[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

摘要

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。

主权项

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，具体方法是：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(CNN)模型预测，得出最终分类结果。