基于图神经网络的网络化数据分析技术研究

1. 问题描述： 互联网、5G、物联网等网络通信技术的快速发展，万物互联时代的时代已经来到，网络化数据（Networked Data）无处不在，图作为一种数据结构，它对一组对象（节点）及其关系（边）进行建模，由于图结构的强大表现力、灵活性，基于图的描述方法应用非常广泛，图分析技术具有越来越重要的地位，比如：
   • 深入了解图的形成过程，结构演化分析
   • 异常检测 —— 异常行为，变化规律
   • 预测 —— 根据过去预测未来
   • 新结构——新的图结构的模拟
   • 图补全——很多图都是部分可观察的
   • “What if” 场景，根据表征识别对象 鉴于课题组前期研究成果和数据积累，可研究的网络形态以典型战术通信网络为研究对象，该网络以军事基础设施作为物理通信基础，以IP化的通信网络和相关业务系统为业务承载基础，以作战域军事实体代表学术研究中”社会域”实体，关注网络中节点的生灭、关系动态接替、系统相互备份等规则，建立由虚拟实体—物理实体、层内关联—层间依赖、静态结构—动态适应相结合的多层、异质、动态、相互依赖的军事基础设施网络。
2. 主要研究内容：
   • 多层依赖异质网络表达 多层依赖异质网络表达的建模与表示是整个研究的起点和基础。借鉴目前在多层网络研究过程中出现的多样化网络、相互作用网络、相互连接网络、相互依赖网络、多维度网络、多层次网络和超网络等不同的学术名称所相关的描述方法，比如张量模型、超网模型等理论方法，结合所要研究的军事目标网络，首先厘清多层依存网络的概念，并对其内涵外延进行界定，其次对多层依存网络的结构模型、运行机制、级联失效机制和恢复机制进行形式化描述，提出新颖、有效的建模方法对网络拓扑进行数学表达。
   • 博弈对抗条件下的关键点/链路识别方法 复杂网络关键点识别（CNI）已经研究多年，有大量关于优化问题求解的方法比如动态规划、启发式搜索等方法可以借鉴。课题主要从对敌有效性的角度，研究敌目标网络在受攻击后结构动态适应的表达规则，在优化目标上，区别传统从网络整体角度比如最大连通子图、平均连通性等网络性能指标，考虑级联失效、恢复策略情况下缺失节点（集）前后的对作战域的影响（可从连通性和业务支撑性两个角度），及攻击方攻击代价约束等方面构建关键点识别模型和求解算法。

3. 参考技术路线： GCN+GAT+HIN

4. 研究资源：
   • 常用的网络节点重要性排序指标有：度值、介数、接近中心性、k-壳值和特征向量等。其中，度值排序是一种局部排序方法，即网络中一个节点的度值越大则该节点越重要；介数是以经过某个节点的最短路径数量来评估节点重要性的方法，即经过某节点的最短路径数越多，该节点重要性越大；节点的接近中心性为节点与网络中其他节点距离平均值的倒数，即节点接近中心性越大则该节点越重要；k-壳分解是一种对网络中节点重要性粗粒化划分的方法；特征向量的基本思想为：网络中节点的重要性既与节点的度值大小有关，同时也与邻居节点的重要性有关。
   • https://en.wikipedia.org/wiki/Credal_network
   • Cozman F G. Credal networks[J]. Artificial Intelligence, 2000, 120(2):199-233.
   • Vergari A, Mauro N D, Esposito F. Simplifying, Regularizing and Strengthening Sum-Product Network Structure Learning[C]// Joint European Conference on Machine Learning & Knowledge Discovery in Databases. 2015.