[發(fā)明專利]一種多層異質網絡空間節(jié)點表征方法

有效

• 申請?zhí)枺?/td>: 202011333946.1
• 申請日: 2020-11-25
• 公開（公告）號: CN112311608B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設計）人: 楊國利;康元基;王國升;吳長宇
• 申請（專利權）人: 中國人民解放軍66136部隊
• 主分類號: H04L41/14
• 分類號: H04L41/14;G06K9/62
• 代理公司: 北京艾格律詩專利代理有限公司 11924
• 代理人: 謝毅;何山

本發(fā)明提供一種多層異質網絡空間節(jié)點表征方法，包括以下步驟：S1：根據結構重連規(guī)則重構網絡，基于主要層和輔助層生成融合圖；S2：對融合圖設計節(jié)點對之間相鄰距離、結構距離和屬性距離的算法；S3：結合以上算法，得到融合圖中任意兩個節(jié)點之間的相似度；S4：完成融合圖中所有節(jié)點對的相似度計算后，開始構造上下文網絡圖，進一步生成無向無權圖；S5：基于上下文網絡進行隨機游走采樣路徑后，通過skip?gram模型訓練節(jié)點表征向量。由于本發(fā)明重構了多層異質網絡，且考慮的相似性較為全面，因此相比其它表征算法，具有更好的效果。

技術領域

本發(fā)明涉及一種網絡空間智能認知領域的不完全信息條件下網絡空間深層結構挖掘方法，實現(xiàn)了網絡隱藏類別以及潛在類別的識別，具體涉及一種多層異質網絡空間節(jié)點表征方法，包括多層異質網絡的信息融合方法、網絡節(jié)點表征通用生成算法以及基于表征向量的網絡空間節(jié)點聚類方法。

背景技術

當前在網絡流量監(jiān)控、主動探測技術等網絡信息獲取手段的支持下，能夠初步實現(xiàn)網絡空間目標組織結構的識別，但是，首先網絡結構的本身非常復雜，多個局部網絡嵌套、交叉的情況很普遍；其次由于數據獲取手段的不同，網絡空間的數據既有網絡層的網絡流數據、又有物理層的設備數據、業(yè)務層的日志、情報數據等，所以亟需智能化的信息融合與知識構建手段，綜合運用經驗知識，從復雜網絡的多層數據中挖掘關鍵信息。

網絡空間是一個由人、物理節(jié)點、虛擬節(jié)點以及邏輯關系組成的復雜系統(tǒng)，復雜網絡可以看作是這個復雜系統(tǒng)的骨架，而異質信息網絡模型則更接近真實網絡世界的骨架。國內外目前對網絡中的特征結構的研究主要針對節(jié)點相似性的某個角度進行切入：基于節(jié)點緊密度或基于節(jié)點屬性相似性，缺乏通用性，僅對整體結構符合要求的數據集才能達到較好效果，也無法從業(yè)務角度分析網絡的多層結構。

在互聯(lián)網中，信息和數據通過路由器、服務器等在邏輯層、物理層的網絡節(jié)點流轉，形成了復雜的網絡，呈現(xiàn)出多層、異質的特點。并且，在該種網絡中常常出現(xiàn)星型、鏈狀、樹型結構，即一個中心節(jié)點連接多個子節(jié)點，每個節(jié)點都具有各自特有的屬性，而且結構差異顯著，邏輯層功能的實現(xiàn)依賴物理層數據的可達性。多層網絡中，一般層與層之間的節(jié)點存在映射關系，即某一層的任意節(jié)點都與其它層的某一節(jié)點相連，一個雙層網絡結構如圖1所示，通過層與層之間的連接完成數據流轉，功能實現(xiàn)。因此，設計一個針對多層異質網絡中的節(jié)點表征學習算法對于網絡認知非常有必要。

當前對多層網絡的研究較少，主要針對單層網絡。2013年以前，網絡節(jié)點表征生成主要使用矩陣因式分解、矩陣降維等手段，通過處理圖的鄰接矩陣，得到節(jié)點表征。2014年，Bryan Perozzi等人在論文《DeepWalk:Online Learning of Social Representations》采用自然語言處理中word2vec的思想，將整個圖作為語料庫，通過隨機游走采樣節(jié)點序列作為句子，使用word2vec中skip-gram模型訓練節(jié)點表征。2016年，Aditya Grover等人在論文《node2vec:Scalable Feature Learning for Networks》中提出node2vec算法，提出一種新的游走策略，通過兩個參數控制游走方向，根據數據集性質的不同，綜合考慮廣度優(yōu)先和深度優(yōu)先以及是否回溯。2017年，William L.Hamilton等人在論文《InductiveRepresentation Learning on Large Graphs》提出一種歸納式表征學習算法，通過采樣并聚合鄰居的屬性信息，獲得節(jié)點表征，若有未出現(xiàn)過的節(jié)點，通過采樣聚合鄰居的信息即可獲得該節(jié)點表征，而不必重新訓練整個網絡的節(jié)點表征。