【技术实现步骤摘要】
本专利技术涉及深度学习和网络解析领域，尤其涉及一种基于图对比学习和多跳聚合的复杂网络拆解方法。
技术介绍
1、在物理世界中，系统可以由节点集和边缘集表示为复杂网络。少数节点的损坏和故障可能导致一个复杂的网络变得不稳定或崩溃。例如，由于单个服务器故障，互联网运营商可能会无法提供互联网服务。网络拆解(network dismantling,nd)是指寻找关键节点，对其进行有针对性的攻击，从而瓦解网络。学者们通过研究网络动力学和特征，发现了级联失效效应和网络渗流。上述研究表明，破坏一个节点可能会导致其邻居失效，进而破坏网络的全局拓扑结构。这些研究引发了对识别攻击关键节点的研究。
2、针对网络拆解问题，学者们提出了许多启发式算法。大多数学者根据节点对网络拓扑稳定性的影响来衡量和评估节点，并选择排名最高的节点加入目标攻击节点集(tas)，直到达到巨大连通组件(gcc)阈值。尽管度中心性和中介中心性等基于中心性的方法从多个方面对节点重要性进行评估，但在处理大规模网络时面临较高的计算复杂性。此外，它们容易受到局部结构的干扰，例如，一个节点的重要性可能被其相邻节点的数量所支配，而忽略了该节点的全局重要性。
3、随着图表示学习技术的发展，深度神经网络已被广泛应用于学习节点表示，按重要性对节点进行排序以及网络拆解。研究表明，这些面向nd的神经网络模型利用神经网络强大的表示能力，可以高精度、低复杂度地学习图结构。这些算法通常包括两个关键阶段，即图表示学习和节点评分。在图表示学习阶段，现有方法利用图卷积网络(gcn)和图注意力网
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术公开了基于图对比学习和多跳聚合的复杂网络拆解方法。所述方法能够对复杂网络进行拆解，相比现有方法，本方法使用图内对比学习和交叉对比学习来提高图表示性能，提出了多跳聚合机制通过结合多跳邻居信息来预测节点的重要性，实现高性能的网络拆解。
2、本专利技术的目的是通过如下技术方案实现的，基于图对比学习和多跳聚合的复杂网络拆解方法，所述方法包括：
3、步骤1，收集复杂交通网络的邻居节点数、连接边和平均聚类系数，构建网络拆解模型，模型包括角色图生成模块、多视图表示学习模块和节点重要性评分模块；
4、步骤2，将原始图输入角色图生成模块，得到角色图；
5、步骤3，将原始图和角色图输入多视图表示学习模块，得到角色图和原始图的多角度图表示；
6、步骤4，将角色图和原始图的多角度图表示输入节点重要性评分模块，得到每个节点的重要性评分；
7、步骤5，计算并优化联合损失函数，训练网络拆解模型；
8、步骤6，利用训练完成的网络拆解模型，对交通网络进行网络拆解，得到交通网络中交通节点的重要性数值，并对重要性高的交通节点设置更强的安防措施，对重要性低的节点应设置更弱的安防措施。
9、所述的把原始图输入角色图生成模块，得到角色图，包括以下步骤：
10、步骤201，计算混淆隶属概率矩阵；使用roix算法将节点划分为不同的角色，并建立角色图；是原始图的节点特征矩阵，n是节点数，f是节点特征维度，x的第i行表示第i个节点vi的特征向量，使用非负矩阵分解(nmf)计算和f，使表达式为：
11、
12、其中，‖·‖fro为弗罗贝尼乌斯范数，是原始图的节点特征矩阵，是混淆隶属概率矩阵，描述了每个节点对预定义角色的混合隶属概率，d是混合隶属概率维度，表示每个角色与区域结构特征的相关性；
13、步骤202，根据混淆隶属概率矩阵连接节点，得到角色图；基于roix算法输出的混淆隶属概率矩阵构造角色图来捕捉角色对网络拓扑稳定性的影响，将具有相似区域拓扑特征的节点连接起来，生成角色图节点对(vi,vj)的相似度计算表达式为：
14、
15、其中，αi,j表示节点对(vi,vj)的相似度，vi表示第i个节点，vj表示第j个节点，<·,·>表示向量的点积，∥·∥为欧几里得范数，表示第i个节点的混淆隶属概率，是的第i行，表示第j个节点的混淆隶属概率，是的第j行，对于每个节点，选择角色相似的前n节点来连接它们，n是超参数。
16、所述的把原始图和角色图输入多视图表示学习模块，得到角色图和原始图的多角度图表示，包括以下步骤：
17、步骤301，使用图卷积网络对原始图和角色图进行编码，表达式为：
18、z＝gcn(x)
19、
20、其中，gcn表示图卷积网络，是原始图的节点特征矩阵，是混淆隶属概率矩阵，表示原始图的图卷积编码特征，表示角色图的图卷积编码特征，n是节点数，l是图卷积输出层维度；
21、步骤302，使用图同构网络对原始图和角色图进行编码，表达式为：
22、h＝gin(x)
23、
24、其中，gin表示图同构网络，是原始图的节点特征矩阵，是混淆隶属概率矩阵，表示原始图的图同构编码特征，表示角色图的图同构编码特征，n是节点数，l是图同构输出层维度；
25、步骤303，对原始图和角色图的图卷积编码特征和图同构编码特征进行融合，得到原始图和角色图的融合编码特征，表达式为：
26、r＝β1z+(1―β1)h
27、
28、其中，表示原始图的图卷积编码特征，表示角色图的图卷积编码特征，表示原始图的图同构编码特征，表示角色图的图同构编码特征，表示原始图的融合编码特征，表示角色图的融合编码特征，β1,β2∈[0,1]为超参数，和是原始图的多角度图表示，和是角色图的多角度图表示。
29、所述的把角色图和原始图的多角度图表示输入节点重要性评分模块，得到每个节点的重要性评分，包括以下步骤：
30、步骤401，计算原始图上的多跳聚合分数；vi表示第i个节点，对vi计算原始图上的多跳聚合分数的表达式为：
31、
32、其中，表示vi的原始图上的多跳聚合分数，为vi的归一化的度，dmax为输入网络中最大的度，<·,·>表示两个向量做点积，表示原始图中vi的特征向量，ri是所述的原始图的融合编码特征r的第i行元素，表示原始图中vj的特征向量，rj是所述的原始图的融合编码特征r的第j行元素，表示原始图中vk的特征向量，rk是所述的原始图的融合编码本文档来自技高网...
【技术保护点】
1.基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的把原始图输入角色图生成模块，得到角色图，包括以下步骤：
3.根据权利要求2所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的把原始图和角色图输入多视图表示学习模块，得到角色图和原始图的多角度图表示，包括以下步骤：
4.根据权利要求3所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的把角色图和原始图的多角度图表示输入节点重要性评分模块，得到每个节点的重要性评分，包括以下步骤：
5.根据权利要求4所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的计算并优化联合损失函数，训练网络拆解模型，包括以下步骤：
6.根据权利要求5所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的利用训练完成的网络拆解模型，进行网络拆解，包括以下步骤：
【技术特征摘要】
1.基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的把原始图输入角色图生成模块，得到角色图，包括以下步骤：
3.根据权利要求2所述的基于图对比学习和多跳聚合的复杂网络拆解方法，其特征在于，所述的把原始图和角色图输入多视图表示学习模块，得到角色图和原始图的多角度图表示，包括以下步骤：
4.根据权利要求3所述的基于图对...
【专利技术属性】
技术研发人员：曾维新，赵翔，马思琦，黄宏斌，吴继冰，刘丽华，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。