【技术实现步骤摘要】
本专利技术属于网络安全及深度学习的，具体涉及一种基于蜜点情报与邻域权重自适应更新的节点特征构造方法。
技术介绍
1、图神经网络(gnn)的核心技术在于如何有效地构造节点特征，使得每个节点的表示不仅包含其自身信息，还能反映出其邻域节点的特征信息；这种特征构造依赖于不同的聚合机制，不同机制决定了如何从邻居节点中提取有用信息并更新目标节点的特征。目前，gnn中常见的特征聚合策略可以归纳为三类：均值更新机制、采样更新机制和注意力更新机制；每种机制通过不同的方式，提供了对节点特征构造的技术支撑。均值更新机制(meanaggregation)是图神经网络中最基础的特征聚合策略，其核心思想是将每个节点的邻居节点特征进行均值化处理，从而生成该节点的特征表示，适用于较为均匀的图结构；均值更新假设所有邻居节点对目标节点具有相同的重要性，特征贡献是等权的，代表性模型为图卷积网络(graph convolutional network,gcn)，具有聚合过程简单高效的优点。采样更新机制(sampling aggregation)的核心思想是通过减少每次聚合时参与的邻居节点数量，来降低计算复杂度，该机制适用于处理大规模图数据场景，代表性模型是graphsage(graphsample and aggregation)。注意力更新机制(attention aggregation)通过引入注意力机制，根据每个邻居节点对目标节点的不同贡献分配权重，能够动态建模图结构的复杂关系，代表性模型是图注意力网络(graph attention network,gat)。
2、但各机制也存在着相应局限性，主要体现在三方面：第一、均值更新机制(如gcn)通过对邻域节点的特征进行简单的平均操作，忽略了不同邻居节点对目标节点的影响力差异；这种线性消息传递方式在处理具有相似邻居节点的情况下，容易导致目标节点特征的同质化，难以捕捉节点间的细微差异，因此该方法在复杂网络中表现出特征差异性表达能力不足的问题。第二、采样更新机制(如graphsage)虽然通过对邻域节点进行随机采样，减少了计算复杂度，但采样过程的随机性导致无法保证所采样的节点能够充分代表整个邻域的结构和特征多样性，并且采样带来的信息丢失与噪声引入，进一步加剧了特征同质化的问题；此外，随机采样未能根据实时的图结构调整特征，导致其对动态图场景中的变化不敏感，降低了特征的时效性表达，尤其在溯源图等实时任务中表现出明显的不足。第三、注意力更新机制(如gat)在一定程度上通过计算邻域节点的权重，区分了不同节点的重要性，但其权重计算依赖于初始节点特征；若初始节点特征相似，注意力机制可能仍会为相邻节点分配相似的权重，难以有效区分异质性邻域的影响；同时，现有的注意力机制并未结合节点度数或邻域结构的变化进行实时调节，导致在动态场景中无法适应节点特征的实时变化，进而降低了对特征时效性的表达能力。
3、这些局限性的根本原因在于现有的消息传递机制大多采用线性或近似线性的聚合策略，未能充分建模节点间复杂的非线性关系。此外，现有的技术大多忽略了图结构中的层次性、多尺度信息，以及图在动态场景下的实时变化，导致特征构建的过程中捕捉复杂邻域关系和适应动态图变化时表现不足。因此，未来的研究需要探索更加灵活的非线性消息传递机制，并增强节点特征的差异化表达和时效性，提高其在实时溯源图等任务中的适应性和泛化能力。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于蜜点情报与邻域权重自适应更新的节点特征构造方法，通过实时动态地感知不同阶层邻居节点的影响力，并根据邻域节点的度数和数量等图结构信息进行自适应调整，能够灵活应对溯源图的动态变化，使溯源图中的节点特征构造更具精准性和时效性。
2、为了达到上述目的，本专利技术一方面提供一种基于蜜点情报与邻域权重自适应更新的节点特征构造方法，包括下述步骤：
3、对输入溯源图中的节点和边进行初始特征提取，并通过映射函数为其分配标签值，生成每个节点的初始特征向量；
4、对于溯源图中的目标节点，采用均值聚合方法将目标节点l阶范围内的邻居节点的初始特征向量进行聚合，生成固定维度的邻居特征矩阵；
5、采用基于注意力机制的特征更新方法将邻居特征矩阵与目标节点的初始特征向量相结合进行更新，并引入邻域自适应权重动态调节每阶邻域特征在注意力分数中的权重，得到更新后目标节点的特征。
6、作为优选的技术方案，所述生成每个节点的初始特征向量，具体为：
7、从溯源图中获取不同节点类型数量和不同边类型数量；
8、定义节点映射函数和边映射函数，为每个节点和每条边分配整数型的标签值；
9、将每个节点的真实标签值存储在真实标签数组中；
10、基于节点的入边和出边数量，提取每个节点的初始特征向量。
11、作为优选的技术方案，所述聚合过程描述为：
12、
13、其中，hl为聚合后目标节点第l阶的邻居特征矩阵，为目标节点v第l阶的邻居节点集合，为目标节点第l阶的第u个邻居节点的初始特征向量，l为设定的目标节点与邻居节点间的最大阶数；
14、所述邻居特征矩阵的固定维度为溯源图中所有节点的真实标签的个数。
15、作为优选的技术方案，所述得到更新后目标节点的特征，具体为：
16、基于目标节点每一阶邻居特征矩阵的平均度数和全局平均度数间的偏差计算自适应权重系数；
17、根据自适应权重系数、目标节点的初始特征表示及目标节点每一阶的邻居特征矩阵通过注意力机制，计算目标节点每一阶邻居特征矩阵的自适应权重；
18、依据自适应权重和目标节点每一阶的邻居特征矩阵，通过多头注意力机制进行融合更新，得到更新后目标节点的特征。
19、作为优选的技术方案，所述计算自适应权重系数，具体为：
20、计算目标节点每一阶邻居特征矩阵的平均度数，公式为：
21、
22、其中，avg_degreel为目标节点第l阶邻居特征矩阵的平均度数，dl为目标节点第l阶邻居节点的度数之和，nl为目标节点第l阶邻居节点的数量；dl和nl均由盾立方的蜜点情报统计得出；l为设定的目标节点与邻居节点间的最大阶数；
23、计算目标节点所有邻居节点的全局平均度数，公式为：
24、
25、其中，μ为目标节点所有邻居节点的全局平均度数，v为目标节点l阶范围内的所有邻居节点集合，|v|为目标节点l阶范围内的所有邻居节点的数量，vi为目标节点的第i个邻居节点；
26、根据目标节点每一阶邻居节点的平均度数和全局平均度数间的偏差计算自适应权重系数，公式为：
27、
28、其中，αl为目标节点第l阶邻居特征矩阵的自适应权重系数，β为控制超参数，根据安全专家的经验设定。
29、作为优选的技术方案，所述自适应权重的计算公式为：
30、
<本文档来自技高网...【技术保护点】
1.基于蜜点情报与邻域权重自适应更新的节点特征构造方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述生成每个节点的初始特征向量，具体为：
3.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述聚合过程描述为：
4.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述得到更新后目标节点的特征，具体为：
5.根据权利要求4所述的溯源图节点特征构造方法，其特征在于，所述计算自适应权重系数，具体为：
6.根据权利要求4所述的溯源图节点特征构造方法，其特征在于，所述自适应权重的计算公式为：
7.根据权利要求4所述的溯源图节点特征构造方法，其特征在于，所述多头注意力机制进行融合更新描述为：
8.基于蜜点情报与邻域权重自适应更新的节点特征构造系统，其特征在于，包括初始特征提取模块、邻域均值聚合模块及特征更新模块；
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程
...【技术特征摘要】
1.基于蜜点情报与邻域权重自适应更新的节点特征构造方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述生成每个节点的初始特征向量，具体为：
3.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述聚合过程描述为：
4.根据权利要求1所述的溯源图节点特征构造方法，其特征在于，所述得到更新后目标节点的特征，具体为：
5.根据权利要求4所述的溯源图节点特征构造方法，其特征在于，所述计算自适应权重系数，具体为：
6.根据权利...
【专利技术属性】
技术研发人员：仇晶，宗熠，陈荣融，倪晓雅，肖千龙，田志宏，纪守领，张乐君，刘园，胡铭浩，高成亮，陈玺名，安西康，李思颖，汤菲，
申请(专利权)人：广州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。