基于图神经网络的通信网络鲁棒性检验方法及相关设备

本技术的实施例涉及通信网络抵抗攻击的，尤其涉及一种基于图神经网络的通信网络鲁棒性检验方法及相关设备。

背景技术：

1、在通信网络中，当其中的节点受到攻击时，其节点属性相关的数据会被扰动，从而难以判断该节点的类别，在利用神经网络对该节点的类别进行判断时，会因其属性数据被扰动，进而出现例如将关键节点判断为非关键节点等问题。

技术实现思路

1、有鉴于此，本技术的目的在于提出一种基于图神经网络的通信网络鲁棒性检验方法及相关设备。

2、基于上述目的，本技术提供了基于图神经网络的通信网络鲁棒性检验方法，包括：

3、将预设通信网络中全部节点的属性组成所述通信网络的图数据，将所述图数据输入至预设的图卷积神经网络，对每个节点，通过对所述图卷积神经网络进行切片，得到切片后的图卷积神经网络，并确定切片属性矩阵；

4、确定该节点的切片属性矩阵受到攻击扰动后的空间范围，利用切片后的图卷积神经网络对扰动后的节点进行分类，得到扰动后的分类结果，利用扰动后的分类结果和扰动后的节点属性矩构建所述空间范围内的约束条件；

5、为切片后的图卷积神经网络的每层构建激活函数的线性边界，以确定出该层的输出边界，基于该层的所述输出边界进行反向传播，得到切片后的图卷积神经网络的输出边界，根据该节点在当前的扰动预算下的输出是否满足所述约束条件，来确定出所述扰动预算的极大值，根据所述扰动预算的极大值判断对该节点的分类结果是否可信。

6、进一步地，图数据包括节点属性矩阵，所述图卷积神经网络的每层均包括消息传递矩阵；

7、进一步地，对所述图卷积神经网络进行切片，得到切片属性矩阵，包括：

8、对所述图卷积神经网络每层的消息传递矩阵进行切片，得到切片后的消息传递矩阵，并对节点属性矩阵进行切片，得到切片后的切片属性矩阵；

9、其中，切片后的消息传递矩阵包括对应受到攻击扰动的节点的行和列，并包括与该节点多跳的邻居节点对应的行和列；

10、所述切片属性矩阵包括受到攻击扰动的节点的行，并包括该节点多跳的邻居节点的行；

11、利用切片后的消息传播矩阵和切片属性矩阵确定切片后的图卷积神经网络。

12、进一步地，扰动预算包括全局扰动预算和局部扰动预算；

13、进一步地，确定该节点的切片属性矩阵受到攻击扰动后的空间范围，包括：

14、对于受到攻击扰动的节点，确定该节点的切片属性矩阵受到攻击扰动后的节点属性矩阵；

15、利用该节点扰动前的切片属性矩阵和扰动后的节点属性矩阵，构建如下所示的所述空间范围：

16、

17、其中，表示基于全局扰动预算q和局部扰动预算q的所述空间范围，表示扰动后的节点属性矩阵，表示扰动前的所述切片属性矩阵，q表示所述全局扰动预算，q表示关于该节点的所述局部扰动预算，并且存在q＝k·q，k表示预设常数，l表示所述图卷积神经网络的层数，nl-1表示该节点的第l-1跳的邻居节点；角标nj表示处于矩阵的第n行第j列的元素，n:表示第n行的所有元素。

18、进一步地，约束条件包括第一约束条件和第二约束条件；

19、进一步地，利用扰动后的分类结果和扰动后的节点属性矩构建所述空间范围内的约束条件，包括：

20、对于受到攻击扰动的节点，在切片后的图卷积神经网络对扰动后的节点属性矩阵进行分类后，确定出真实类别的概率和最大概率；

21、将所述真实类别的概率与所述最大概率的差值大于零作为所述第一约束条件；

22、将所述空间范围作为约束所述扰动后的节点属性矩阵的所述第二约束条件。

23、进一步地，线性边界包括线性边界上界和线性边界下界；

24、所述为切片后的图卷积神经网络的每层构建激活函数的线性边界，以确定出该层的输出边界，包括：

25、对于切片后的卷积神经网络每层的激活函数，响应于确定该层激活函数的输入均在正区间时，则将该层激活函数的所述线性边界上界和所述线性边界下界均设置为h(y)＝y；

26、响应于确定该层激活函数的输入均在负区间时，则将该层激活函数的所述线性边界上界和所述线性边界下界均设置为h(y)＝0；

27、响应于确定该层激活函数的输入在正区间和负区间均存在时，则将该层激活函数的所述线性边界上界设置为并将所述线性边界下界设置为hr(y)＝0、hr(y)＝y和中的一个；

28、其中，y表示该层激活函数的输入，并且存在y∈[r,u]，r表示该激活函数输入的第一边界，u表示该激活函数的第二边界，h(y)表示该激活函数的输入均在正区间或均在负区间时的线性边界，hu(y)表示该层激活函数的输入在正区间和负区间均存在时的线性上边界，hr(y)表示该层激活函数的输入在正区间和负区间均存在时的线性下边界，表示切片后的图卷积神经网络第l层输入的矩阵中第k个元素的线性边界上界，则表示切片后的图卷积神经网络第l层输入的矩阵中第k个元素的线性边界下界；

29、利用所述线性边界替代该层的激活函数，并得该层的输出边界。

30、进一步地，根据该节点在当前的扰动预算下的输出是否满足所述约束条件，来确定出所述扰动预算的极大值，包括：

31、在每轮迭代中，根据本轮的全局扰动预算确定该节点本轮的局部扰动预算；

32、在所述本轮的全局扰动预算和所述本轮的局部扰动预算下，判断切片后的图卷积神经网络的输出结果是否满足所述约束条件；

33、响应于确定不满足，按照预设的步长减小所述当前的全局扰动预算，得到下轮的全局扰动预算；

34、响应于确定满足，按照预设的以本轮的局部扰动预算为步长，增加所述当前的全局扰动预算，得到下轮的全局扰动预算；

35、响应于确定达到预设的迭代轮次确定出扰动预算的极大值。

36、进一步地，根据所述扰动预算的极大值判断对该节点的分类结果是否可信，包括：

37、响应于确定在扰动预算的极大值下，该点攻击扰动后满足所述约束条件，确定对该点的分类结果可信。

38、基于同一发明构思，本技术还提供了一种基于图神经网络的通信网络鲁棒性检验装置，包括：切片模块、空间范围定义模块和下边界确定模块；

39、其中，所述切片模块，被配置为，将预设通信网络中全部节点的属性组成所述通信网络的图数据，将所述图数据输入至预设的图卷积神经网络，对每个节点，通过对所述图卷积神经网络进行切片，得到切片后的图卷积神经网络，并确定切片属性矩阵；

40、所述空间范围定义模块，被配置为，确定该节点的切片属性矩阵受到攻击扰动后的空间范围，利用切片后的图卷积神经网络对扰动后的节点进行分类，得到扰动后的分类结果，利用扰动后的分类结果和扰动后的节点属性矩构建所述空间范围内的约束条件；

41、所述下边界确定模块，被配置为，为切片后的图卷积神经网络的每层构建激活函数的线性边界，以确定出该层的输出边界，基于该层的所述输出边界进行反向传播，得到切片后的图卷积神经网络的输出边界，根据该节点在当前的扰动预算下的输出是否满足所述约束条件，来确定出所述扰动预算的极大值，根据所述扰动预算的极大值判断对该节点的分类结果是否可信。

42、基于同一发明构思，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的基于图神经网络的通信网络鲁棒性检验方法。

43、基于同一发明构思，本技术还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述基于图神经网络的通信网络鲁棒性检验方法。

44、基于同一构思，与上述任意实施例方法相对应的，本技术还提供了一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得所述计算机执行如上任一项所述的基于图神经网络的通信网络鲁棒性检验方法。

45、从上面所述可以看出，本技术提供的基于图神经网络的通信网络鲁棒性检验方法及相关设备，基于将通信网络中各节点的属性组成图数据，从而利用图卷积神经网络来对图数据中的各个节点进行分类，并对图卷积神经网络进行切片，从而在减小图卷积神经网大小的同时，减少验证鲁棒性时需考虑的除了攻击扰动之外的其他潜在扰动；通过定义节点扰动的空间范围，来构建关于分类结果的约束条件，并以此来确定出满足该约束条件时的扰动预算的极大值，其中，通过将以线性边界来替代激活函数，并通过反向传播来确定出图卷积神经网络的输出边界，以配合约束条件来调整全局扰动预算，进而得到全局扰动预算的极大值，并将其作为鲁棒性下边界，据此，在节点被扰动时，实现判断其分类结果是否准。