[发明专利]一种深度神经网络图对抗样本的预处理方法、系统及应用

权利要求书

1.一种深度神经网络图对抗样本的预处理方法，其特征在于，所述深度神经网络图对抗样本的预处理方法包括：

输入图数据G'，计算图数据G'每条边连接的两个节点的共同邻居数；

将图数据G'输入目标节点分类模型进行一次前向传播和梯度后向传播，获取邻接矩阵A的梯度；

根据图数据G'的每条边连接的两个节点的共同邻居数和梯度，将其中共同邻居数为零且梯度不为零的节点对的边，加入可疑边集合P；

对可疑边集合中的边连接的节点对计算杰卡德系数，作为每条可疑边的分数，记为分数集合Score；

根据分数集合，依次删除G'中分数低的边，得到预处理后的图数据G。

2.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述输入图数据G'＝(A,X)是无向连通图，图由N个点构成；其中A是有可能被攻击者添加了扰动的邻接矩阵，维度为[N,N]，X是没有被扰动的节点特征，维度为[N,D]，行代表节点序号，列代表特征序号；X是词袋的形式，即X_ij取值为0或1，代表第i个节点是否具有第j个特征；每一行代表各个节点的特征向量。

3.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述计算每条边连接的两个节点的共同邻居数的计算公式如下：

其中，A_u(v)代表邻接矩阵的第行，u(v)是节点的序号，C_u,v是节点对(u,v)的共同邻居数。

4.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述目标节点分类模型是用于处理输入图数据节点分类任务的深度神经网络模型，所述深度神经网络模型包括图卷积神经网络、图注意力网络；其中，所述梯度后向传播是目标模型要优化的损失函数对输入图邻接矩阵的梯度。

5.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述可疑边集合的选择和分数的计算是根据梯度下降原理，并且对抗样本会破坏原始图数据的结构性质和特征性质的特性。

6.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述对可疑集合P中每条边对应的节点对杰卡德系数的计算公式如下：

其中，M₁₁是节点对(u,v)共有特征的数量，M₀₁代表节点v有而节点u没有的特征的数量，M₁₀代表节点u有而节点v没有的特征的数量。

7.如权利要求1所述的深度神经网络图对抗样本的预处理方法，其特征在于，所述依次在G'上删除P中分数低的边时，保证G'上不出现单点，直到P中没有可删除的边；即在删除边之前需确认该边连接的两个节点的度都要大于等于2，删除边之后该边连接的两个节点的度各减去1，保证下一次的删边操作不产生单点。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

输入图数据G'，计算图数据G'每条边连接的两个节点的共同邻居数；

将图数据G'输入目标节点分类模型进行一次前向传播和梯度后向传播，获取邻接矩阵A的梯度；

根据图数据G'的每条边连接的两个节点的共同邻居数和梯度，将其中共同邻居数为零且梯度不为零的节点对的边，加入可疑边集合P；

对可疑边集合中的边连接的节点对计算杰卡德系数，作为每条可疑边的分数，记为分数集合Score；

根据分数集合，依次删除G'中分数低的边，得到预处理后的图数据G。