[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

说明书

本发明公开了基于表征学习的多智能体系统网络抗攻击能力评估方法。本发明方法采用多智能体系统网络抗攻击能力评估模型，利用机器学习中基于表征学习的卷积神经网络模型方法来对多智能体系统网络抗攻击能力进行评估。首先通过数学图论知识对多智能体系统网络进行数学描述，选取网络拓扑(r,s)鲁棒性作为评估网络抗攻击能力的主要依据，然后构建基于表征学习的卷积神经网络模型对样本网络集合进行训练，对具备相同节点规模的多智能体系统网络进行预测求取相应的(r,s)鲁棒性数值，通过求得的网络拓扑(r,s)鲁棒性参数对数值来评估系统网络的抗攻击能力。本发明方法不需要人工提提取样本特征，极大提高了处理效率，更符合实际应用，整个评估方法能够达到很高的精度。

技术领域

本发明属于多智能体系统技术领域，特别涉及一种基于表征学习的多智能体系统网络抗攻击能力评估方法。

背景技术

多智能体系统是由一组具有感知、通信、计算和执行能力的智能体个体组成的大规模网络系统。多智能体系统的思想最早来源于自然界中的动物现象，如鸟群、蜂群、鱼群等。此类系统可通过相邻智能体间的协作解决各类复杂问题，因而具有灵活性、可靠性、并行性等优势，在传感网、社交网、协同控制等诸多领域有着广泛的实际应用背景。

然而近些年来，随着网络安全风险日益突出，网络设计者在构建多智能体系统网络过程中对其系统抗攻击能力的表现也越来越重视。网络拓扑(r,s)鲁棒性是一种目前衡量多智能体系统网络抗攻击能力的有效指标，由美国北俄亥俄大学的LeBlanc教授在2013年发表的论文《Resilient Asymptotic Consensus in Robust Networks》中首次提出。

然而现有的对网络(r,s)鲁棒性评估方法如穷举、图构建、线性规划等，对其参数对(r,s)两个数值的评估，都是通过穷举和遍历算法来求解的，这类方法最大的缺点是需要获取网络通信拓扑全局信息。然而已有文献证明，针对大型分布式网络，对(r,s)参数对的求解是一个NP难问题。因而上述传统方法仅适用于节点数目较少、网络拓扑结构简单、规则的小型多智能体系统，而对于节点数目众多的大规模多智能体系统网络无法适用。

随着近些年机器学习技术的飞速发展，机器学习技术中的一类传统神经网络模型可通过模糊求解的方式，为求取大型分布式多智能体系统网络(r,s)鲁棒性提供了一种可行性。基于传统神经网络模型的方法本质上是通过模糊求解的方式，巧妙避开了精确求解时需克服的NP难问题。然而传统神经网络模型方法中需要人工查找样本特征，这不仅需要花费大量的人力，同时也需要消耗大量的计算时间，使得传统方法的应用效率不高。

发明内容

本发明的目的是为克服机器学习中传统神经网络模型方法在网络(r,s)鲁棒性评估时需要人工提取特征的缺点，并进一步能够直接从原始数据中学习样本特征，提供了一种信息全面、运行高效的基于表征学习的卷积神经网络(CNN)模型的多智能体系统网络抗攻击能力评估方法。

本发明方法采用多智能体系统网络抗攻击能力评估模型，利用机器学习中基于表征学习的卷积神经网络(CNN)模型方法来对多智能体系统网络抗攻击能力进行评估。首先通过数学图论知识对多智能体系统网络进行数学描述，接着选取网络拓扑(r,s)鲁棒性作为评估网络抗攻击能力的主要依据，然后构建基于表征学习的卷积神经网络模型对样本网络集合进行训练，接着对具备相同节点规模的多智能体系统网络进行预测求取相应的(r,s)鲁棒性数值，最后通过求得的网络拓扑(r,s)鲁棒性参数对数值来评估系统网络的抗攻击能力。

本发明方法具体包括以下步骤：