[发明专利]一种网络鲁棒性评估方法及系统

权利要求书

1.一种网络鲁棒性评估方法，其特征在于，所述方法包括：

获取网络的初始参数，根据所述初始参数获取所述网络的初始负载模型，所述初始参数包括：所述网络的初始节点数、初始边数、初始随机游走者数、负载容限参数和负载削减参数；

S1预处理阶段：在这个阶段研究了图数据出入度的基本统计量与r、s鲁棒性值之间的关系，同时为了扩展特征使用k-means算法对特征向量进行聚类，尝试从频谱空间寻找模式对矩阵进行区分；

S2训练阶段：在这个阶段，针对r、s值定制了其各自的损失函数、优化函数以及全连接层，在训练的过程中主要采用adam优化算法以批量的方式对多层感知器模型进行训练；

S3测试阶段：在这过程中将使用训练阶段得到的MLP模型超参数对预处理阶段得到的特征进行类别预测，得出最终分类结果。

在所述网络中模拟基于随机游走的网络故障，并根据所述初始参数和所述初始负载模型，基于卷积神经网络模型对特征进行提取，并通过特征进行特征学习，包含L个隐藏层的网络数学表达式如下：

f(x)＝σ(W^L…σ(W²σ(W¹x+b¹)+b²)…+b^L)

其中，x为输入的特征向量，W为权值矩阵，b为偏倚向量，σ为激活函数，在经过一些神经元之后，输入的特征向量将会被传递到分类器当中，分类器的损失函数表示如下：

C(f(x),y)＝l(f(x),y)

其中，y对应真实的标签，表示一个网络的r、s鲁棒性能值，l表示分类器函数；

最后将多层感知器的输出输入到分类器中，以实现多智能体网络鲁棒性的评估。

2.根据权利要求1所述的一种网络鲁棒性评估方法，其特征在于：在S2训练阶段，在卷积神经网络结构设计过程中为r、s值配置了各自的损失函数、优化函数以及超参数，训练过程采用adam优化算法,softmax交叉熵损失函数,采用十折交叉验证法，最终得到的CNN模型将作为测试模型。

3.根据权利要求1所述的一种网络鲁棒性评估方法，其特征在于：对预处理的算法复杂度进行分析，首先是获取所有鲁棒性网络基本统计量，接着是对矩阵进行分解，使用卷积神经网络模型对鲁棒图直接进行表征学习。

4.一种网络鲁棒性评估系统，其特征在于，包括：

初始模型获取单元，用于获取网络的初始参数，根据所述初始参数获取所述网络的初始负载模型，所述初始参数包括：所述网络的初始节点数、初始边数、初始随机游走者数、负载容限参数和负载削减参数；

多层感知器单元，用于将所有提取的特征发送到神经网络模型进行特征学习，采用adam优化算法以批量的方式对多层感知器模型进行训练；

卷积神经网络单元，卷积神经网络模型用于对特征进行提取，并通过特征进行特征学习，网络中模拟基于随机游走的网络故障，并根据所述初始参数和所述初始负载模型对鲁棒图进行表征学习；

鲁棒性评估单元，用于将多层感知器的输出输入到分类器中，以实现多智能体网络鲁棒性的评估。