联特征投影解码模块，用于基于所述局部区域感知特征表征矩阵获取自重建网络的邻接矩阵；全局功能特征提取模块，用于计算损失函数并输出自重建网络；所述输入数据是未受节点攻击网络和受节点攻击网络构成的训练数据对，所述损失函数包括局部
‑
局部对比损失函数
、
局部
‑
全局对比损失函数和全局
‑
全局对比损失函数；获取由未受节点攻击网络和受节点攻击网络组成的训练数据对，并利用所述训练数据对训练所述深度对比学习神经网络框架至所述损失函数收敛
。2.
根据权利要求1所述的方法，其特征在于，损失函数记为
L
，其计算公式如下：，其计算公式如下：，其计算公式如下：，其计算公式如下：其中，为超参数，为损失函数中的稀疏约束，
、
依次为未受节点攻击网络的局部区域感知特征表征矩阵和高维关联特征矩阵，
、
依次为受节点攻击网络的局部区域感知特征表征矩阵和高维关联特征矩阵，和依次为未受节点攻击网络和自重建网络二者的局部区域感知特征表征矩阵的
KL
散度以及高维关联特征矩阵的
KL
散度，
z
i
为高维关联特征矩阵
Z
的第
i
行向量，表示第
i
个网络节点的关联高维特征，为自重建网络的网络节点数目，为自重建网络中第
i
...

【专利技术属性】
技术研发人员：高庆，张可昕，吕金虎，王薇，王滨，李超豪，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：