CN110224862B - 基于多层感知器的多智能体系统网络容侵能力评估方法 - Google Patents
基于多层感知器的多智能体系统网络容侵能力评估方法 Download PDFInfo
- Publication number
- CN110224862B CN110224862B CN201910419060.XA CN201910419060A CN110224862B CN 110224862 B CN110224862 B CN 110224862B CN 201910419060 A CN201910419060 A CN 201910419060A CN 110224862 B CN110224862 B CN 110224862B
- Authority
- CN
- China
- Prior art keywords
- matrix
- characteristic
- multilayer perceptron
- network
- agent system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多层感知器的多智能体系统网络容侵能力评估方法。传统方法因网络节点多、算法复杂度高而无法有效评估。本发明方法首先针对多智能体系统网络集合,按节点数量进行矩阵频谱聚类,得到邻接矩阵的特征向量在不同聚类的分布数,构建特征向量集合;然后构建多层感知器模型,将相同节点数量的数据集提取的特征交给多层感知器模型进行特征学习,获得权值矩阵和偏倚向量;最后对同一数据集邻接矩阵预处理后得到的特征进行多层感知器模型预测,得到最终分类结果。本发明从多智能体系统网络拓扑对应的邻接矩阵中获取的特征值,可使得矩阵特征更为简单化,更加有利于感知机进行学习,且学习出来的人工神经网络的精度和查准率更好。
Description
技术领域
本发明属于多智能体系统技术领域,特别涉及一种基于多层感知器的多智能体系统网容侵能力评估方法。
背景技术
随着机器人技术、计算机、传感和通讯技术发展,多智能体系统(multi-agentsystems)引起了全世界范围的重点关注,并对社会生产和人们生活起到巨大的影响。国内外专家学者从各个方面对多智能体系统基础理论和关键技术进行了深入研究,取得了一大批重要成果。多智能体系统网络的拓扑结构特征、系统容侵能力、安全水平和生存能力以及相应的预防控制措施在理论和工程两方面均具有重要意义。因此,有必要分析多智能体系统运行过程中的网络安全隐患,并从通信网络拓扑的角度评估网络安全对多智能体系统控制性能的影响。
借助先进技术测量评估多智能体系统通信网络拓扑结构容侵能力是为系统总体网络安全性能测试及规划预防网络攻击措施的有效方法。北俄亥俄大学的HeathJ.LeBlanc教授在文献《Resilient Asymptotic Consensus in Robust Networks》中提出一种所谓的(r,s)健壮性概念。此属性基于数学图论知识提出,相较于传统图论中常用到的连通度和最小度等属性,(r,s)健壮性对于表达多智能体系统网络拓扑的容侵能力,具有更好的针对性和有效性。然而,Heath J.LeBlanc教授在随后的文献《Algorithms forDetermining Network Robustness》指出,精确求取(r,s)健壮性中r和s这两个数值本质上是一个NP难问题。因此,针对节点数目庞大,通信链路关系复杂的大型分布式多智能体系统网络,对于反映其网络容侵能力的(r,s)健壮性数值的精确评估,尚无使用传统手段之先例。
发明内容
本发明的目的就是针对传统方法因网络节点多、算法复杂度高而无法有效评估的问题,提供一种新颖的基于多层感知器的多智能体系统网络容侵能力评估方法,应用于在海量节点数目组成的网络中对其网络拓扑图中(r,s)健壮性属性具体数值的评估,进而推断其网络的容侵能力。
为实现上述目的,本发明方法包括以下步骤:
步骤(1).针对N个多智能体系统网络集合G={G1,G2,…,GN},以其邻接矩阵集合A={A1,A2,…,AN}中各个元素的入度分布统计量作为基本特征,并根据邻接矩阵特征向量的频谱空间,按节点数量进行矩阵频谱聚类,得到邻接矩阵的特征向量在K个不同聚类的分布数,记作countj,j=1,2,…,K,参数K取对应数据集节点的数量;所述的入度分布统计量包括均值、极值、众数、中位数。
构建特征向量集合F={f1,f2,…,fN},其中fi表示在对应多智能体系统网络Gi手工提取的特征,i=1,2,...,N;具体为fi=[均值,极值,众数,中位数,countj]。
步骤(2).构建多层感知器(MLP)模型,将相同节点数量的数据集提取的特征交给多层感知器模型进行特征学习,学习结束后获得权值矩阵Θ和偏倚向量b。
步骤(3).对同一数据集邻接矩阵预处理后得到的特征进行多层感知器模型预测,得到最终分类结果。
进一步,步骤(1)中所述的矩阵频谱聚类的方法包括以下步骤:
(1.1).将有向图的邻接矩阵进行对称化处理,构建相似矩阵W=A+AT,构建度矩阵集合D={D1,D2,…,DN},其中Di表示相应邻接矩阵Ai的度矩阵,i=1,2,…,N,上标T表示转置;
(1.2).计算拉普拉斯矩阵L=D-W,并将其标准化为D-1/2LD-1/2;
(1.3).对矩阵D-1/2LD-1/2计算特增值,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2,…,uk;
(1.4).使用k-means算法对相同节点数量的数据集的不同邻接矩阵的特征向量进行聚类。k-means算法为本领域常规算法,由James MacQueen于1967年提出。
进一步,步骤(2)中所述的构建多层感知器模型的方法包括以下步骤:
(2.1).构建输入层、M个隐藏层和输出层,总体设置成全连接层;
(2.2).将不同的邻接矩阵的特征向量集合F={f1,f2,…,fN}进行归一化处理后输入输入层;
(2.3).将上述归一化处理后的特征向量集合F代入由M个隐藏层构建的网络处理函数f(F)=σ(ΘM…σ(Θ2σ(Θ1F+b1)+b2)…bM)中,其中Θ为权值矩阵,b为偏倚向量,σ为激活函数ReLu。设置前M1隐藏层为共享参数,后M2隐藏层为独立参数,M=M1+M2,函数计算结果作为下一步健壮性参数r和s各自分类器的输入;
(2.4).分别将r和s分类器输入用softmax(归一化指数)函数作归一化处理,计算交叉熵损失函数,求得实际输出值与真实网络(r,s)健壮性的差值,随后应用adam优化算法更新权重。
(2.5).当且仅当输出结果的误差满足设定要求或者迭代次数达到上限时,计算结束。
多层感知器(MLP)模型是一种前馈人工神经网络模型,原理上通过样本数据迭代训练确定模型内部的参数权重,通常应用于统计分析学,模式识别,光学符号识别等领域。
本发明从多智能体系统网络拓扑对应的邻接矩阵中获取的特征值,可使得矩阵特征更为简单化,从而更加有利于感知机进行学习。本发明中涉及的谱聚类算法最初用于计算机视觉、VLSI设计等领域,近些年才开始逐渐用于机器学习中。但由于其在应用过程中表现出色,迅速成为国内外机器学习领域的研究热点。在本发明中,谱聚类丰富了基于入度分布的邻接矩阵特征。另外,本发明采用频谱空间特征向量之间的距离来衡量两个节点之间的相似度,即特征向量之间的距离越大意味着相似度越低。本发明将基于多层感知器(MLP)的机器学习模型应用于多智能体系统网络拓扑(r,s)健壮性评估,同时采用了谱聚类提取邻接矩阵特征值,使得学习出来的人工神经网络的精度和查准率更好。本发明方法填补了大型分布式多智能体系统网络分析和容侵能力研判的空白。
附图说明
图1是本发明方法的流程图;
图2是本发明中的的多层感知器(MLP)模型示意图。
具体实施方式
以下结合说明书附图,对本发明方法做进一步的说明。
如图1所示,基于多层感知器的多智能体系统网络容侵能力评估方法,具体步骤是:
步骤(1).针对N个多智能体系统网络集合G={G1,G2,…,GN},以其邻接矩阵集合A={A1,A2,…,AN}中各个元素的入度分布统计量(即均值、极值、众数、中位数)作为基本特征,并根据邻接矩阵特征向量的频谱空间,按节点数量进行矩阵频谱聚类,得到邻接矩阵的特征向量在K个不同聚类的分布数,记作countj,j=1,2,…,K,参数K取对应数据集节点的数量;构建特征向量集合F={f1,f2,…,fN},其中fi表示在对应多智能体系统网络Gi手工提取的特征,i=1,2,...,N;具体为fi=[均值,极值,众数,中位数,countj]。其中,矩阵频谱聚类的具体方法是:
(1.1).将有向图的邻接矩阵进行对称化处理,构建相似矩阵W=A+AT,构建度矩阵集合D={D1,D2,…,DN},其中Di表示相应邻接矩阵Ai的度矩阵,i=1,2,…,N,上标T表示转置。
(1.2).计算拉普拉斯矩阵L=D-W,并将其标准化为D-1/2LD-1/2。
(1.3).对矩阵D-1/2LD-1/2计算特增值,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2,…,uk。
(1.4).使用k-means算法对相同节点数量的数据集的不同邻接矩阵的特征向量进行聚类。
步骤(2).构建多层感知器(MLP)模型,将相同节点数量的数据集提取的特征交给多层感知器模型进行特征学习,学习结束后获得权值矩阵Θ和偏倚向量b。构建多层感知器模型的具体方法是:
(2.1).构建输入层、M个隐藏层和输出层,总体设置成全连接层。
(2.2).将不同的邻接矩阵的特征向量集合F={f1,f2,…,fN}进行归一化处理后输入输入层。
(2.3).将上述归一化处理后的特征向量集合F代入由M个隐藏层构建的网络处理函数f(F)=σ(ΘM…σ(Θ2σ(Θ1F+b1)+b2)…bM)中,其中Θ为权值矩阵,b为偏倚向量,σ为激活函数ReLu。设置前M1隐藏层为共享参数,后M2隐藏层为独立参数,M=M1+M2,函数计算结果作为下一步健壮性参数r和s各自分类器的输入。
(2.4).分别将r和s分类器输入用softmax(归一化指数)函数作归一化处理,计算交叉熵损失函数,求得实际输出值与真实网络(r,s)健壮性的差值,随后应用adam优化算法更新权重。
本实施例中设置的初始学习率为0.001,Dropout率为0.2,Minibatch为1024,训练迭代次数为150epoch。
(2.5).当且仅当输出结果的误差满足设定要求或者迭代次数达到上限时,计算结束。
步骤(3).对同一数据集邻接矩阵预处理后得到的特征进行多层感知器模型预测,得到最终分类结果。
本发明的具体实施方式中凡未涉到的说明属于本领域的公知技术,可参考公知技术加以实施。
以上具体实施方式是对本发明提出的一种基于多层感知器的多智能体系统网络容侵能力评估方法技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本发明技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (1)
1.基于多层感知器的多智能体系统网络容侵能力评估方法,其特征在于该方法步骤是:
步骤(1).针对N个多智能体系统网络集合G={G1,G2,…,GN},以其邻接矩阵集合A={A1,A2,…,AN}中各个元素的入度分布统计量作为基本特征,并根据邻接矩阵特征向量的频谱空间,按节点数量进行矩阵频谱聚类,得到邻接矩阵的特征向量在K个不同聚类的分布数,记作countj,j=1,2,…,K,参数K取对应数据集节点的数量;所述的入度分布统计量包括均值、极值、众数、中位数;
构建特征向量集合F={f1,f2,…,fN},其中fi表示在对应多智能体系统网络Gi手工提取的特征,i=1,2,...,N;具体为fi=[均值,极值,众数,中位数,countj];
矩阵频谱聚类的方法包括以下步骤:
(1.1).将有向图的邻接矩阵进行对称化处理,构建相似矩阵W=A+AT,构建度矩阵集合D={D1,D2,…,DN},其中Di表示相应邻接矩阵Ai的度矩阵,i=1,2,…,N,上标T表示转置;
(1.2).计算拉普拉斯矩阵L=D-W,并将其标准化为D-1/2LD-1/2;
(1.3).对矩阵D-1/2LD-1/2计算特征值 ,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2,…,uk;
(1.4).通过k-means算法对相同节点数量数据集的不同邻接矩阵的特征向量进行聚类;
步骤(2).构建多层感知器模型,将相同节点数量的数据集提取的特征交给多层感知器模型进行特征学习,学习结束后获得权值矩阵Θ和偏倚向量b;
构建多层感知器模型的方法包括以下步骤:
(2.1).构建输入层、M个隐藏层和输出层,总体设置成全连接层;
(2.2).将不同的邻接矩阵的特征向量集合F={f1,f2,…,fN}进行归一化处理后输入输入层;
(2.3).将上述归一化处理后的特征向量集合F代入由M个隐藏层构建的网络处理函数f(F)=σ(ΘM…σ(Θ2σ(Θ1F+b1)+b2)…bM)中,其中Θ为权值矩阵,b为偏倚向量,σ为激活函数ReLu;设置前M1隐藏层为共享参数,后M2隐藏层为独立参数,M=M1+M2,函数计算结果作为下一步健壮性参数r和s各自分类器的输入;
(2.4).分别将r和s分类器输入用归一化指数函数作归一化处理,计算交叉熵损失函数,求得实际输出值与真实网络(r,s)健壮性的差值,随后应用adam优化算法更新权重;
(2.5).当且仅当输出结果的误差满足设定要求或者迭代次数达到上限时,计算结束;
步骤(3).对同一数据集邻接矩阵预处理后得到的特征进行多层感知器模型预测,得到最终分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419060.XA CN110224862B (zh) | 2019-05-20 | 2019-05-20 | 基于多层感知器的多智能体系统网络容侵能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419060.XA CN110224862B (zh) | 2019-05-20 | 2019-05-20 | 基于多层感知器的多智能体系统网络容侵能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110224862A CN110224862A (zh) | 2019-09-10 |
CN110224862B true CN110224862B (zh) | 2021-12-21 |
Family
ID=67821654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419060.XA Active CN110224862B (zh) | 2019-05-20 | 2019-05-20 | 基于多层感知器的多智能体系统网络容侵能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110224862B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866913A (zh) * | 2019-11-21 | 2020-03-06 | 桂林电子科技大学 | 一种深度递归心血管图像显示方法 |
CN111240199B (zh) * | 2020-01-15 | 2022-03-01 | 中国科学技术大学 | 马尔科夫切换拓扑条件下的二分同步性控制方法及系统 |
CN111488711A (zh) * | 2020-04-08 | 2020-08-04 | 暨南大学 | 一种网络鲁棒性评估方法及系统 |
CN113973403B (zh) * | 2021-11-10 | 2024-02-23 | 东南大学 | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 |
CN114594689B (zh) * | 2022-03-15 | 2022-09-27 | 北京理工大学 | 大规模集群系统的分布式递归编组及自主聚合控制方法 |
CN116090872A (zh) * | 2022-12-07 | 2023-05-09 | 湖北华中电力科技开发有限责任公司 | 一种配电台区健康状态评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101495953B (zh) * | 2005-01-28 | 2012-07-11 | 美国联合包裹服务公司 | 注册和维护地区中每一个服务点的地址数据的系统和方法 |
CN105550191A (zh) * | 2015-07-10 | 2016-05-04 | 成都信息工程大学 | 一种多层网络节点重要性排序的方法 |
US10217028B1 (en) * | 2017-08-22 | 2019-02-26 | Northrop Grumman Systems Corporation | System and method for distributive training and weight distribution in a neural network |
CN107808518B (zh) * | 2017-10-26 | 2020-02-18 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
CN109326316B (zh) * | 2018-09-18 | 2020-10-09 | 哈尔滨工业大学(深圳) | 一种癌症相关SNP、基因、miRNA和蛋白质相互作用的多层网络模型构建方法和应用 |
-
2019
- 2019-05-20 CN CN201910419060.XA patent/CN110224862B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110224862A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110224862B (zh) | 基于多层感知器的多智能体系统网络容侵能力评估方法 | |
Xia et al. | Research on parallel adaptive canopy-k-means clustering algorithm for big data mining based on cloud platform | |
CN108549866B (zh) | 基于密集卷积神经网络的遥感飞机识别方法 | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN115270986A (zh) | 数据异常检测方法、装置和计算机设备 | |
Xu et al. | Oversmoothing relief graph convolutional network-based fault diagnosis method with application to the rectifier of high-speed trains | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN112966773B (zh) | 一种无人机飞行工况模式识别方法及系统 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
CN117407781B (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
CN108170648B (zh) | 一种基于已知数据回归的非高斯过程监测方法 | |
CN111610514B (zh) | 一种蒸发波导传播特性的反演方法及装置 | |
CN116704257A (zh) | 基于神经网络的多传感器数据融合火灾探测方法 | |
CN113435780B (zh) | 一种基于神经网络的应急通信感知装备体系效能评估方法 | |
CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
CN106503456A (zh) | 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN115859344A (zh) | 基于秘密共享的联邦无人机群数据安全共享方法 | |
Chu et al. | Control chart patterns recognition based on optimized deep belief neural network and data information enhancement | |
CN109656202B (zh) | 基于局部和结构一致性流形gmm的多模态过程监测方法 | |
Tseng et al. | A rational graph filter method for GFT centrality computation | |
CN112488146A (zh) | 基于深度学习的飞机危险识别与趋势预测方法 | |
Ji et al. | A kind of K—Nearest neighbor fault diagnosis method based on MIV data transformation | |
CN111680576A (zh) | 一种基于自适应元胞算法的lulc预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |