[发明专利]基于图注意力神经网络的复杂网络关键节点识别方法

说明书

本发明公开了一种基于图注意力神经网络的复杂网络关键节点识别方法，包括步骤：构建图注意力神经网络模型；训练图注意力神经网络模型；使用训练后的图注意力神经网络模型计算得到所述复杂网络的每个节点的影响力预测值；如节点的影响力预测值大于等于阈值，则该节点为关键节点。本发明所构建和训练得到的图注意力神经网络模型，将图多头注意力机制与密集连通性相结合，可预测复杂网络关键节点的影响力值，提高了关键节点的预测精度和实用性。

技术领域

本发明涉及网络安全性分析技术领域，特别是一种基于图注意力神经网络的复杂网络关键节点识别方法。

背景技术

关键节点发现是复杂网络领域的一个重要内容，其主要应用领域有：

(1)在经济领域，研究者利用相关方法来分析全球经济体系中的重要国家和地区；

(2)在电力工程领域，研究者利用相关方法来分析电力传输网络中的关键节点和关键线路，从而进行重点防护；

(3)在广告推广领域，研究者利用相关方法来寻找最优的广告投放策略；

(4)在大数据分析领域，研究者利用相关方法来寻找海量数据中的关键信息；

(5)在生命科学领域，研究者利用相关方法来分析脑神经网络中的关键神经元、蛋白质交互网络中的关键蛋白质等；

(6)在网络免疫领域，常见的免疫方法分为随机免疫和目标免疫，而目标免疫的关键就在于发现关键节点，通过对关键节点的重点防护和监控，实现对疾病、谣言、蠕虫等传播的控制和抑制。

综合来看，关键节点发现的本质是网络信息挖掘，其应用价值在于从网络化表达的数据中寻找和挖掘出对网络结构、网络功能等起到关键影响的关键节点，然后将这些信息应用到具体的场景中达到提高网络效率和稳定性、改善网络功能和鲁棒性等目的。

有效识别复杂网络中的关键节点，目前主要采用基于中心性的方法和基于机器学习的方法。

基于中心性的方法通过考虑网络结构或节点特征来识别复杂网络中的有影响力的节点。最流行的基于中心性的方法包括度中心性(DC)、介数中心性(BC)、紧密度中心性(CC)、K-Core、Page Rank(PR)、Eigenvector Centrality(EC)、Load Centrality(LC)、Harmonic Centrality(HC)、K-Shell等。这些方法通过考虑节点的显著性和图结构来计算节点的重要性，从局部或全局角度评估节点的影响。局部透视方法时间复杂度低但精度较低，全局透视方法更准确但时间复杂度高。

基于机器学习的方法将识别有影响的节点视为二元分类问题，即将节点分为有影响的节点和无影响的节点。然而，二元分类只能提供有关节点影响的粗略信息，导致实用性较差。

发明内容

本发明的目的是提供一种基于图注意力神经网络的复杂网络关键节点识别方法。

实现本发明目的的技术方案如下：

基于图注意力神经网络的复杂网络关键节点识别方法，包括：

步骤1，构建图注意力神经网络模型；

所述图注意力神经网络模型，包括图注意力层、密集全连接层和输出层，具体为：

1.1将所述复杂网络的结构图和节点的特征输入图注意力层，得到节点的输出特征：

计算图注意力层中节点的向量嵌入表示，即z_i＝W₁h_i，z_i为节点i的向量嵌入表示，W₁是可学习权重，h_i是节点i的特征；