(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210779226.0 (22)申请日 2022.07.04 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 张煜　李婷婷　刘运　吴庚杰　 刘鸿福　杨景照　安郎平　曾诚逸　 蒋超远　刘果　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 段盼姣 (51)Int.Cl. G16H 50/80(2018.01) G06F 16/901(2019.01) G06V 10/44(2022.01)G06V 10/80(2022.01) (54)发明名称 有向网络智能瓦解方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及一种有向网络智能瓦解方法、 装 置、 计算机设备和存储介质。 所述方法包括： 获取 疫情接触网络训练集中的疫情接触网络样本的 疫情接触图； 构建用于提取节 点瓦解序列的网络 瓦解模型， 将疫情接触图的邻接矩阵和 邻接矩阵 的转置矩 阵分别输入第一图注意力层对疫情接 触图的每一节 点进行节点表示， 得到第一特征图 和第二特征图， 根据第一特征图和第二特征图， 得到融合特征图， 分别在第一特征图和第二特征 图中引入包含 所有节点特征的虚拟节 点， 并输入 至第二图注意力层， 得到虚拟融合特征图， 将融 合特征图和虚拟融合特征图输入深度强化学习 层进行强化学习， 得到疫情接触网络样本的节点 瓦解序列。 采用本方法能够实现对疫情接触网络 进行网络瓦解。 权利要求书3页 说明书15页 附图6页 CN 115101214 A 2022.09.23 CN 115101214 A 1.一种有向网络智能瓦解方法， 其特 征在于， 所述方法包括： 获取疫情接触网络训练集中的疫情接触网络样本的疫情接触图； 所述疫情接触网络训 练集中的样本是不同规模的疫情接触网络样本； 构建用于提取节点瓦解序列的网络瓦解模型， 所述网络瓦解模型包括第一图注意力 层、 第二图注意力层和深度强化学习层， 将所述疫情接触图的邻接矩阵和所述邻接矩阵的 转置矩阵分别输入所述第一图注意力 层对所述疫情接触图的每一节点进 行节点表示， 得到 第一特征图和 第二特征图， 根据所述第一特征图和所述第二特征图， 得到融合特征图， 分别 在第一特征图和 第二特征图中引入包含所有节点特征的虚拟节点， 并输入至所述第二图注 意力层， 得到第一虚拟特征图和第二虚拟特征图， 根据所述第一虚拟特征图和所述第二虚 拟特征图， 得到虚拟融合特征图， 将所述融合特征图和所述虚拟融合特征图输入所述深度 强化学习层进行强化学习， 得到所述疫情接触网络样本的节点瓦解序列； 通过预先构建的模型损失函数训练所述网络瓦解模型， 得到训练好的网络瓦解模型； 将待瓦解的疫情接触网络对应的疫情接触图输入至所述训练好的网络瓦解模型， 得到 待瓦解的疫情接触网络的节点瓦解序列， 根据所述节点瓦解序列对待瓦解的疫情接触网络 进行网络瓦解。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述疫情接触图的邻 接矩阵和所述 邻接矩阵的转置矩阵输入所述第一图注意力层对所述疫情接触图的每一节点进行节点表 示， 分别得第一特征图和 第二特征图， 根据所述第一特征图和所述第二特征图， 得到融合特 征图， 包括： 将所述疫情接触图的邻 接矩阵和所述邻 接矩阵的转置矩阵分别 输入所述图注意力层， 根据每一节点的特征对所述疫情接触图中每一节点的相邻节点自适应分配相 邻权重， 通过 多头自注意力对所有节点进行加权平均， 得到第一特 征向量和第二特 征向量； 根据所述第一特 征向量， 得到第一特 征图， 根据所述第二特 征向量得到第二特 征图； 对所述第一特征向量和所述第二特征向量进行串接， 得到融合特征向量， 根据所述融 合特征向量， 得到融合特 征图。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述第 一特征向量和所述第 二特征 向量进行串接， 得到融合特 征向量， 包括： 采用元素串接法将所述第 一特征向量和所述第 二特征向量进行串接， 得到 融合特征向 量为： 其中， Yi为节点i的融合特征向量， yi为节点i的第一特征向量， 为节点i的第二特征向 量， LN(·)为归一化函数， Concat( ·)为元素串接函数， ELU( ·)为指数线性单元激活函数， k为多头注意力的层数， k∈[1， K]， 为在第k层注意力中节点j将特征传 递到节点i时的注权　利　要　求　书 1/3 页 2 CN 115101214 A 2意力权重， 为线性变换矩阵， n为节 点数量， F为输入特征的维度， F ′为 输出特征的维度， xi为第i个节点的特征， xi∈X， X为特征矩阵， X＝{x1,x2,…， xN}， 为节点i的一阶邻居集， t为邻居阶数。 4.根据权利要求1所述的方法， 其特征在于， 根据 所述第一虚拟特征图和所述第 二虚拟 特征图， 得到虚拟融合特 征图， 包括： 对所述第一虚拟特 征图和所述第二虚拟特 征图进行拼接， 得到虚拟融合特 征图为： 其中， ZG为虚拟融合特征图， σ( ·)为任意激活函数， αk为注意力系数， 为融合特征 图， 为权重矩阵， 为邻居节点的节点表示向量， ||为向量拼接操作， Wk为线性变换矩 阵， W4为学习参数， LeakyRe  LU(·)为LeakyRe LU激活函数。 5.根据权利要求1 ‑4任一项所述的方法， 其特征在于， 所述将所述融合特征图和所述虚 拟融合特征图输入所述深度强化学习层进 行强化学习， 得到所述疫情接触网络的节点瓦解 序列， 包括： 将所述融合特征图和所述虚拟融合特征图输入所述深度强化学习层， 将所述融合特征 图中的融合特征向量作为动作， 将所述虚拟融合特征图中的虚拟融合特征图作为状态， 将 节点及其所连边移除前后网络鲁棒性得分变化作为奖励， 根据所述动作和所述状态， 得到Q 值； 采用贪心策略选择最大所述Q值对应的节点， 将所述节点及其所连边从疫情接触网络 中移除； 将移除节点后的剩余网络作为所述网络瓦解模型的新的输入样本， 迭代移除， 当移除 所述节点及其所连边后满足预先设置的终止条件时， 得到所述疫情接触网络样本的节点瓦 解序列。 6.根据权利要求5所述的方法， 其特征在于， 所述当移除所述节点及其所连边后满足预 先设置的终止条件时， 得到所述疫情接触网络的节点瓦解序列， 包括： 当移除所述节点及其所连边后满足预先设置的终止条件时， 得到所述疫情接触网络的 节点瓦解序列； 所述预 先设置的终止条件为： Γ(G)＜α 其中， Γ(G)为网络性能度 量函数， G表示疫情接触 网络， G＝(V， E)， V为疫情接触 网络的 顶点集， E为疫情接触网络的边 集， u， v为所述顶点 集中的顶点， α 为阈值。 7.根据权利要求1所述的方法， 其特征在于， 所述通过预先构建的模型损失函数训练所 述网络瓦解模型， 得到训练好的网络瓦解模型包括：权　利　要　求　书 2/3 页 3 CN 115101214 A 3