[发明专利]一种基于夏普利值解释的图神经网络模型重要链路确定方法及装置

权利要求书

1.一种基于夏普利值解释的图神经网络模型重要链路确定方法，其特征在于，该方法包括以下步骤：

(1)构建图神经网络模型，输入参数是网络全局信息，输出为预测的网络性能；

(2)通过软离散掩码矩阵，在图神经网络模型的所有输入节点中挑选出对当前图神经网络模型输出起重要作用的输入节点集合；

(3)对挑选出的重要的输入节点进行夏普利值计算，得到重要的输入节点的重要性得分，根据重要性得分确定影响当前图神经网络模型预测结果的重要链路，优化网络拓扑结构，调整网络流量分布。

2.根据权利要求1所述的一种基于夏普利值解释的图神经网络模型重要链路确定方法，其特征在于，步骤(1)中，所述网络全局信息包含网络拓扑、路由策略、节点配置和流量矩阵；所述预测的网络性能包含时延、抖动和丢包率。

3.根据权利要求1所述的一种基于夏普利值解释的图神经网络模型重要链路确定方法，其特征在于，步骤(2)中，软离散掩码矩阵M表示链路集合，集合元素m_i表示输入节点v_i对应的掩码值，即用来判定是否为重要链路的依据，掩码值m_i越接近0表示节点重要性越低。

4.根据权利要求3所述的一种基于夏普利值解释的图神经网络模型重要链路确定方法，其特征在于，通过训练软离散掩码矩阵M实现搜索重要链路，在训练过程中，需要考虑重要节点数量与输出变化这两个因素：

输出变化(L(O_I,O_M))：给定图神经网络模型的原始输入i和图神经网络模型f(·)，原始输入产生的预测结果为O_I，经掩码矩阵处理后的预测结果为O_M；用原图与新图预测结果的相似度来衡量输出变化L(O_I,O_M)，考虑为O_I与O_M的均方误差；

重要节点数量(||M||)：根据获得的软离散掩码矩阵M，集合元素m_i的绝对值之和表示重要节点数量。

5.根据权利要求4所述的一种基于夏普利值解释的图神经网络模型重要链路确定方法，其特征在于，设计惩罚因子Q(M)，使用信息论中用于计算信息不确定性的熵值来限制软离散掩码矩阵M的元素m_i尽量靠近0或1；根据惩罚因子公式Q(M)，则优化过程的目标函数l_function(M)为：

l_function(M)＝L(O_I,O_M)+α||M||+λQ(M)

其中，α为控制重要节点数量的超参数，为控制离散性惩罚力度的超参数；

最终生成的重要节点集合V_Selected表示为：

V_Selected＝V*M′

其中，V表示图神经网络的输入节点集合；离散掩码矩阵M′的元素m′_i值为0或1。

使用重要节点集合V_Selected代替输入节点集合V进行夏普利值评分计算。