一种复杂网络脆弱性分析方法和装置与流程

1.本发明属于网络分析技术领域，尤其涉及一种复杂扑网络脆弱性分析方法和装置。


背景技术：

2.目前网络脆弱性分析方法计算复杂程度较高，一万条数据的分析过程需要运行半分钟的时间，无法应对数量规模更大的复杂网络的计算；同时目前网络脆弱性分析方法的分析维度较少，仅仅局限于复杂网络节点的负载，关联维度不超过十个，并不能精确地反应复杂网络节点的脆弱性情况。


技术实现要素：

3.本发明要解决的技术问题是，本发明提供一种复杂网络脆弱性分析方法和装置，可以应对数量规模更大的复杂网络的计算；同时可以精确地反应复杂网络节点的脆弱性情况。
4.为实现上述目的，本发明采用如下的技术方案：
5.一种复杂网络脆弱性分析方法，包括：
6.步骤s1、获取复杂网络的节点属性信息；
7.步骤s2、根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；
8.步骤s3、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
9.作为优选，步骤s2中，根据节点属性信息，得到复杂网络系数包括：
10.步骤211、获取节点入度、节点出度、连接边数和网络节点数量；
11.步骤212、根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；
12.步骤213、根据聚集系数，得到复杂网络系数。
13.作为优选，步骤s2中，根据节点属性信息，得到各节点运行状态信息，包括：
14.步骤221、获取各个节点的依赖关系
15.步骤222、根据各个节点的依赖关系，得到拓扑网络；
16.步骤223、根据拓扑网络，得到节点状态方程组；
17.步骤224、根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。
18.作为优选，步骤s2中，根据节点属性信息，各个节点初始脆弱性值，包括：
19.步骤231、获取历史节点属性数据；
20.步骤232、对历史节点属性数据进行预处理；
21.步骤233、根据预处理后的历史节点属性数据，得到训练集；
22.步骤234、将训练集的关联字段代入lasso回归模型进行调参训练，得到最优网络
节点预测模型；
23.步骤235、将实时的节点属性数据代入最优网络节点预测模型，计算各个节点初始脆弱性值。
24.作为优选，步骤s3具体包括：
25.步骤31、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；
26.步骤32、根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
27.本发明还提供一种复杂网络脆弱性分析装置，包括：
28.获取模块，用于获取复杂网络的节点属性信息；
29.第一处理模块，用于根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；
30.第二处理模块，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
31.作为优选，第一处理模块包括：
32.第一获取单元，用于获取节点入度、节点出度、连接边数和网络节点数量；
33.第一计算单元，用于根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；
34.第二计算单元，用于根据聚集系数，得到复杂网络系数。
35.作为优选，第一处理模块包括：
36.第二获取单元，用于获取各个节点的依赖关系；
37.构建单元，用于根据各个节点的依赖关系，得到拓扑网络；
38.第三计算单元，用于根据拓扑网络，得到节点状态方程组；
39.第四计算单元，用于根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。
40.作为优选，第一处理模块包括：
41.第三获取单元，用于获取历史节点属性数据；
42.预处理单元，用于对历史节点属性数据进行预处理；
43.生成单元，用于根据预处理后的历史节点属性数据，得到训练集；
44.训练单元，用于将训练集的关联字段代入lasso回归模型进行调参训练，得到最优网络节点预测模型；
45.第五计算单元，用于将实时的节点属性数据代入最优网络节点预测模型，计算各个节点初始脆弱性值。
46.作为优选，第二处理模块包括：
47.第六计算单元，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；
48.第七计算单元，用于根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
49.本发明具有以下技术效果：
50.1、通过实时监督网络和节点运行状态，动态同步物理脆弱性，搭建集成网络，通过优化网络支撑降低系统性物理关联脆弱性情况，给出可靠的策略。
51.2、分析维度高，充分考虑了节点相互支撑关系以及几自身脆弱性属性。
52.3、计算效率快，预判价值高，能较为准确预测网络的脆弱性，更加全面地反映了一个网络的抗风险能力和运作效率。
53.4、支持多个复杂网络的脆弱性计算，实现大型复杂网络以及各节点脆弱性状态实时更新。
附图说明
54.图1为本发明实施例复杂网络脆弱性分析方法流程图；
55.图2为本发明实施例网络节点的结构示意图。
56.图3为本发明实施例依赖网示意图；
57.图4为本发明实施例爆仓前后各个节点运行状态指数情况示意图。
具体实施方式
58.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
60.实施例1：
61.如图1所示，本发明实施例提供一种复杂网络脆弱性分析方法，包括：
62.步骤s1、获取复杂网络的节点属性信息；
63.步骤s2、根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；
64.步骤s3、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
65.作为本发明实施例的一种实施方式，步骤s2中，根据节点属性信息，得到复杂网络系数包括：
66.步骤211、获取节点入度、节点出度、连接边数和网络节点数量；
67.步骤212、根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；
68.步骤213、根据聚集系数，得到复杂网络系数。
69.节点入度：在传导网络图中能够将脆弱性传导至此节点(即重要节点)的相邻的所有上级节点的数目之和。例如在脆弱性传导网络中，节点i指向j，此外没有任何节点指向节点j，则称节点j的入度是1。
70.节点出度：在传导网络图中的含义是此节点能够将脆弱性传导至临近的所有下级节点的数目之和。例如在传导网络中，节点i指向j，此外i不指向任何节点，则称节点i的出
度是1。
71.连接边数：顶点所具有的边的数目称为顶点的连接变数，即节点出度入度之和。
72.网络节点数量：如图2所示，当前网络一共有a,b,c,d,e,f,六个节点，网络节点数量为六。
73.以节点c为例，共有两个节点a,e指向目标节点c，即a
→
c,e
→
c，节点c的入度为2；目标c只向外指向f点，即c
→
f，节点c的入度为1；c点的连接边数的入度和出度的和，为3。
74.通过构造拓扑网络，求得各个节点拓扑关系，如节点的度k(入度+出度)，相邻节点边数以及关联网络总节点的数量。根据节点的空间分布求得节点之间的距离d
ij
，通过代入一下公式得到节点的聚集系数c，聚集系数，又称簇系数，指的是网络的集团化程度，往往与度分布有一定的联系。结点i的簇系数描述的是网络中与该结点直接相连的结点之间的连接关系，计算公式为：
[0075][0076]
作为本发明实施例的一种实施方式，步骤s2中，根据节点属性信息，得到各节点运行状态信息，包括：
[0077]
步骤221、获取各个节点的依赖关系；
[0078]
步骤222、根据各个节点的依赖关系，得到拓扑网络；
[0079]
步骤223、根据拓扑网络，得到节点状态方程组；
[0080]
步骤224、根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。
[0081]
拓扑网络由网络中的各个节点以及节点的拓扑关联组成，节点的拓扑关联指节点之间存在物理或逻辑的连接，如节点的某指标的变化可导致其他节点的状态同步发生变化，称存在同步变化关系的节点为关联节点。基于目标节点某种指标的变化对其他节点造成影响，将节点集群关联起来，形成网状拓扑结构，就是构建拓扑网络的过程，而目标节点也叫该拓扑网络的中心节点。
[0082]
在拓扑网络中，节点的运行状态可由脆弱性和健康度表征，健康度和脆弱性呈线性负相关关系，节点的状态同健康度与节点自身属性有呈一定的正相关关系，一个节点的脆弱性的变化势必对应该节点的健康度的变化，而健康度变化势必造成关联的下游节点的健康度也造成一定程度的变化，变化的影响过程和传导方式遵循链式风险传导模型，通过传导网作用于该节点的下游节点，从而达到网络中健康度以及节点状态的传递。节点自身属性已知的条件下(一般为节点的产能，如发电厂对应日发电量，货运站对应的日货运量)，可以求得拓扑网络中各个节点的经风险传导之后节点健康度，脆弱性和节点状态。
[0083]
链式风险传导推理模型采用大数据、复杂网络的方式挖掘分析重要节点间的依赖关系，并将依赖关系量化分类。某一个节点的脆弱性主要依赖与其自身的自身属性和其依赖节点的脆弱性。选定节点与其他节点的依赖关系可以分为两种，一对一依赖、一对多依赖，节点c对节点b存在一对一依赖，节点b对节点a存在单一依赖。节点a的损伤会传导到节点b,影响节点b的脆弱性。节点b的脆弱性变化会进一步传导到节点c，影响节点c的脆弱性。
[0084]
传导网和健康度：传导网为由依赖关系连接而成的特殊网络，是链式风险传导推理的基础。网络中每一个节点代表一个实体，节点之间为依赖与被依赖关系。节点状态
(node state)表示节点的运行情况，取值范围是0～1，0表示该节点无法运转，1表示该节点完全正常运转。节点状态受节点自身健康度和依赖健康度两个因素影响。
[0085]
节点自身健康度(node health)：又称为运行状态，用于衡量节点自身受损程度，取值范围是0～1，0表示该节点完全受损，1表示该节点无受损。
[0086]
节点的脆弱性和健康度的关系：健康度和脆弱性之间的关联关系是线性负相关关系。可以用下面的公式来计算：
[0087]
c＝a*h+b*(1-f)
[0088]
其中，c表示脆弱性指数，h表示健康度指数，f表示环境压力指数(也可以称为外部风险指数)，a和b是常数。
[0089]
这样节点的脆弱性一旦发生变化，会直接影响到节点自身的健康度，从而通过健康度的依赖网络进行传导。
[0090]
依赖健康度(support health)：用于衡量某一条依赖关系的受损程度，取值范围是0～1，0表示该依赖关系完全受损，1表示该依赖关系无受损。
[0091]
节点c的运转收到a和b的依赖，同时节点c依赖节点d。节点c的运行状态s(c)的量化方法为：
[0092][0093]
其中，h(c)为节点c的自身健康度，h(a
→
c)为依赖关系a
→
c的健康度，α为a
→
c对于节点c的自身属性，同理h(b
→
c)为依赖关系b
→
c的健康度，β为b
→
c对于节点c的自身属性。
[0094]
对于依赖网中的单一节点，共有无依赖、一对一依赖、多对一依赖三种依赖情况。
[0095]
无依赖表示一个节点没有上游依赖节点，只向别的节点提供依赖，如图3中的节点a和b均为无依赖节点。无依赖节点的状态等于节点自身健康度。
[0096]
一对一依赖表示一个节点只有一个上游依赖节点，如图3中的节点d只有一个上游节点c。一对一依赖节点的状态等于节点自身健康度与上游依赖健康度乘积。
[0097]
多对一依赖表示一个节点有多个上游依赖节点，如图3中的节点c有节点a和b两个上游节点。多对一依赖节点的状态等于节点自身健康度与上游依赖健康度加权和乘积。
[0098]
为了简化依赖网络模型，通常在实际计算中将上游依赖健康度等同于上游节点自身健康度，以依赖关系a
→
c为例，h(a
→
c)＝h(a)，这种等同关系的实际含义是如果a能正常运转，a就能向c提供100％的依赖作用。
[0099]
简化后的节点状态方程组为：
[0100][0101]
假设节点a自身遭受风险时，h(a)下降，s(a)也下降，进而导致节点c的运行状态s
validation随机分为训练集和测试集。
[0129]
作为本发明实施例的一种实施方式，步骤s3具体包括：
[0130]
步骤31、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；
[0131]
步骤32、根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
[0132]
进一步，得到健康度发生变化之后的网络各节点的健康度和运行状态si，最终将上述参数代入脆弱性物理关联模型，得到复杂网络的系统脆弱性；
[0133]
物理关联发生在特定的重要基础节点之间，物理关联脆弱值为关联网络中所有节点脆弱性的平均值与网络的聚集系数的乘积，计算公式为：
[0134][0135]
其中，uw为物理关联脆弱性；v0为节点的初始脆弱性；si为节点i的运行状态；n为关联网络中节点数量；c为网络的聚集系数。
[0136]
案例1：
[0137]
以某公司在南部某省大约2000个物流配送站点的配送情况，基于某目标物流节点的关联货舱和站点情况构造物流拓扑网络。
[0138]
如图4所示，为某配送拓扑网络a节点配送站发生爆仓问题，对网络节点运行状态造成的影响，可见随着该节点的爆仓伴随着健康度降低，节点的运行状态大幅下降。
[0139]
通过代入复杂网络脆弱性分析计算模型得到，该节点爆仓之后的网络脆弱性，得到网络脆弱性值大幅提高，可知该节点的状态对整个网络的稳定性上起着较为重要的作用。
[0140]
实施例2：
[0141]
本发明还提供一种复杂网络脆弱性分析装置，包括：
[0142]
获取模块，用于获取复杂网络的节点属性信息；
[0143]
第一处理模块，用于根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；
[0144]
第二处理模块，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
[0145]
作为本发明实施例的一种实施方式，第一处理模块包括：
[0146]
第一获取单元，用于获取节点入度、节点出度、连接边数和网络节点数量；
[0147]
第一计算单元，用于根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；
[0148]
第二计算单元，用于根据聚集系数，得到复杂网络系数。
[0149]
作为本发明实施例的一种实施方式，第一处理模块包括：
[0150]
第二获取单元，用于获取各个节点的依赖关系；
[0151]
构建单元，用于根据各个节点的依赖关系，得到拓扑网络；
[0152]
第三计算单元，用于根据拓扑网络，得到节点状态方程组；
[0153]
第四计算单元，用于根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。
[0154]
作为本发明实施例的一种实施方式，第一处理模块包括：
[0155]
第三获取单元，用于获取历史节点属性数据；
[0156]
预处理单元，用于对历史节点属性数据进行预处理；
[0157]
生成单元，用于根据预处理后的历史节点属性数据，得到训练集；
[0158]
训练单元，用于将训练集的关联字段代入lasso回归模型进行调参训练，得到最优网络节点预测模型；
[0159]
第五计算单元，用于将实时的节点属性数据代入最优网络节点预测模型，计算各个节点初始脆弱性值。
[0160]
作为本发明实施例的一种实施方式，第二处理模块包括：
[0161]
第六计算单元，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；
[0162]
第七计算单元，用于根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。
[0163]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，在任何熟悉本技术领域的技术人员在本发明所述的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种复杂网络脆弱性分析方法，其特征在于，包括：步骤s1、获取复杂网络的节点属性信息；步骤s2、根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；步骤s3、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。2.如权利要求1所述的复杂网络脆弱性分析方法，其特征在于，步骤s2中，根据节点属性信息，得到复杂网络系数包括：步骤211、获取节点入度、节点出度、连接边数和网络节点数量；步骤212、根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；步骤213、根据聚集系数，得到复杂网络系数。3.如权利要求2所述的复杂网络脆弱性分析方法，其特征在于，步骤s2中，根据节点属性信息，得到各节点运行状态信息，包括：步骤221、获取各个节点的依赖关系步骤222、根据各个节点的依赖关系，得到拓扑网络；步骤223、根据拓扑网络，得到节点状态方程组；步骤224、根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。4.如权利要求3所述的复杂网络脆弱性分析方法，其特征在于，，步骤s2中，根据节点属性信息，各个节点初始脆弱性值，包括：步骤231、获取历史节点属性数据；步骤232、对历史节点属性数据进行预处理；步骤233、根据预处理后的历史节点属性数据，得到训练集；步骤234、将训练集的关联字段代入lasso回归模型进行调参训练，得到最优网络节点预测模型；步骤235、将实时的节点属性数据代入最优网络节点预测模型，计算各个节点初始脆弱性值。5.如权利要求4所述的复杂网络脆弱性分析方法，其特征在于，步骤s3具体包括：步骤31、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；步骤32、根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。6.一种复杂网络脆弱性分析装置，其特征在于，包括：获取模块，用于获取复杂网络的节点属性信息；第一处理模块，用于根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；第二处理模块，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。7.如权利要求6所述的复杂网络脆弱性分析装置，其特征在于，第一处理模块包括：
第一获取单元，用于获取节点入度、节点出度、连接边数和网络节点数量；第一计算单元，用于根据节点入度、节点出度、连接边数和网络节点数量，得到聚集系数；第二计算单元，用于根据聚集系数，得到复杂网络系数。8.如权利要求7所述的复杂网络脆弱性分析装置，其特征在于，第一处理模块包括：第二获取单元，用于获取各个节点的依赖关系；构建单元，用于根据各个节点的依赖关系，得到拓扑网络；第三计算单元，用于根据拓扑网络，得到节点状态方程组；第四计算单元，用于根据据节点状态方程组，通过基于链式风险传导推理模型修改节点的健康度，得到各节点运行状态信息。9.如权利要求8所述的复杂网络脆弱性分析装置，其特征在于，第一处理模块包括：第三获取单元，用于获取历史节点属性数据；预处理单元，用于对历史节点属性数据进行预处理；生成单元，用于根据预处理后的历史节点属性数据，得到训练集；训练单元，用于将训练集的关联字段代入lasso回归模型进行调参训练，得到最优网络节点预测模型；第五计算单元，用于将实时的节点属性数据代入最优网络节点预测模型，计算各个节点初始脆弱性值。10.如权利要求9所述的复杂网络脆弱性分析装置，其特征在于，第二处理模块包括：第六计算单元，用于根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，通过脆弱性物理关联模型，得到以单个节点为中心的系统脆弱性；第七计算单元，用于根据单个节点为中心的系统脆弱性，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。

技术总结
本发明公开一种复杂网络脆弱性分析方法和装置，包括：步骤S1、获取复杂网络的节点属性信息；步骤S2、根据节点属性信息，得到复杂网络系数、各节点运行状态信息和及各个节点初始脆弱性值；步骤S3、根据复杂网络系数、各节点运行状态信息和各个节点初始脆弱性值，得到所有节点为中心的系统脆弱性和节点状态变化使网络的系统脆弱性带来的变化。采用本发明技术方案，可以应对数量规模更大的复杂网络的计算；同时可以精确地反应复杂网络节点的脆弱性情况。况。况。


技术研发人员：周懿芳
受保护的技术使用者：中电普信（北京）科技发展有限公司
技术研发日：2023.05.06
技术公布日：2023/10/7