基于异构功能图的可扩展相互依赖基础设施系统关键性分析

《International Journal of Disaster Risk Reduction》：Scalable criticality analysis in interdependent infrastructure systems using functionality graphs

　　

关键基础设施系统（例如电力、饮用水、废水、交通等）已从孤立系统转变为高度互联、相互依赖的系统，支撑基本服务、经济生产力与公共安全。这些网络间的强相互依赖性导致扰动不再局限于本系统，而是作为级联失效跨基础设施传播。此外，社区生命线（如医院、消防站、警察局等）需要多种资源运行并提供基本服务（统称为功能(functionalities)）。这些功能对其服务社区的影响各异。因此，在互联基础设施系统中识别关键功能，对于通过资产加固提升韧性等下游任务至关重要。传统建模方法常无法捕捉功能级交互，亦不能量化其社区级后果。为此，研究人员引入可扩展框架，集成异构功能图（Hetero-Functional Graphs, HFGs）用于以社区为中心建模相互依赖基础设施系统，并利用图神经网络（Graph Neural Networks, GNNs）识别关键功能。基于HFG的方法通过将系统功能与依赖关系建为图、并将服务与资源需求作为节点特征，实现更丰富表示。在HFG上以专家输入的种子节点集训练的GNN可泛化识别关键功能，这对韧性增强至关重要。进一步，研究人员给出利用可达性退化因子（Access Degradation Factor, ADF）评估资产类型内关键性的方法。所提方法应用于美国堪萨斯州西部某县数据，以超过0.99的精确率与F1分数识别出基本功能，表明在类别不平衡下性能稳定。这些发现揭示了超越单一基础设施视角的关键功能。

研究背景方面，现代关键基础设施系统（Critical Infrastructure Systems, CIS）已由孤立实体演化为高度互联、相互依赖的系统之系统（system-of-systems），局部扰动可通过依赖链递归传播引发跨网级联失效。FEMA社区生命线（如电力、供水、医疗）强调需从以人为中心视角理解韧性，即关注危机中社区获取基本服务的能力而非纯技术失效。现有方法存在明显缺口：传统故障模式与影响分析（FMEA）依赖孤立子系统定性判断；组件级风险评估难以刻画现代网络的复杂依赖与级联效应；基于模型系统工程（MBSE）与网络科学虽先进，却常受限于细粒度功能异质性与非线性行为表达；基于智能体、贝叶斯或概率框架的方法多依赖场景假设、大量校准或计算密集型仿真，且将物理失效到人文影响隐性关联，未显式表示基础设施功能。因此，识别哪些资产级功能对维持社区基本服务获取最关键仍具挑战。为此，研究人员开展一项集成异构功能图（HFG）与图神经网络（GNN）的可扩展、以人为中心关键性分析研究，在《International Journal of Disaster Risk Reduction》发表，旨在填补“同时以功能级建模、跨多部门集成社区服务的可扩展关键性评估且能量化社区级影响”的方法空白。

关键技术方法上，研究人员构建由HFG生成工具包（HFG-TK）驱动的确定性转换流程：从MATPOWER、OpenDSS、EPANET/WNTR、SWMM/PySWMM、Path4GMNS及GIS等域模型抽取资产、拓扑、功能角色、资源流与地理空间属性，将每资产拆解为“资产-功能-资源”元组的功能节点，依据资源流向与跨扇区依赖规则（如水/废水资产需电力）及社区资产最近邻匹配生成层内与层间有向依赖边，并以资源供需、人口普查与脆弱性、可达性及拓扑指标构成节点特征矩阵F。样本来自美国堪萨斯州西部某县电力输配、饮水、废水、交通及社区资产（学校、医院、消防站等）的真实数据与公开数据集，按地理分区划分为训练HFG（222,635节点/639,775边）与测试HFG（100,473节点/147,035边）。在图表示上，研究人员采用两层GraphSAGE架构（隐藏维256，均值聚合+SAGEConv+ReLU，二分类交叉熵/聚焦损失），以领域专家标注的“关键/非关键”种子节点作弱监督信号，在地理不相交区域上做归纳式（inductive）泛化验证；后处理引入可达性退化因子（ADF）以中断前后至最近服务源最短路径时间或距离之比量化社区可达性退化。

研究结果部分，按论文章节浓缩如下：

1. 2.
   Methodology 方法论：研究人员提出HFG-GNN统一流水线，先由多基础设施层与社区资产输入经HFG-TK转为功能级图H=(V_H, E_H, F)，再以GNN学结构-功能模式。HFG生成遵循五条规则（资产拆功能节点、层内边继承拓扑、跨层边依资源需求、社区边连供需、无显式依赖时用地理最近邻），确保给定输入下定然可复现。

2.1 HFG generation for interdependent systems 相互依赖系统HFG生成：明确输入模式含唯一标识、层别、资产类型、功能角色、资源/服务类型、拓扑与CRS坐标；输出功能节点以“资产ID,层,类型,角色,资源”五元组表示。社区资产（如医院拆为运行、需电、需水、产废水、提供医疗等服务节点）使表示粒度过资产级更细，使GNN可定位资产内关键功能而非仅关键资产。节点特征涵盖资源消费/供给、服务供需、SVS/FIPS/脆弱区、拓扑度等。

2.2 GNN-based critical element identification 基于GNN的关键要素识别：图定义为G=(V,E)，节点特征x_v∈R^d，两层SAGEConv：H⁽¹⁾=ReLU(SAGEConv⁽¹⁾(X))，Z=SAGEConv⁽²⁾(H⁽¹⁾)出logits，交叉熵损失L训练。因学通用结构-功能嵌入，模型可直接推断同构分布下未见过的新区图，支持归纳泛化与局部更新推理。

2.2.1 Expert-seeded supervisory labels 专家种子监督标签：标签来自运营商标注、设计约束与韧性实践，非独立验证金标准，仅作初始监督；后续可融多专家共识、历史中断记录或仿真结果精炼。

2.3 Quantifying access degradation 量化可达性退化：提出ADF=中断场景相对基线在获取资源的时间/距离变化量÷基线时间/距离。以交通子图最短路径算居民点到最近医院等服务提供者时延，GNN判关键后算各受影响消费者ADF，用于按社区影响排优先级。

1. 3.
   Case study: Western Kansas, USA 案例：美国堪萨斯西部某县。3.1数据按地理分区训练/测试；3.2实验用i9-12900K+RTX3090，Optuna调超参（学习率0.0091、dropout0.539、隐维256、Focal γ1.169、权衰2.823e?05、批归一化），GraphSAGE训100轮。3.3关键功能识别：在类别不平衡下精确率0.9931、召回0.9957、F1 0.9944、准确率0.9991；地理不相交测试证明归纳泛化。模型超出专家种子集识别出grocery_require_firefighting_service与gasstation_require_firefighting_service等关键功能，证HFG能捕单一基础设施视角遗漏的耦合脆弱性。图6/7显示同功能类型（如building operation）下节点关键性非均匀，取决于局部连接与服务人口；图8用ADF展示同类型消防站1比消防站2社区影响大，支撑资产内关键性差异。

讨论与结论翻译总结：研究人员指出，所提框架首次把功能级HFG建模、跨扇区-社区集成、可扩展GNN学习与ADF社区影响量化结合，在西部堪萨斯案例中以>0.99精度/F1识别关键功能，揭示单基础设施视角外的关键资产-服务组合。局限在于依赖专家种子标签、未扩展时间与因果建模；未来可融多源标签、加时序与因果推断。该研究为决策者在相互依赖CIS中定位关键功能、以人为中心分配加固资源提供可扩展工具，桥梁了结构中心与可达性中心两类韧性方法。

综上，论文核心贡献为：丰富HFG表示、可扩展GNN关键性评估、以ADF为人本影响量化器，三者闭环支撑社区韧性规划。