CN115801549A - 基于关键节点识别的自适应网络恢复方法、装置及设备 - Google Patents
基于关键节点识别的自适应网络恢复方法、装置及设备 Download PDFInfo
- Publication number
- CN115801549A CN115801549A CN202310042706.3A CN202310042706A CN115801549A CN 115801549 A CN115801549 A CN 115801549A CN 202310042706 A CN202310042706 A CN 202310042706A CN 115801549 A CN115801549 A CN 115801549A
- Authority
- CN
- China
- Prior art keywords
- network
- failure
- node
- graph neural
- nodes
- 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.)
- Granted
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于关键节点识别的自适应网络恢复方法、装置及设备。所述方法包括:通过利用图神经网络对失效网络中的各节点与邻居节点特征进行聚合得到失效网络中的多个关键的失效节点,并根据向量大小对失效节点的恢复顺序进行排列后得到失效节点恢复策略,其中,图神经网络能完美地将节点属性信息和网络拓扑信息进行融合嵌入,并且在本方法中还采用了深度强化学习模型对图神经网络进行训练,使其达到可精准识别关键点,并确保每次恢复节点对网络所产生的正效应最大。采用本方法大大降低时间和空间复杂度,故其能更快地对大规模网络进行恢复。
Description
技术领域
本申请涉及网络恢复技术领域,特别是涉及一种基于关键节点识别的自适应网络恢复方法、装置及设备。
背景技术
网络会由于设备过载、损坏等发生内部故障,也会受自然灾害、恶意攻击或其他相互依赖网络的影响发生外部故障。规模较大的网络一旦发生故障会给人民生活以及各行各业带来不小的冲击。网络故障给社会秩序、金融领域等造成不小的冲击,因此高效的网络恢复方法研究至关重要。网络恢复是网络科学的一个重要分支,当网络故障引起整个网络效率降低甚至完全奔溃,而且不可自愈时,需要及时采取修复手段,将网络恢复至正常运行状态。
目前学术界对网络恢复研究主要有基于网络自愈的自发恢复研究、基于时间约束的最优恢复序列研究、基于资源约束的部分恢复研究,以及基于网络负载重新分配的最优恢复序列研究等。由于失效网络结构复杂,很难识别出真正的关键节点,因此无法求解出最优的恢复策略。
发明内容
基于此,有必要针对上述技术问题,提供一种能够得到最优恢复策略的基于关键节点识别的自适应网络恢复方法、装置及设备。
一种基于关键节点识别的自适应网络恢复方法,所述方法包括:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
在其中一实施例中,根据BA无标度网络构建的失效网络样本包括:
随机生成80-100个节点的BA无标度网络,在生成所述BA无标度网络时,每次生长节点与其他节点建立2-6条边,并设定各节点为正常状态,所有链接为正常工作;
对所述BA无标度网络中度值最大的前18%的节点进行攻击,并对其余正常节点中7%的节点进行随机攻击,并设定被攻击的节点为失效状态,与各失效节点直接相链接为失效。
在其中一实施例中,所述图神经网络对失效网络中的各节点与邻居节点特征进行聚合时,聚合次数为2次。
在其中一实施例中,将失效节点向量输入至所述深度强化学习模型后,根据各节点恢复后对网络效率的影响定义单步奖励函数,并计算所述损失函数。
在其中一实施例中,所述单步奖励函数表示为:
在其中一实施例中,所述根据所述损失函数对所述图神经网络进行训练包括:
根据所述损失函数的计算结果对所述图神经网络中的参数进行调整。
一种基于关键节点识别的自适应网络恢复装置,所述装置包括:
失效网络训练集获取模块,用于获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
失效节点向量序列得到模块,用于将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
损失函数计算模块,用于利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
图神经网络训练模块,用于根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
失效网络恢复模块,用于获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
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:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
上述基于关键节点识别的自适应网络恢复方法、装置及设备,通过利用图神经网络对失效网络中的各节点与邻居节点特征进行聚合得到失效网络中的多个关键的失效节点,并根据向量大小对失效节点的恢复顺序进行排列后得到失效节点恢复策略,其中,图神经网络能完美地将节点属性信息和网络拓扑信息进行融合嵌入,并且在本方法中还采用了深度强化学习模型对图神经网络进行训练,使其达到可精准识别关键点,并确保每次恢复节点对网络所产生的正效应最大。采用本方法大大降低时间和空间复杂度,故其能更快地对大规模网络进行恢复。
附图说明
图1为一个实施例中基于关键节点识别的自适应网络恢复方法的流程示意图;
图2为一个实施例中失效网络训练集构建流程示意图;
图3为一个实施例中自适应网络恢复策略流程示意图;
图4为一个实施例中基于关键节点识别的自适应网络恢复装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对当前网络恢复方法,例如基于度中心性、介数中心性等多是基于矩阵计算,对于规模较大的网络,其邻接矩阵尺寸是接地那个数的平方,不论是空间复杂度还是时间复杂度都非常高,求解效率低下的问题,如图1所示,本申请提供了一种基于关键节点识别的自适应网络恢复方法,包括以下步骤:
步骤S100,获取失效网络训练集,失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各失效网络样本均以图结构进行表示;
步骤S110,将各失效网络样本输入图神经网络中,图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
步骤S120,利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
步骤S130,根据所述损失函数对所述图神经网络进行训练,直至损失函数收敛得到训练好的图神经网络;
步骤S140,获取待进行恢复的失效网络,将失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据失效节点恢复策略对所述失效网络进行恢复。
在网络运行过程中,通常会由于零部件损坏或自然灾害等造成局部故障,也可能因为恶意攻击或级联故障造成网络大面积瘫痪。在网络恢复过程中,针对存在多个节点失效的网络恢复问题,不同的节点恢复顺序会导致网络连通程度和网络效率恢复速度存在较大差异,针对这个问题,本方法以复杂网络对失效网络进行建模,以某节点恢复后网络效率变化的归一化数值作为恢复效果度量。
具体的,给定一个网络,其中为节点集合,为边集合,为失效后的网络,为当前网络正常工作的节点集合,为仍处于正常工作状态的边集合,,。假设正常运行的网络效率为,若网络中存在失效节点,则与失效节点直接相连的边也会停止工作,因此存在失效节点的网络效率小于正常网络效率,即。为便于理解,将与失效节点直接相连的边权重设为趋于无穷的数,即正常节点与失效节点之间不可达。网络效率是节点间最短路径长度的倒数,权重越小网络效率越高,反之权重越大,网络效率越小。当失效节点恢复后,与其直接相连的边权重又恢复至正常值。
定义为失效网络的效率,目的是学得一种恢复策略,也即是优化节点恢复序列,使得公式(1)归一化累计恢复效率(Normalizedcumulative efficiency,NCE)达到最大,公式(1)表示为:
在公式(1)中,K为待恢复节点总数,为原始无节点失效的网络,为正常网络的效率,表示按顺序从失效节点集合中恢复后的网络效率。R即是每次恢复后网络效率所占原始网络效率的比例归一化累计,R越大,恢复策略越优。
而本方法的目标是使得失效网络中每个节点恢复都能给网络性能所产生的正效应最大,所以需要对失效节点重要性进行量化,所以,在本实施例中,采用多层图神经网络对失效节点进行表示,获得可比较的低维向量的节点表示形式。并期望该模型不仅仅能提取节点自身的属性信息,还能充分聚合网络结构信息,同时也能完美迁移(即自适应)到其他类型的网络中进行使用。
考虑到GraphSAGE是优秀的归纳式学习(InductiveLearning)方法,能完美满足以上要求,故在本实施例中,图神经网络采用GraphSAGE对失效节点进行表示。
而在对GraphSAGE进行训练时,需要构造大量的失效网络样本对其进行训练,在步骤S100中,根据BA无标度网络构建的失效网络样本包括:随机生成30-50个节点的BA无标度网络(也就是图2中的BA网络),在生成BA无标度网络时,每次生长节点与其他节点建立2-6条边,并设定各节点为正常状态,所有链接为正常工作。再对BA无标度网络中度值最大的前18%的节点进行攻击,并对其余正常节点中7%的节点进行随机攻击,并设定被攻击的节点为失效状态,与各失效节点直接相链接为失效,以此构造大量的失效网络样本,如图2所示。
在本实施例中,BA无标度网络是指:许多现实世界网络中(比如互联网),有些活跃用户的社交圈远远大于非活跃用户的社交圈,并且活跃用户也往往具有更高的话语权和影响力。在Barabasi等研究者对其互联网等拓扑结构的研究时发现,万维网、演员合作网络以及电力网络的度分布均符合幂律分布,提出了无标度网络。
在步骤S110中,将失效网络样本输入GraphSAGE中,GraphSAGE通过不断聚合邻居节点特征以更新当前节点的特征,其聚合过程表示为:
在本实施例中,将聚合次数设置为2次,初始节点特征用节点度值和节点状态(正常为1,失效为-1)表示,使用GraphSAGE不断更新所有节点的表示,并通过学习优化得到最终的失效节点的可比较的向量值,并输出失效网络中所有失效节点以其向量大小进行排序的失效节点序列。
接着,在步骤S120中,根据向量值从大到小的顺序将向量化后的失效节点输入深度强化学习模型,在深度强化学习模型中,根据当前环境也就是图结构,通过图神经网络计算所得到的节点向量表示确定当前最优的动作也就是恢复节点,根据当前动作对网络所效率的影响计算奖励,通过价值网络和目标网络计算损失函数计算其损失函数,最后根据损失函数对GraphSAGE进行训练。
具体的,在深度强化学习模型中,将当前失效网络表述为智能体所处的环境,智能体会根据当前的环境计算所能采取的动作价值,并选取能得到奖励最大的动作,且智能体不但会使得当前奖励最大化,而且偏向于未来累计奖励最大化。所描述的动作即对失效节点进行恢复,动作价值的计算即是图神经网络对失效节点的向量表示,当前奖励即公式(9)所示的单步奖励表示,累计奖励即公式(1)所示NCE表达式。对当前节点恢复后,智能体所处的环境也有所改变,即状态转移,智能体亦会根据当前状态计算动作价值采取恢复动作,直到网络完全恢复为止,即达到了终态。
动作值函数表示在状态s下执行动作a后获得的期望回报,如公式(5)所示,DQN目标就是使得动作值函数最大化。
在本实施例中,根据单个节点恢复后对网络效率的影响定义单步奖励函数,表示为:
具体的,公式(9)表示恢复失效节点的同时,与失效节点直接相连的链接也自动恢复,但若当前恢复节点的邻居节点仍然处于失效状态,则该两节点之间的链接仍然保持失效状态。恢复节点的奖励即是执行当前恢复动作后网络效率与正常网络效率的比值,而后归一化。
在本实施例中,根据损失函数对图神经网络进行训练包括:根据损失函数的计算结果对图神经网络中的参数进行调整,直至损失函数收敛。
在本实施例中,训练好的图神经网络能很好的对失效网络进行表示,以确保每单步对网络所产生的正效应最大化。
在步骤S140中,在利用训练好的图神经网络进行实际操作时,只需要将待进行恢复的失效网络抽象为图结构后,输入训练好的图神经网络后,就可以输出失效节点恢复策略。再根据失效节点恢复策略中的恢复顺序对失效网络中的失效节点依次进行恢复。
在本实施例中,还提供了训练好的图神经网络中对输入的失效网络进行处理的算法过程:
算法:自适应网络恢复策略算法(Adaptive Network Recovery Strategy, ANRS)
输入:
输出:
开始:
1.fork= 1 toKdo
2.forj= 1 toJdo
5.end for
11.end for
结束
如图3所示,还提供了对于单个失效网络的恢复流程图,其核心思想是通过不断训练GraphSAGE神经网络,达到精准识别关键节点的目的,确保每次恢复节点对网络所产生的正效应最大。在此基础上,利用强化学习进行不断迭代训练,直到达到最优效果为止。
上述基于关键节点识别的自适应网络恢复方法中,采用图神经网络结合深度强化学习对失效网络进行恢复,因图神经网络能自动聚合邻居节点特征作为自身的特征,是端到端的学习方式,避免了繁琐的计算过程,大大降低时间和空间复杂度,故其能更快地对大规模网络进行恢复。因强化学习能自动迭代求解最优策略,故通过图神经网络的节点特征嵌入作为输入,合理定义奖励函数,强化学习能自动求解出最优的网络恢复策略。因网络中不仅只有拓扑信息,还有节点自带属性信息,图神经网络能将二者进行信息融合,所得到的节点嵌入表示更准确,对下游任务更精准。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于关键节点识别的自适应网络恢复装置,包括:失效网络训练集获取模块200、失效节点向量序列得到模块210、损失函数计算模块220、图神经网络训练模块230和失效网络恢复模块240,其中:
失效网络训练集获取模块200,用于获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
失效节点向量序列得到模块210,用于将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
损失函数计算模块220,用于利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
图神经网络训练模块230,用于根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
失效网络恢复模块240,用于获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
关于基于关键节点识别的自适应网络恢复装置的具体限定可以参见上文中对于基于关键节点识别的自适应网络恢复方法的限定,在此不再赘述。上述基于关键节点识别的自适应网络恢复装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于关键节点识别的自适应网络恢复方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于关键节点识别的自适应网络恢复方法,其特征在于,所述方法包括:
获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
2.根据权利要求1所述的自适应网络恢复方法,其特征在于,根据BA无标度网络构建的失效网络样本包括:
随机生成80-100个节点的BA无标度网络,在生成所述BA无标度网络时,每次生长节点与其他节点建立2-6条边,并设定各节点为正常状态,所有链接为正常工作;
对所述BA无标度网络中度值最大的前18%的节点进行攻击,并对其余正常节点中7%的节点进行随机攻击,并设定被攻击的节点为失效状态,与各失效节点直接相连的链接状态为失效。
3.根据权利要求1所述的自适应网络恢复方法,其特征在于,所述图神经网络对失效网络中的各节点与邻居节点特征进行聚合时,聚合次数为2次。
4.根据权利要求3所述的自适应网络恢复方法,其特征在于,将失效节点向量输入至所述深度强化学习模型后,根据各节点恢复后对网络效率的影响定义单步奖励函数,并计算所述损失函数。
6.根据权利要求5所述的自适应网络恢复方法,其特征在于,所述根据所述损失函数对所述图神经网络进行训练包括:
根据所述损失函数的计算结果对所述图神经网络中的参数进行调整。
7.基于关键节点识别的自适应网络恢复装置,其特征在于,所述装置包括:
失效网络训练集获取模块,用于获取失效网络训练集,所述失效网络训练集中包括多个根据BA无标度网络构建的失效网络样本,且各所述失效网络样本均以图结构进行表示;
失效节点向量序列得到模块,用于将各所述失效网络样本输入图神经网络中,所述图神经网络对失效网络中通过聚合邻居节点信息更新自身节点属性信息,将高维的拓扑结构信息表示为低维的向量的形式,并输出所述失效网络中所有失效节点按照从大到小顺序排列的失效节点向量序列;
损失函数计算模块,用于利用深度强化学习模型,根据当前环境,通过图神经网络计算所述失效节点向量序列中的节点向量确定最优的当前动作,根据当前动作对失效网络效率的影响计算奖励,再通过价值网络和目标网络计算损失函数;
图神经网络训练模块,用于根据所述损失函数对所述图神经网络进行训练,直至所述损失函数收敛得到训练好的图神经网络;
失效网络恢复模块,用于获取待进行恢复的失效网络,将所述失效网络以图结构进行表示后输入所述训练好的图神经网络,得到失效节点恢复策略,并根据所述失效节点恢复策略对所述失效网络进行恢复。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042706.3A CN115801549B (zh) | 2023-01-28 | 2023-01-28 | 基于关键节点识别的自适应网络恢复方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042706.3A CN115801549B (zh) | 2023-01-28 | 2023-01-28 | 基于关键节点识别的自适应网络恢复方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115801549A true CN115801549A (zh) | 2023-03-14 |
CN115801549B CN115801549B (zh) | 2023-06-16 |
Family
ID=85428982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310042706.3A Active CN115801549B (zh) | 2023-01-28 | 2023-01-28 | 基于关键节点识别的自适应网络恢复方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115801549B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582480A (zh) * | 2023-07-12 | 2023-08-11 | 厦门大学 | 一种寻找最少失效链路使得路由不可达的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016113181A1 (en) * | 2015-01-14 | 2016-07-21 | Philips Lighting Holding B.V. | Adaptive recovery from node failures in a network system |
CN112085172A (zh) * | 2020-09-16 | 2020-12-15 | 支付宝(杭州)信息技术有限公司 | 图神经网络的训练方法及装置 |
US20210081787A1 (en) * | 2019-09-12 | 2021-03-18 | Beijing University Of Posts And Telecommunications | Method and apparatus for task scheduling based on deep reinforcement learning, and device |
CN113194493A (zh) * | 2021-05-06 | 2021-07-30 | 南京大学 | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 |
CN113708976A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的异质作战网络瓦解方法 |
KR102336035B1 (ko) * | 2021-06-17 | 2021-12-07 | (주)시큐레이어 | 그래프 기반 이상 거래 탐지 시스템을 위한 비지도 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CA3131843A1 (en) * | 2020-09-25 | 2022-03-25 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
CN114494643A (zh) * | 2022-01-11 | 2022-05-13 | 西北工业大学 | 基于网络划分的疾病传播控制方法 |
CN114861747A (zh) * | 2022-02-25 | 2022-08-05 | 中国人民解放军国防科技大学 | 多层网络关键节点的识别方法、装置、设备和存储介质 |
CN114997036A (zh) * | 2022-02-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于深度学习的网络拓扑重构方法、装置和设备 |
CN115169555A (zh) * | 2022-07-18 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的边攻击网络瓦解方法 |
-
2023
- 2023-01-28 CN CN202310042706.3A patent/CN115801549B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016113181A1 (en) * | 2015-01-14 | 2016-07-21 | Philips Lighting Holding B.V. | Adaptive recovery from node failures in a network system |
US20210081787A1 (en) * | 2019-09-12 | 2021-03-18 | Beijing University Of Posts And Telecommunications | Method and apparatus for task scheduling based on deep reinforcement learning, and device |
CN112085172A (zh) * | 2020-09-16 | 2020-12-15 | 支付宝(杭州)信息技术有限公司 | 图神经网络的训练方法及装置 |
CA3131843A1 (en) * | 2020-09-25 | 2022-03-25 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
CN113194493A (zh) * | 2021-05-06 | 2021-07-30 | 南京大学 | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 |
KR102336035B1 (ko) * | 2021-06-17 | 2021-12-07 | (주)시큐레이어 | 그래프 기반 이상 거래 탐지 시스템을 위한 비지도 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CN113708976A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的异质作战网络瓦解方法 |
CN114494643A (zh) * | 2022-01-11 | 2022-05-13 | 西北工业大学 | 基于网络划分的疾病传播控制方法 |
CN114861747A (zh) * | 2022-02-25 | 2022-08-05 | 中国人民解放军国防科技大学 | 多层网络关键节点的识别方法、装置、设备和存储介质 |
CN114997036A (zh) * | 2022-02-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于深度学习的网络拓扑重构方法、装置和设备 |
CN115169555A (zh) * | 2022-07-18 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的边攻击网络瓦解方法 |
Non-Patent Citations (1)
Title |
---|
段佳勇;郭昉;张晓宇;柏柯;: "基于自适应算法的BA网络模型及其聚类分析", 控制工程, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582480A (zh) * | 2023-07-12 | 2023-08-11 | 厦门大学 | 一种寻找最少失效链路使得路由不可达的方法 |
CN116582480B (zh) * | 2023-07-12 | 2023-10-24 | 厦门大学 | 一种寻找最少失效链路使得路由不可达的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115801549B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN110889111A (zh) | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 | |
CN112491818B (zh) | 基于多智能体深度强化学习的电网输电线路防御方法 | |
CN111935724B (zh) | 基于异步深度强化学习的无线传感器网络拓扑优化方法 | |
CN115801549B (zh) | 基于关键节点识别的自适应网络恢复方法、装置及设备 | |
CN116015707A (zh) | 配电网信息物理系统网络拓扑优化方法、装置及终端 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN115800538A (zh) | 基于人工智能的智能电网运维监控方法及系统 | |
CN111935005B (zh) | 数据传输方法、装置、处理设备及介质 | |
CN116737850A (zh) | Apt实体关系预测的图神经网络模型训练方法 | |
CN116582414A (zh) | 故障根因定位方法、装置、设备及可读存储介质 | |
CN114048989B (zh) | 一种基于深度强化学习的电力系统顺序恢复方法及装置 | |
CN114254471B (zh) | 电力网络的元素识别方法、装置、设备及存储介质 | |
Ma et al. | Sequential node attack of complex networks based on Q-learning method | |
CN107241222A (zh) | 一种网络拓扑校准方法 | |
Fang et al. | Robustness analysis of power grids against cascading failures based on a multi-objective algorithm | |
CN113282881A (zh) | 基于可达矩阵的电力信息物理系统鲁棒性分析方法 | |
Geng et al. | Robustness of Complex Networks Considering Load and Cascading Failure under Edge-removal Attack | |
CN114491879B (zh) | 一种考虑动态重构的武器装备体系仿真评估方法 | |
Xiao et al. | Research on Adaptive Network Recovery Method Based on Key Node Identification | |
CN112600221B (zh) | 无功补偿装置配置方法、装置、设备及存储介质 | |
Xiao et al. | National University of Defense Technology, Changsha 410003, China lulina16@ nudt. edu. cn | |
Song et al. | Dynamic missing data recovery method with low complexity in internet of things |
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 |