[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

说明书

本发明公开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，本发明将SDN网络性能预测的图神经网络模型的工作原理与博弈论理论知识相结合，为SDN网络性能预测的图神经网络模型提供有效、合理的解释。使用夏普利值作为输入节点的重要性得分，并通过一个可训练的软离散掩码矩阵来挑选重要节点集合，从而降低了夏普利值的计算量。实验结果表明本发明能为图神经网络模型提供有效解释，挑选出针对预测结果的重要链路集合，为进一步优化网络拓扑结构提供支撑，并在一定程度上验证了模型能够正确地学习到特征之间的关系，增强了其可靠性，为推动SDN网络性能预测的图神经网络模型在工程实践中的应用提供了新的方案。

技术领域

本发明涉及图神经网络可解释性，具体涉及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。

背景技术

虽然图神经网络在网络领域有优越的理论基础与良好的实验表现，但是深度学习的特性导致图神经网络始终处于“黑盒”状态，对于用户和运营商而言，这种“黑盒”状态使得模型缺乏可靠性。目前，已经有不少工作关注到了图神经网络的可解释性，但是这些方法在应用到用于网络系统建模的图神经网络时存在各自的缺陷。由于网络系统中的链路存在顺序关系，因此用于网络系统建模的图神经网络往往与循环神经网络相结合，对于这种具有复杂结构的图神经网络，基于梯度/特征的解释方法与基于贡献分解的解释方法往往无法适用；基于扰动的解释方法仅能挑选出重要节点集合，但是难以产生公平、合理的重要性排序，针对用于网络系统建模的图神经网络而言，这种方法只能提供有限的解释效果，无法从单个节点的层面上产生合理解释；基于代理的解释方法通过一个简单的可解释代理模型来近似目标模型，需要假设解释目标的邻近关系较为简单，在应用至用于网络系统建模的图神经网络时具有很大的局限性，容易丢失网络内的空间依赖关系，因此很难找到一个合适的可解释代理模型。由于可解释性的缺乏问题，图神经网络技术难以在工程实践中得到广泛的应用，因此研究图神经网络的可解释性对于新型网络系统的发展具有重要的现实意义。

发明内容

本发明能够为SDN网络性能预测的图神经网络模型提供有效、合理的解释，在一定程度上验证了模型能够正确地学习到特征之间的关系，增强了其可靠性，为推动SDN网络性能预测的图神经网络模型在工程实践中的应用提供了新的方案。该方法通过将夏普利值与软离散掩码矩阵相结合，在合适的计算量下实现了对拓扑节点的重要性排序。将重要链路确定方法应用于提出的图神经网络模型中，实验结果表明该重要链路确定方法能为图神经网络模型提供有效解释，挑选出针对预测结果的重要链路集合，为进一步优化网络拓扑结构提供支撑。

本发明解决技术问题所采用的技术方案如下：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，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。

进一步地，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。

进一步地，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。

进一步地，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：