CN110289987A - 基于表征学习的多智能体系统网络抗攻击能力评估方法 - Google Patents

Abstract

本发明公开了基于表征学习的多智能体系统网络抗攻击能力评估方法。本发明方法采用多智能体系统网络抗攻击能力评估模型，利用机器学习中基于表征学习的卷积神经网络模型方法来对多智能体系统网络抗攻击能力进行评估。首先通过数学图论知识对多智能体系统网络进行数学描述，选取网络拓扑(r,s)鲁棒性作为评估网络抗攻击能力的主要依据，然后构建基于表征学习的卷积神经网络模型对样本网络集合进行训练，对具备相同节点规模的多智能体系统网络进行预测求取相应的(r,s)鲁棒性数值，通过求得的网络拓扑(r,s)鲁棒性参数对数值来评估系统网络的抗攻击能力。本发明方法不需要人工提提取样本特征，极大提高了处理效率，更符合实际应用，整个评估方法能够达到很高的精度。

Description

基于表征学习的多智能体系统网络抗攻击能力评估方法

技术领域

本发明属于多智能体系统技术领域，特别涉及一种基于表征学习的多智能体系统网络抗攻击能力评估方法。

背景技术

多智能体系统是由一组具有感知、通信、计算和执行能力的智能体个体组成的大规模网络系统。多智能体系统的思想最早来源于自然界中的动物现象，如鸟群、蜂群、鱼群等。此类系统可通过相邻智能体间的协作解决各类复杂问题，因而具有灵活性、可靠性、并行性等优势，在传感网、社交网、协同控制等诸多领域有着广泛的实际应用背景。

然而近些年来，随着网络安全风险日益突出，网络设计者在构建多智能体系统网络过程中对其系统抗攻击能力的表现也越来越重视。网络拓扑(r,s)鲁棒性是一种目前衡量多智能体系统网络抗攻击能力的有效指标，由美国北俄亥俄大学的LeBlanc教授在2013年发表的论文《Resilient Asymptotic Consensus in Robust Networks》中首次提出。

然而现有的对网络(r,s)鲁棒性评估方法如穷举、图构建、线性规划等，对其参数对(r,s)两个数值的评估，都是通过穷举和遍历算法来求解的，这类方法最大的缺点是需要获取网络通信拓扑全局信息。然而已有文献证明，针对大型分布式网络，对(r,s)参数对的求解是一个NP难问题。因而上述传统方法仅适用于节点数目较少、网络拓扑结构简单、规则的小型多智能体系统，而对于节点数目众多的大规模多智能体系统网络无法适用。

随着近些年机器学习技术的飞速发展，机器学习技术中的一类传统神经网络模型可通过模糊求解的方式，为求取大型分布式多智能体系统网络(r,s)鲁棒性提供了一种可行性。基于传统神经网络模型的方法本质上是通过模糊求解的方式，巧妙避开了精确求解时需克服的NP难问题。然而传统神经网络模型方法中需要人工查找样本特征，这不仅需要花费大量的人力，同时也需要消耗大量的计算时间，使得传统方法的应用效率不高。

发明内容

本发明的目的是为克服机器学习中传统神经网络模型方法在网络(r,s)鲁棒性评估时需要人工提取特征的缺点，并进一步能够直接从原始数据中学习样本特征，提供了一种信息全面、运行高效的基于表征学习的卷积神经网络(CNN)模型的多智能体系统网络抗攻击能力评估方法。

本发明方法采用多智能体系统网络抗攻击能力评估模型，利用机器学习中基于表征学习的卷积神经网络(CNN)模型方法来对多智能体系统网络抗攻击能力进行评估。首先通过数学图论知识对多智能体系统网络进行数学描述，接着选取网络拓扑(r,s)鲁棒性作为评估网络抗攻击能力的主要依据，然后构建基于表征学习的卷积神经网络模型对样本网络集合进行训练，接着对具备相同节点规模的多智能体系统网络进行预测求取相应的(r,s)鲁棒性数值，最后通过求得的网络拓扑(r,s)鲁棒性参数对数值来评估系统网络的抗攻击能力。

本发明方法具体包括以下步骤：

步骤(1).将包含N个多智能体系统网络集合G＝{G₁,G₂,…,G_N}相对应的邻接矩阵集合A＝{A₁,A₂,…,A_N}中矩阵元素进行重排序，具体方法是：计算邻接矩阵A_i,i＝1,2,...,N中所有节点的入度数总和，随后按照降序排列，如遇到两个矩阵的总入度值相同，则按照遍历的先后顺序进行排列，重排后邻接矩阵集合记为A′＝{A₁′,A′₂,…,A_N′}，并转换为相应的灰度图进行展示。

步骤(2).构建基于表征学习的卷积神经网络(CNN)模型，学习结束后获得权值矩阵W和偏倚向量b。

构建基于表征学习的卷积神经网络模型的具体方法是：

(2-1).构建M个卷积层、L个隐藏层和输出层；

(2-2).将重排后的邻接矩阵A_i′输入卷积层，卷积层操作方式为x＝σ(K·A′_{[i:i+h-1:i+h-1]}+b)，h∈Z⁺，Z⁺表示正整数；其中，K为卷积核，是一个由实数组成的h维方阵；K∈R^h×h，R表示实数；b是一个h维的偏倚向量；σ为激活函数ReLu，卷积操作后获得一维向量x；

(2-3).将一维向量x输入全连接隐藏层，包含L个隐藏层的网络数学表达式为：

f(x)＝σ(W^L…σ(W²σ(W¹x+b¹)+b²)…b^L)；

将前L₁个隐藏层为共享参数，后L₂隐藏层为独立参数，L＝L₁+L₂，计算结果输出给鲁棒性参数r和s各自的分类器；

(2-4).选取损失函数为归一化指数(softmax)交叉熵，计算实际输出值与真实的网络鲁棒性(r,s)参数对的差值，随后应用adam优化算法更新权重；

(2-5).当输出结果的误差值满足初始设定要求，或者迭代次数达到初始设定上限次数时候，处理过程结束。

步骤(3).对具有相同数据集邻接矩阵的多智能体系统网络进行卷积神经网络(CNN)模型预测，得出最终分类结果。

本发明的有益效果主要表现在：首先选取了更适合评估网络抗攻击能力的属性，即(r,s)鲁棒性作为本发明评估的核心参数；其次，采用了机器学习中通过模糊求解的方式，巧妙避开了精确求解(r,s)参数对时需克服的NP难问题；接着，构建基于表征学习的卷积神经网络模型对多智能体系统样本网络进行训练，相较于传统的神经网络模型，本方法通过表征学习和数据训练学习样本特征，不再需要人工提提取样本特征，极大提高了处理效率，更符合实际应用；最后，由于采取了机器学习中具备强大的图像分类和识别性能的卷积神经网络模型进行样本学习，故整个评估方法能够达到很高的精度。

附图说明

图1是本发明的流程图；

图2是本发明的模型结构示意图。

具体实施方法

下面结合附图对本发明作进一步描述。

参照图1、2，一种基于表征学习的多智能体系统网络抗攻击能力评估方法，包括如下步骤：

步骤(1).将包含N个多智能体系统网络集合G＝{G₁,G₂,…,G_N}相对应的邻接矩阵集合A＝{A₁,A₂,…,A_N}中矩阵元素进行重排序，具体方法是：计算邻接矩阵A_i,i＝1,2,...,N中所有节点的入度数总和，随后按照降序排列，如遇到两个矩阵的总入度值相同，则按照遍历的先后顺序进行排列，重排后邻接矩阵集合记为A′＝{A₁′,A′₂,…,A_N′}，并转换为相应的灰度图进行展示。

步骤(2).构建基于表征学习的卷积神经网络(CNN)模型，学习结束后获得权值矩阵W和偏倚向量b。

构建基于表征学习的卷积神经网络模型的具体方法是：

(2-1).构建M个卷积层、L个隐藏层和输出层；

(2-2).将重排后的邻接矩阵A_i′输入卷积层，卷积层操作方式为x＝σ(K·A′_{[i:i+h-1:i+h-1]}+b)，h∈Z⁺，Z⁺表示正整数；其中，K为卷积核，是一个由实数组成的h维方阵；K∈R^h×h，R表示实数；b是一个h维的偏倚向量；σ为激活函数ReLu，卷积操作后获得一维向量x；

(2-3).将一维向量x输入全连接隐藏层，包含L个隐藏层的网络数学表达式为：

f(x)＝σ(W^L…σ(W²σ(W¹x+b¹)+b²)…b^L)；

将前L₁个隐藏层为共享参数，后L₂隐藏层为独立参数，L＝L₁+L₂，计算结果输出给鲁棒性参数r和s各自的分类器；

(2-4).选取损失函数为归一化指数(softmax)交叉熵，计算实际输出值与真实的网络鲁棒性(r,s)参数对的差值，随后应用adam优化算法更新权重；

本实施例在处理过程中设置初始学习率为0.002，Dropout率为0.15，Minibatch值设置为1024，训练迭代次数为200次；

(2-5).当输出结果的误差值满足初始设定要求，或者迭代次数达到初始设定上限200次时候，处理过程结束。

步骤(3).对具有相同数据集邻接矩阵的多智能体系统网络进行卷积神经网络(CNN)模型预测，得出最终分类结果。

Claims (2)

1.基于表征学习的多智能体系统网络抗攻击能力评估方法，其特征在于该方法步骤是：

步骤(1).将包含N个多智能体系统网络集合G＝{G₁,G₂,…,G_N}相对应的邻接矩阵集合A＝{A₁,A₂,…,A_N}中矩阵元素进行重排序，具体方法是：计算邻接矩阵A_i,i＝1,2,...,N中所有节点的入度数总和，随后按照降序排列，如遇到两个矩阵的总入度值相同，则按照遍历的先后顺序进行排列，重排后邻接矩阵集合记为A′＝{A₁′,A′₂,…,A_N′}，并转换为相应的灰度图进行展示；

步骤(2).构建基于表征学习的卷积神经网络模型，学习结束后获得权值矩阵W和偏倚向量b；

步骤(3).对具有相同数据集邻接矩阵的多智能体系统网络进行卷积神经网络(CNN)模型预测，得出最终分类结果。

2.如权利了要求1所述的基于表征学习的多智能体系统网络抗攻击能力评估方法，其特征在于步骤(2)中构建基于表征学习的卷积神经网络模型的具体方法是：

(2-1).构建M个卷积层、L个隐藏层和输出层；

(2-2).将重排后的邻接矩阵A_i′输入卷积层，卷积层操作方式为x＝σ(K·A′_{[i:i+h-1:i+h-1]}+b)，h∈Z⁺，Z⁺表示正整数；其中，K为卷积核，是一个由实数组成的h维方阵；K∈R^h×h，R表示实数；b是一个h维的偏倚向量；σ为激活函数ReLu，卷积操作后获得一维向量x；

(2-3).将一维向量x输入全连接隐藏层，包含L个隐藏层的网络数学表达式为：

f(x)＝σ(W^L…σ(W²σ(W¹x+b¹)+b²)…b^L)；

将前L₁个隐藏层为共享参数，后L₂隐藏层为独立参数，L＝L₁+L₂，计算结果输出给鲁棒性参数r和s各自的分类器；

(2-4).选取损失函数为归一化指数交叉熵，计算实际输出值与真实的网络鲁棒性(r,s)参数对的差值，随后应用adam优化算法更新权重；

(2-5).当输出结果的误差值满足初始设定要求，或者迭代次数达到初始设定上限次数时候，处理过程结束。