[发明专利]一种针对网络节点分类和链路预测的指标评测方法及系统

说明书

一种针对网络节点分类和链路预测的指标评测方法，包括：S1：选取最新的节点分类模型和链路预测模型和攻击算法；S2：计算得到网络图性质指标和攻击隐蔽性指标；S3：通过指标相关性分析，筛选掉相关性过高的指标。S4：训练随机森林模型。设计特征映射损失函数，并进行多次迭代，使用t‑SNE方法对输出指标进行可视化，可视化模型鲁棒性特征。本发明还公开了一种针对网络节点分类和链路预测的指标评测方法，由识别攻击模块，评测模块，相关性分析模块，搜索优化模块连接而成。本发明将图像的模型分析方法引入网络领域，使得其可以分析网络领域中模型的性质。提出了网络图性质指标和攻击隐蔽性指标，设计损失函数，多次迭代，寻找最优参数。

技术领域

本发明涉及复杂网络节点分类和链路预测模型评测领域，特别是一种针对网络节点分类和链路预测的指标评测方法。

背景技术

深度神经网络的发展导致了输入时自然和恶意变化的鲁棒性问题。神经网络可能在输入的过程中容易导致不可察觉的变化，最后影响神经网络的决定。这个问题存在于各种机器学习应用之中，可以通过实施各种防御机制来抵抗对抗性干扰的威胁，要么试图恢复真实语义标签，要么检测并拒绝对抗性示例或者通过不同指标数据衡量模型之间的脆弱性。在不同的模型上也会表现出对抗样本的特性，也就是说DNN模型具有非直观的特性和固有的盲点，其结构与数据分布的关系不明显，对抗样本在自然图像的区域之外运行，模型在训练期间没有接触到这些区域，因此它的行为可以被任意操纵。但现如今对于模型的指标评测分析仅仅在图像分类领域，虽然复杂网络数据与图像数据有所不同，但复杂网络节点分类和链路预测模型的鲁棒性分析还是引起了很多网络学者的关注。

已有专利：

申请号为202010799032.8的专利所公开的技术方案，人工智能图像分类模型的鲁棒性评估和增强系统，其包括白盒评估模块，黑盒评估模块和防御增强模块，通过多种鲁棒性评估指标优化鲁棒性评估流程，通过内置的多种技术对模型进行防御。本专利基于网络领域，提出攻击前后的一系列指标，丰富了整个指标体系。整合攻击前后的指标得到对于模型鲁棒性的综合评价，经过指标之间的相关性分析，筛选掉部分相关性极高的指标，经过随机森林的机器学习算法，设计特征映射损失函数使得同类型特征聚合，不同类特征分离。生成模型鲁棒性的判定准则，评价报告和直观评价。

针对鲁棒性分析的工作，当下在图像领域已经有较为完善的分析方法，但针对网络领域的论文非常少。

发明内容

本发明要克服现有技术的上述缺点，提供一种针对网络节点分类和链路预测的指标评测方法及系统，使能在网络领域通过全面的指标分析分类模型的鲁棒性。

为实现上述目的，本发明提供如下方案：

本发明提供了一种针对网络节点分类和链路预测的指标评测方法及系统，包括以下步骤：

S1：使用cora引文网络数据集，选取最新的节点分类模型和链路预测模型，选取最新的深度学习攻击方法，将生成的对抗样本和原始样本一一对应保存；

S2：将原始样本输入到不同参数、结构的模型得到网络图性质指标；将原始样本和攻击样本输入模型得到攻击隐蔽性指标；

S3：通过指标相关性分析、筛选掉相关性过高的指标，并把输出的指标保存下来；

S4：将输出指标分为训练集和验证集，训练随机森林模型。设计特征映射损失函数作为其损失函数，进行多次迭代，制作鲁棒性分析模块，使用t-SNE方法对输出指标进行可视化，可视化模型鲁棒性特征；

S5：用户可以选择上传自己的网络模型，选择使用的攻击方法，得到相应的鲁棒性判定准则、鲁棒性评价报告和鲁棒性直观评价。