[發明專利]基于網絡特征強化的深度圖卷積模型防御方法及裝置

在審

• 申請號: 202010515730.0
• 申請日: 2020-06-08
• 公開（公告）號: CN111753884A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 陳晉音;張敦杰;徐曉東;林翔;李玉瑋
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;H04L29/06
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 高燕

1.一種基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，包括以下步驟：

(I)基于圖卷積網絡構建網絡分類器，所述的網絡分類器包含特征提取層和分類層；

對構建的網絡分類器進行預訓練；

(II)利用預訓練好的特征提取層提取網絡的網絡特征，利用特征強化模塊對網絡特征進行特征強化獲得加強網絡特征；

(III)利用加強網絡特征對分類層進行再訓練；預訓練好的特征提取層、特征強化模塊和再訓練好的分類層依次連接，構成具有防御能力的深度圖卷積模型；

(IV)利用所述的深度圖卷積模型的特征提取層提取待分類網絡的網絡特征；利用特征強化模塊對網絡特征進行特征強化獲得待分類網絡的加強網絡特征；利用所述的深度圖卷積模型的分類層對待分類網絡的加強網絡特征進行分類，獲得待分類網絡的分類結果。

2.根據權利要求l所述的基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，所述的網絡分類器為網絡節點分類器或網絡圖分類器。

3.根據權利要求1所述的基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，所述的網絡分類器根據公式(1)計算分類置信度；

其中，Z∈R^N×|F|為分類置信度，N為網絡節點或網絡圖個數，|F|為網絡節點或網絡圖的類別數目；f和σ分別為softmax函數和Relu函數；是添加自連接的無向網絡的鄰接矩陣，I_N是網絡的自連邊矩陣，A是網絡的鄰接矩陣；X表示節點屬性；是的度值矩陣對角線上的值；分別為輸入層到隱層、隱層到輸出層的權重矩陣。

4.根據權利要求3所述的基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，步驟(I)中，以公式(2)作為目標函數，預訓練所述的網絡分類器；

其中，T_s為帶類標的網絡節點集合或網絡圖集合；F＝[τ₁，…，τ_|F|]表示網絡節點類標集合或網絡圖類標集合；若網絡節點或網絡圖v_l屬于類τ_k，則Y_lk＝1，否則Y_lk＝0；Z_lk(A)是由公式(1)計算出的分類置信度輸出。

5.根據權利要求1所述的基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，步驟(II)包括：

(II-1)預訓練好的網絡分類器的特征提取層利用公式(3)提取網絡的網絡節點特征或網絡圖特征；

(II-2)特征強化模塊通過非局部平均處理對網絡節點特征或網絡圖特征進行特征強化，獲得加強網絡節點特征或加強網絡圖特征。

6.根據權利要求5所述的基于網絡特征強化的深度圖卷積模型防御方法，其特征在于，通過非局部平均處理對網絡節點特征進行特征強化包括：

通過公式(4)對網絡節點k的所有特征進行加權平均，獲得網絡節點k的加強網絡節點特征h′_node；

其中，為網絡節點k的特征區域；為以為中心的附近1×5的鄰域；為對應的加強網絡節點特征區域；和分別構成和h′_node，h′_node為1×H₁維的矩陣；為特征加權函數，表示第k個節點中特征區域與的點乘相似度；是歸一化函數。