基于自适应时空特征感知的网络弹性预测

《Neurocomputing》：Network resilience prediction based on adaptive spatio-temporal feature perception

　　

摘要

传统的韧性预测模型由于依赖静态拓扑结构和单维时间建模，往往无法捕捉关键的时空耦合效应。为解决这一问题，我们提出了一种基于自适应时空特征感知的新的网络韧性预测模型——SANR，该模型通过三阶段框架实现突破。首先构建了时空双流架构，以便在频谱域实现动态的多特征增强；接着设计了时空双流对比学习机制，用以捕捉时空表示之间的内在关联；最后还设计了自适应感知投影层，通过动态门控权重实现特征的适应性融合。实验结果表明，与各种主流模型相比，SANR克服了传统方法在时空耦合方面的表征局限，显著提升了韧性预测的准确性和稳定性。

引言

网络韧性本质上是复杂系统在面临各类内外部干扰时仍能维持基本功能或快速恢复到正常状态的能力[1]、[2]。Bruneau等人[3]和Francis等人[4]建立的理论基础将韧性分为吸收能力、适应能力和恢复能力三类，这一分类推动了其在电网[5]、[6]、交通系统[7]、[8]、[9]以及生物网络[10]、[11]等关键基础设施中的应用。未来，它在图像异常检测[12]和云资源调度[13]等领域也将展现出更大的潜力。

早期关于网络韧性预测方法的研究主要集中在使用静态指标来评估网络特征。Gao等人[14]提出了基于通用韧性模型的GBB框架；Laurence等人[15]则利用谱降维方法简化复杂网络的评价过程；此外，学者们还通过韧性中心性[16]和缩放恢复率[SRR][17]来揭示系统抵抗崩溃的“缓冲能力”。然而，这些方法仍然受到均匀传播假设和线性叠加偏差的制约，难以准确描述复杂时空耦合下的动态交互特征。为解决这一问题，一些研究开始引入时空特征表示方法。ADMGM模型结合了联邦学习和移动边缘计算，有效聚合了邻域信息，增强了时空耦合特征建模[18]；GCN-DHSTNet模型则通过捕捉空间模式和短期时间特征提升了预测性能[19]；ASTMGCNet模型则借助多尺度特征提取和双重注意力机制增强了时空特征之间的关联性，从而显著提高了交通流量预测的准确性[20]。

在韧性预测研究中，针对时间依赖性与空间结构之间耦合特征的深度挖掘仍存在诸多不足。首先，传统方法依赖于严格的假设和固定拓扑结构，因此难以适应时空特征的动态变化。Nita等人[21]使用了动态贝叶斯网络，但其概率转移矩阵往往基于固定的拓扑假设，难以处理由结构变化引发的相关性变化。Maryam等人[22]则利用人工神经网络简化韧性预测，Duan等人[23]提出了降维方法，但这两类方法都将系统状态视为静态或准静态的特征向量，因而无法捕捉实时拓扑演变和多维度时空耦合的动态特征，导致预测性能较差。其次，表征方式的碎片化也限制了对时空耦合交互特征的深入挖掘。Sharafian等人[24]试图通过自适应RBF神经网络提升电力系统在欺骗攻击下的控制韧性，但他们未能从全局网络拓扑演变的角度揭示耦合特征的内在关联。现有的网络韧性预测方法无法充分捕捉节点活动之间的内在时空耦合关系，从而导致评估结果与实际系统韧性存在偏差。因此，亟需开发一种能够刻画时空耦合关系并协同感知时空特征的韧性预测模型，以实现更准确的评估。

为应对上述挑战，我们提出了基于自适应时空特征感知的网络韧性预测框架SANR，其核心创新在于构建了“特征解耦-对比学习-自适应融合”三阶段的理论框架。首先，通过时域特征编码器和频域增强编码器构建双流架构，从而在正交空间中对时空特征进行解耦表征。随后，模型设计了时空双流对比学习机制，利用噪声干扰下的特征一致性约束来提升模型的稳定性。最后，我们采用了包含动态门控机制的专家投影层，实现特征的适应性融合。SANR巧妙地整合了时域和频域的信息，提升了韧性预测的准确性和可靠性。具体创新点如下：

• •
  该双流结构包含时域特征编码器和频域增强编码器，能够有效聚合高阶空间相关性信息，并通过对时空信号进行多通道加权融合和逆变换重建，实现节点活动时空耦合特征的增强。
• •
  模型设计了时空对比学习机制，通过跨模态对比损失函数和内部对比损失函数的联合优化，实现时空特征的互补学习。
• •
  通过自适应感知投影层，利用双向池化技术提取不同尺度上的信息，结合门控机制对信息进行筛选，进而自适应地聚合虚拟节点的全局信息，并为节点轨迹的关键特征赋予权重，实现智能感知。

章节节选

基本理论

“韧性”一词源自拉丁语“Resilio”，其内涵已从单一学科领域发展为多学科融合的概念，被定义为在面对干扰时仍能保持功能的能力[25]、[26]。目前，韧性概念已被广泛应用于各个领域的系统研究中，其定义也在不断得到完善和丰富。

传统的韧性预测数学模型通常仅

方法论

我们提出了一种基于自适应时空特征感知的网络韧性预测模型SANR，该模型通过整合时域和频域特征，提升了对复杂网络节点韧性的捕捉能力。SANR由四个核心模块组成：时域特征编码器、频域增强编码器、时空双流对比学习模块以及自适应感知投影层，其具体结构如图1所示。

首先，时域部分

实验结果与分析

在本小节中，我们采用了五种基线模型进行了对比实验分析，从消融实验、损失收敛曲线分析以及模型泛化能力评估等多个角度验证了SANR模型的有效性。在评估指标方面，准确率用于衡量整体预测精度，而F1分数则用于评估模型在面对干扰时的稳健性和分类平衡性。这些实验是使用PyTorch等工具实现的

结论

为解决时空耦合特征碎片化的问题，我们提出了一种基于自适应时空特征感知的网络韧性预测模型SANR。该模型通过双流架构实现拓扑特征解耦，借助跨模态对比学习增强特征互补性，同时还通过自适应感知投影层提取关键特征。实验结果表明，SANR的性能显著优于各基线模型，能够保持更低的

CRediT作者贡献声明

周琳：写作——审稿与编辑，写作——初稿撰写，可视化，验证，监督，软件，资源，方法论，研究调查，概念构思。肖宇志：监督，方法论。郑玉辉：方法论，研究调查。叶忠林：软件，资金获取，概念构思。刘振：资源，方法论。赵海星：验证，方法论。

利益冲突声明

作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢

本研究得到了青海省自然科学基金（2025-ZJ-994M）和中国国家自然科学基金（62566050）的支持。

周琳于2022年获得青海师范大学硕士学位，目前在该校攻读博士学位。她是中国计算机学会的学生会员，研究兴趣包括图神经网络和复杂网络领域。

周琳|肖宇志|郑玉辉|叶忠林|刘振|赵海星

中国青海省西宁市810008，青海师范大学计算机学院