CP-AGN：一种基于因果先验引导的自适应图网络，用于非合作网络中的拓扑推断

《Neurocomputing》：CP-AGN: A causal prior-guided adaptive graph network for topology inference in non-cooperative networks

　　

摘要

在无法获取结构和路由信息的情况下，准确推断网络拓扑对于分析非合作网络至关重要。为解决这一难题，我们提出了CP-AGN，这是一种结合因果先验与轻量级神经网络优化模块的混合框架。具体而言，该框架利用多变量霍克斯过程从网络事件序列中捕捉潜在的因果关系并构建先验模型。在此基础上，通过轻量级卷积模块利用成对相关性统计量进行边节点筛选和置信度重新调整。在标准TCP/IP协议假设下，通过对NS-3模拟数据集的广泛实验表明，CP-AGN能够在存在噪声和数据丢失的情况下依然有效恢复隐藏的网络结构。

引言

在网络态势感知和网络安全领域，准确理解底层网络拓扑结构对于许多分析任务而言至关重要，这些任务包括评估网络弹性[1]、识别关键节点[2]以及制定有针对性的威胁应对策略[3]。然而，在网络运营商不共享内部路由和拓扑信息的非合作环境中，通常只能依靠被动监控。这类场景包括跨管理域的企业网络审计、无法获取交换机配置时的数据中心故障定位，以及由第三方部署节点的无线传感器网络诊断。在这种环境下，必须仅通过可观察的事件数据来推断网络实体之间的真实结构关系，这使得拓扑推断成为一项需要系统研究的复杂问题。

在这样的环境中，可用信息往往仅限于在各个节点处记录的事件序列。例如，在无线通信场景中，射频监测设备可以检测到特定节点的传输活动，但却无法确定对应的接收端[4]。因此，分析人员不得不依赖被动收集的事件时间戳。其核心挑战在于通过揭示这些观测数据中的隐含时间依赖关系和因果关系，来推断可能的网络连接。

早期关于网络拓扑推断的研究大多采用统计因果方法来确定节点间的定向关系。典型的方法包括格兰杰因果关系[5]和传递熵[6]，它们基于统计依赖性来衡量预测影响力。虽然这些方法能有效检测出相关的活动模式，但往往难以捕捉到数据包级通信中出现的非规律性、突发性行为。为解决这一问题，后来人们采用了多变量霍克斯过程[7]，它为自激发动态提供了明确的建模方式。不过，传统的MHP模型采用线性方式聚合激励效应，无法体现包括数据包竞争、缓冲延迟和重传行为在内的非线性现象[8]。

为克服这些局限，近期研究开始采用深度学习方法，直接从观测到的事件流中推断网络拓扑[9]、[10]、[11]、[12]。尽管这类模型具备足够的灵活性，能够捕捉高阶非线性交互模式，但其有效性通常依赖于大规模的标注数据集，才能确保训练的稳定性和可靠性。在非合作场景中，这类方法更容易出现过拟合和优化不稳定问题。

在本研究中，我们提出了因果先验引导的自适应图网络框架CP-AGN，这是一种用于非合作网络环境的混合拓扑推断框架。该框架包含两个主要组成部分：第一个部分是统计先验提取模块，它利用MHP模型来描述节点间的时间触发关系，从而生成因果先验；第二个部分是轻量级神经网络优化模块，它借助相关性统计量来进行边节点筛选和置信度重新调整。我们在NS-3生成的数据集上进行了大量仿真测试，结果表明，在标准TCP/IP协议假设下，CP-AGN具有出色的性能。

本研究的主要贡献如下：

• •
  我们提出了CP-AGN，这是一种结合基于MHP的因果先验与轻量级神经网络优化模块的混合拓扑推断框架。
• •
  我们设计了一种轻量级神经网络优化模块，它利用1次卷积运算和相关性统计量，通过抑制虚假边节点并校准链接置信度，来优化初始的因果先验模型。
• •
  在标准TCP/IP协议假设下，通过对NS-3生成的数据集进行的实验表明，与现有基准方法相比，CP-AGN具有更好的性能，并且能够有效抵御噪声和信号丢失的影响。

章节节选

相关工作

由于无法直接访问中间节点或内部路由信息，如何在非合作环境中推断网络拓扑一直是过去几十年来研究的热点问题。早期的研究从网络层析技术[13]的角度着手，通过延迟、数据包丢失率或吞吐量等端到端测量指标来推断网络的内部结构。利用路径级指标的加性特性，这些方法

基础知识

本节为理解所提出的框架提供必要的背景知识。首先，我们描述非合作网络环境中的物理观测条件，说明可用的测量手段及其局限性。接着，概述了我们方法所依据的关键建模假设。最后，简要介绍MHP的数学表达形式，强调其在捕捉因果激励关系和时间交互作用方面的核心作用。

CP-AGN框架概述

CP-AGN是一种将统计因果先验与轻量级神经网络优化模块相结合的混合框架。如图2所示，该框架由两个模块构成：统计先验提取模块和轻量级神经网络优化模块。

具体而言，统计先验提取模块利用MHP模型来描述节点间的动态关系。借助MHP与格兰杰因果关系之间的形式等价性，该模块能够以结构化的方式呈现整体的因果交互关系。

实验仿真与结果分析

本节对用于事件驱动型拓扑推断的CP-AGN框架进行了详细评估。首先，我们介绍了NS-3仿真环境及所采用的评估指标。接着，将CP-AGN与现有的基准方法进行比较，以评估其推断精度。随后，通过消融实验和热图可视化手段，分析了框架各内部组件的作用。此外，我们还在含噪声的数据集上进行了进一步对比，最终分析了该框架的计算效率。

结论

在本研究中，我们提出了CP-AGN，这是一种用于非合作环境下的网络拓扑推断混合框架。该框架利用MHP构建因果先验，同时通过轻量级神经网络优化模块，利用皮尔逊相关性系数来筛选边节点并重新调整置信度得分。在标准TCP/IP协议假设下，通过对NS-3生成的数据集进行的实验表明，CP-AGN的性能优于现有的各类基准方法，且具有可接受的稳定性水平。

CRediT作者贡献说明

Ang Dong：论文撰写——初稿编写、软件开发、方法设计、数据整理。Yan Kang：可视化处理、问题研究、形式化分析。Ying Li：论文撰写——审稿与编辑、研究指导、问题探究。Yangming Guo：模型验证、研究指导、概念构思。Jiang Long：可视化处理、研究指导、数据整理。Zun Liu：可视化处理、模型验证、软件开发。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关联或个人关系。

Ang Dong目前在中国西安的西北工业大学网络安全学院攻读博士学位。他的主要研究兴趣包括复杂网络、拓扑推断、关键节点识别等领域。

Ang Dong|Yan Kang|Ying Li|Yangming Guo|Jiang Long|Zun Liu

中国西安710072，西北工业大学网络安全学院