用于识别网络中关键节点的方法和设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115828106A(43)申请公布日2023.03.21(21)申请号202310009912.4H04L41/12(2022.01)(22)申请日2023.01.05(71)申请人中国人民解放军国防科技大学地址410073湖南省长沙市开福区德雅路109号(72)发明人刘春生马涛许四毛牛钊杨方刘金红马春来常超(74)专利代理机构中国和平利用军工技术协会专利中心11215专利代理师刘光德(51)Int.Cl.G06F18/214(2023.01)G06F18/241(2023.01)G06N3/02(2006.01)H04L41/16(2022.01)权利要求书2页说明书7页附图3页(54)发明名称用于识别网络中关键节点的方法和设备(57)摘要本发明公开了一种用于识别网络中关键节点的方法和设备。该用于识别网络中关键节点的方法，包括：获取网络中的多个节点；利用已训练的网络结构规则特征模型对所述多个节点进行识别，其中，所述网络结构规则特征模型采用评分函数对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Scorei（yi，λi）表示第i个节点重要性评分结果，向量yi={NI，NCI，CC，DC，BC，ES}，向量，为权重参数，NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；输出所述多个节点的重要性排序结果。CN115828106ACN115828106A权利要求书1/2页1.用于识别网络中关键节点的方法，网络G包括n个节点，其特征在于，包括：获取网络G中n个节点的网络结构规则特征，所述网络结构规则特征包括网络约束指数NCI；采用评分函数对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Scorei（yi，λi）表示第i个节点重要性评分结果，向量yi={NI，NCI，CC，DC，BC，ES}，向量，为权重参数，NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；利用已训练的网络结构规则特征模型对所述n个节点进行识别；预测并输出n个节点的重要性排序结果。2.根据权利要求1所述的方法，其特征在于，所述预测并输出n个节点的重要性排序结果包括：采用交叉熵损失函数预测所述n个节点的排序结果，其中，所述交叉熵损失函数，f表示所述网络G中节点重要性排序的判断准则，Pf表示所述网络G中第i个节点重要性排序概率与重要性排序方式之间的关系，表示所述网络G中第i个节点重要性排序概率；所述，其中，k表示选用节点序列数，为递增的正函数，表示第i个节点遍历n个节点的重要性评分集合，Scorei|N|=Scorei（y|N|,λi）表示第i个节点相对于第|N|个节点的重要性评分，即，t为所述n个节点中的第t个节点；所述。3.根据权利要求2所述的方法，其特征在于，采用交叉熵损失函数预测所述n个节点的排序结果还包括：利用梯度下降法对λi进行更新，其中，所述梯度下降法使得，表示学习率，ft表示所述网络G中第t个节点的重要性排序的判断准则。4.根据权利要求1所述的方法，其特征在于，采用评分函数对所述网络结构规则特征进行训练包括：2CN115828106A权利要求书2/2页将n个节点的度量指标、n个节点度量指标对应的权重参数输入神经网络；利用所述神经网络输出所述n个节点的重要性得分，其中，所述Score|N|=Score|N|（y|N|,λ|N|）。5.根据权利要求1所述的方法，其特征在于，获取n个节点的网络结构规则特征包括：获取n个节点的节点重要性NI，其中，第i个节点重要性，N(i)表示节点i的邻居节点的集合，有向网络中节点i的网络时间和能量在其邻居节点j上投入的比例p(i,j)=wij/w(i)，节点i权重，有向网络中两个连通节点i和节点j之间的边权重，d(i)表示有向网络中节点i的度。6.根据权利要求1所述的方法，其特征在于，获取n个节点的网络结构规则特征包括：获取n个节点的网络约束指数NCI，其中，第i个节点的网络约束指数，无向网络中节点i的网络时间和能量在其邻居节点j上的比例，表示无向网络中节点i和j之间的连接强度，第i个节点和第i个节点连接，则aij=1，否则aij=0。7.用于识别网络中关键节点的设备，其特征在于，该设备包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：如权利要求1‑6任一所述的用于识别网络中关键节点的方法。8.用于识别网络中关键节点的系统，其特征在于，该系统包括：如权利要求7所述的用于识别网络中关键节点的设备。9.一种计算机可读的非易失性存储介质，存储计算机程序指令，其特征在于，当计算机执行程序指令时，执行：如权利要求1‑6