当深度学习遇上复杂网络鲁棒性评估

《Chaos, Solitons & Fractals》：When deep learning meets complex network robustness assessment

　　摘要：复杂网络的鲁棒性评估是网络科学中的核心问题，对基础设施的韧性、通信系统以及社会动态有着重要影响。然而，传统方法存在诸多局限。基于模拟的方法需要反复执行计算量大的程序，这限制了其实时评估鲁棒性的能力。而基于渗流理论的分析方法虽然理论严谨，但需要复杂的数学推导，对于结构极为复杂或层次众多的网络而言难以应用。为解决这些问题，本文提出了一种新的数据驱动框架，用于实时评估网络鲁棒性。该框架的核心思想是利用现有的鲁棒性评估技术构建带标签的训练数据集，再通过卷积神经网络对该数据集进行训练，从而使训练好的模型能够直接预测未知网络的鲁棒性值，无需进行成本高昂的模拟或复杂的数学推导。为验证所提方法，我们在合成网络和真实网络上进行了大量实验，结果表明该方法能够在显著减少计算时间的同时，准确预测网络的鲁棒性。这项工作将网络拓扑结构和节点扰动信息都纳入卷积神经网络中，为复杂网络的高效且可扩展的鲁棒性分析开辟了新方向。

引言：由于网络在现代基础设施、通信系统、交通运输、电网以及生物过程等领域发挥着关键作用，复杂网络的鲁棒性已成为网络科学中的重要研究主题[1]、[2]、[3]、[4]。在此背景下，鲁棒性通常指网络在遭受故障、有针对性攻击或其他形式的结构扰动时仍能保持功能性能的能力[5]、[6]。因此，理解和准确评估网络的鲁棒性对于确保各种现实系统的稳定性和可靠性至关重要[7]、[8]。传统的鲁棒性评估方法大致可分为两类：基于模拟的方法和基于渗流理论的分析方法。基于模拟的方法通常涉及根据特定的攻击或故障策略反复从给定网络中移除节点或边[9]、[10]、[11]，然后再计算诸如巨分量大小或网络效率等指标[12]、[13]。尽管这些方法能提供可靠的鲁棒性数值，但它们本质上计算成本较高，因此无法实现实时评估[14]、[15]、[16]、[17]。每个新的网络实例都需要重新运行整个模拟过程，这严重限制了其可扩展性和实际应用性，尤其是对于大规模或动态变化的网络[10]、[11]、[18]。另一方面，分析方法往往依赖于渗流理论及相关数学框架[19]、[20]。这类方法为某些类型的网络提供了简洁的闭式解，有助于理解临界阈值和韧性机制[21]、[22]。然而，这类方法通常需要复杂的数学推导，且随着网络结构日益复杂，其适用性也会降低[23]、[24]。例如，对于多层或相互关联的网络，推导渗流阈值和鲁棒性指标可能极其困难甚至不可行[25]、[26]、[27]。在实际研究中，当无法得到分析解时，研究人员常常不得不依赖基于模拟的方法，从而承受模拟带来的高计算成本。鉴于这些局限，迫切需要能够同时实现高效性与准确性的新评估方法。数据驱动方法和深度学习的出现为这一领域提供了新的发展方向[28]、[29]、[30]。近年来，图表示学习与神经网络在链接预测、社区检测以及网络分类等任务中取得了显著成果[31]、[32]。不过据我们所知，目前很少有研究探讨深度学习模型直接预测网络鲁棒性的潜力[33]、[34]。这一现状促使我们提出了本研究的核心问题：深度学习能否实现复杂网络的实时且可扩展的鲁棒性预测？在本文中，我们提出了一种基于深度学习的复杂网络鲁棒性评估框架。该方法利用卷积神经网络学习网络结构与鲁棒性值之间的映射关系[35]、[36]、[37]。具体而言，我们构建了一个包含标签的数据集D=[X,Y]，其中X代表给定的网络结构，Y则表示使用现有评估方法得到的对应鲁棒性值[11]、[38]、[39]。通过在该数据集上训练卷积神经网络，可使模型泛化到未知网络，直接预测其鲁棒性值，无需重复进行模拟或复杂的数学推导[40]、[41]、[42]。这种从模型驱动向数据驱动的评估范式转变，为实时鲁棒性评估提供了新途径。本文的贡献主要有三点：（1）我们明确了现有鲁棒性评估方法的局限性，指出了基于模拟的方法与基于渗流理论的方法之间的权衡；（2）我们提出了一种新的数据驱动框架，利用卷积神经网络实时预测合成网络和真实网络的鲁棒性值；（3）通过大量实验验证了所提方法的有效性，证明了其与传统方法相比具有更高的准确性和效率。本文的其余部分结构如下：第2节回顾了有关网络鲁棒性及深度学习在网络分析中应用的相关研究；第3节详细介绍了所提出的基于卷积神经网络的框架；第4节阐述了实验设置与结果，包括在合成网络和真实网络上的测试情况，以及该方法的意义和潜在扩展方向；最后，第5节对全文进行总结，并指出未来的研究方向。

相关内容摘录：复杂网络鲁棒性：复杂网络在数学上可表示为图G=(V,E)，其中V={v1,v2,…,v|V|}是节点集合，E?V×V是边集合[43]、[44]。图G的邻接矩阵记为A∈{0,1}|V|×|V|，若节点vi与vj之间存在边，则Aij=1，否则Aij=0。网络的鲁棒性通常定义为其在遭受故障或攻击时仍能保持连通性或功能性能的能力[7]、[45]。一种常用的定量衡量指标是鲁棒性指数R[46]。

研究问题：如引言部分所述，现有的鲁棒性评估方法存在显著局限性。基于模拟的方法虽能提供准确的鲁棒性数值，但每个新的网络实例都需要重新计算，导致计算成本很高。而基于渗流理论的方法虽然较为简洁，但需要复杂的数学推导，且仅适用于结构易于分析的网络。这些局限性凸显出一种根本性的权衡。

实验研究：在本节中，我们进行了全面的实验研究，以验证所提出的基于卷积神经网络的鲁棒性预测框架的有效性。实验旨在回答以下研究问题：RQ1：所提出的卷积神经网络模型能否准确预测不同类型复杂网络的鲁棒性值？RQ2：与基准方法相比，所提方法在准确性和效率方面表现如何？RQ3：所提出的框架能否实现实时预测？

结论与未来工作：在本文中，我们提出了一种基于卷积神经网络的新型数据驱动框架，用于实时预测复杂网络的鲁棒性。与传统基于模拟或基于渗流理论的方法相比，后者要么计算成本高昂，要么需要复杂的数学推导，而我们的方法则利用监督学习直接将网络结构及节点移除比例与鲁棒性值建立映射关系。我们在合成网络以及……上进行了大量实验。

CRediT作者贡献说明：周伟伟：撰写——初稿、可视化、验证、方法论、正式分析、数据整理、概念构思。张琴：撰写——审阅与编辑、指导、资金获取。

利益冲突声明：作者声明不存在任何利益冲突。

致谢：本研究得到了中国国家社会科学基金（NSSFC）的资助，项目编号为25BGL219。

周伟伟 | 张琴
南京航空航天大学经济管理学院，中国南京210016