一种基于随机森林的指控网络关键节点智能识别方法与流程

本发明涉及人工智能领域，特别是一种基于随机森林的指控网络关键节点智能识别方法。

背景技术：

1、对于指挥控制网络关键节点的识别能力是体系对抗能力的重要组成部分。通过对关键节点的打击毁伤和电子干扰，破坏态势信息融合，摧毁指挥控制体系，压缩对手决策空间。随着近年以机器学习为代表的人工智能方法爆炸式发展，对于指挥控制网络关键节点智能识别方法成为研究热点。

2、在李懿凡等发表在《系统工程与电子技术》上的《基于广义连续时间贝叶斯网络的指挥控制网络系统可靠性分析》一文中，可以使用机器学习中的贝叶斯网络对关键节点进行识别。在张锴等发表在《大学数学》上的《基于时空图卷积的动态网络节点重要性研究》一文中，使用了图神经网络和循环神经网络对关键节点进行识别。在由中国电子科技集团公司第五十四研究所申请，授权公告号为cn117478474b的《一种基于深度学习的指挥控制网络关键节点识别方法》的专利中，基于卷积神经网络提出了指挥控制网络关键节点识别神经网络实现了识别关键节点。

3、上述专利和论文有一个共同的特点，就是采用深度神经网络识别关键节点，如循环神经网络、图神经网络和卷积神经网络。该方法优势在于从数据中采用范式结构实现节点提取，准确度高。但是，深度学习需要使用图像处理，如果不使用图形处理器而使用中央处理器将导致计算速度慢，从而导致对于硬件设备的配置需求，成本较高。

技术实现思路

1、有鉴于此，本发明提出一种基于随机森林的指控网络关键节点智能识别方法，该方法基于机器学习的随机森林分类器实现对于关键节点的识别，算力需求更低，运行速度更快，无需使用图像处理器，能够有效降低硬件成本。

2、本发明采用的技术方案为：

3、一种基于随机森林的指控网络关键节点智能识别方法，包括以下步骤：

4、步骤1：构建关键节点识别模型训练数据；

5、步骤2：生成智能关键节点识别模型；

6、步骤3：对待检测数据进行关键节点智能识别。

7、进一步地，步骤1的具体方式为：

8、步骤1-1：针对多种不同结构的指控网络共进行k次采样；每次采样时，对一种指控网络进行t次通信侦察，获得如下统计数据：

9、

10、其中，指控网络共有n个网络节点以及l种通信方式，n和m为网络节点标号，l表示通信方式的种类，为t次通信侦察中，节点n和节点m以通信方式l互通的次数除以t；

11、步骤1-2：将每次采样的统计数据转化为列表形式的数据样本：

12、

13、将每次采样的指控网络下的关键通信节点设置为y，作为数据样本的标签；

14、将k次采样的数据样本组成数据集，包括样本数据集和标签数据集；

15、按照比例，将数据集切分为训练数据集和测试数据集，二者数量分别为和，其中表示向上取整；训练数据集的样本数据集为，维度为；训练数据集的标签数据集为，维度为；测试数据集的样本数据集为，维度为；测试数据集的标签数据集为，维度为。

16、进一步地，步骤2的具体方式为：

17、步骤2-1：从scikit-learn开源机器学习库的ensemble模块中引入随机森林分类模型；

18、步骤2-2：构建参数字典，定义要搜索的参数空间，包括每个参数的取值范围；参数字典中的参数包括：树的数量n_estimators、最大特征数max_features、最大深度max_depth、最小样本分裂数min_samples_split、最小样本叶子数min_samples_leaf、是否有放回抽样bootstrap；

19、步骤2-3：导入model_selection模块中的randomizedsearchcv函数，设置randomizedsearchcv函数的参数，参数中，要使用的模型为步骤2-1引入的随机森林分类模型，参数空间为步骤2-2构建的参数字典；

20、步骤2-4：通过randomizedsearchcv函数的fit功能，在训练数据集上对参数空间中的参数进行搜索，搜索完成后，通过best_params_属性获取训练得到的最优参数；

21、步骤2-5：使用步骤2-4得到的最优参数和score函数，在测试数据集上评估最优参数下模型的性能，从而得到准确度；如果准确度大于等于预设的准确度门限，则将最优参数进行存储，用于关键节点智能识别；如果准确度小于预设的准确度门限，则返回步骤2-4继续训练。

22、进一步地，步骤3的具体方式为：

23、步骤3-1：加载训练完成的最优参数，得到智能关键节点识别模型；

24、步骤3-2：将待识别交互数据输入智能关键节点识别模型中，生成识别结果。

25、本发明的有益效果在于：

26、本发明采用机器学习的随机森林分类器实现对于关键节点的识别。相比于采用深度学习方法，在实现准确识别需求下，本方法对算力需求更低，运行速度更快，并且无需使用图像处理器，能够有效降低硬件成本，提高方法对于硬件设备的适用性。

技术特征：

1.一种基于随机森林的指控网络关键节点智能识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于随机森林的指控网络关键节点智能识别方法，其特征在于，步骤1的具体方式为：

3.根据权利要求1所述的一种基于随机森林的指控网络关键节点智能识别方法，其特征在于，步骤2的具体方式为：

4.根据权利要求1所述的一种基于随机森林的指控网络关键节点智能识别方法，其特征在于，步骤3的具体方式为：

技术总结
本发明公开了一种基于随机森林的指控网络关键节点智能识别方法，属于通信侦察和人工智能领域。本发明包括：构建关键节点识别模型训练数据，生成智能关键节点识别模型，对待检测数据进行关键节点智能识别。本发明采用机器学习的随机森林分类器实现对于关键节点的识别。相比于深度学习方法，本方法对算力需求更低，运行速度更快，并且无需使用图像处理器，能够有效降低硬件成本，提高方法对于硬件设备的适用性。

技术研发人员：畅鑫,李艳斌,陈金勇,张红旗
受保护的技术使用者：中国电子科技集团公司第五十四研究所
技术研发日：
技术公布日：2024/7/29