[发明专利]基于表征学习的多智能体系统网络抗攻击能力评估方法

权利要求书

1.基于表征学习的多智能体系统网络抗攻击能力评估方法，其特征在于该方法步骤是：

步骤(1).将包含N个多智能体系统网络集合G＝{G₁,G₂,…,G_N}相对应的邻接矩阵集合A＝{A₁,A₂,…,A_N}中矩阵元素进行重排序，具体是：计算邻接矩阵A_i,i＝1,2,...,N中所有节点的入度数总和，随后按照降序排列，如遇到两个矩阵的总入度值相同，则按照遍历的先后顺序进行排列，重排后邻接矩阵集合记为A′＝{A₁′,A′₂,…,A_N′}，并转换为相应的灰度图进行展示；

步骤(2).构建基于表征学习的卷积神经网络模型，学习结束后获得权值矩阵W和偏倚向量b；

步骤(3).对具有相同数据集邻接矩阵的多智能体系统网络进行卷积神经网络模型预测，得出最终分类结果；

步骤(2)中构建基于表征学习的卷积神经网络模型具体包括：

(2-1).构建M个卷积层、L个隐藏层和输出层；

(2-2).将重排后的邻接矩阵A_i′输入卷积层，卷积层操作方式为x＝σ(K·A′_{[i:i+h-1:i+h-1]}+b)，h∈Z⁺，Z⁺表示正整数；其中，K为卷积核，是一个由实数组成的h维方阵；K∈R^h×h，R表示实数；b是一个h维的偏倚向量；σ为激活函数ReLu，卷积操作后获得一维向量x；

(2-3).将一维向量x输入全连接隐藏层，包含L个隐藏层的网络数学表达式为：

f(x)＝σ(W^L…σ(W²σ(W¹x+b¹)+b²)…b^L)；

前L₁个隐藏层为共享参数，后L₂个隐藏层为独立参数，L＝L₁+L₂，将计算结果输出给鲁棒性参数r和s各自的分类器；

(2-4).选取损失函数为归一化指数交叉熵，计算实际输出值与真实的网络鲁棒性(r,s)参数对的差值，随后应用adam优化算法更新权重；

(2-5).当输出结果的误差值满足初始设定要求，或者迭代次数达到初始设定上限次数时候，处理过程结束。