GSRR: Graph Similarity and Resilience Ranking

论文引用
Li C, Du R, Wu J, et al. Resilient Optimization of Sensor Networks Deployment Based on Graph Similarity Learning and Node Resilience Prediction[C]//2025 6th International Conference on Computing, Networks and Internet of Things (CNIOT). IEEE, 2025: 1-5.
论文链接

摘要

网络弹性（Network Resilience）是指网络在面对故障或对抗性攻击时维持其功能的能力，是网络系统设计与部署中的关键因素。然而，传统的传感器网络优化部署方法往往忽略了这一重要因素。本文提出了一种结合图相似性学习与节点弹性预测的弹性优化方法，用于传感器网络部署，重点提升网络弹性性能。通过策略性地选择并引入最优备份节点，该方法显著增强了网络的整体弹性表现。实验结果表明，该方法在提升网络鲁棒性与能效方面具有显著优势，实现了更高效的备份节点分配。

---

工程结构说明

本项目为上述论文的源码实现，主要模块如下：

📁 utils

包含项目通用工具函数，分为以下子模块：

• dataprocess: 数据预处理模块
• GraphConstruct: 图构建相关函数
• utils: 其他通用工具函数

📁 model

模型定义模块：

• GAT: 基于图注意力网络（GAT）的模型实现
• model_cuda: 支持 CUDA 加速的模型版本
• model_cuda2: 改进版 GAT 模型，包含 NodeEmbeddingModule2

📁 MGC-RM

多粒度交叉表示与匹配模块（Multi-Granularity Cross Representation and Matching）：

• perturbation / perturbation2: 生成扰动图
• MFC_RMF / MFC_RMF2 / MFC_RMF2cuda2: 图相似性训练与预测模块
• plotpredictloss / plotscore: 可视化预测损失与相似度得分
• PageRank2: 基于权重的 PageRank 算法
• Perform: 性能评估模块
• no-readout: 不含 readout 层的变体实验

📁 Resilience

网络弹性评估模块：

• resilience-cpu / resilience_cuda: 基于 CPU 和 GPU 的弹性训练与评估
• resilience_train_test / resilience_eval: 模型测试与评估模块
• plotscore2 / plotscore-r / plotscore-y: 不同指标的可视化分析
• R-Perform: 弹性评估指标计算

---

📊 可视化结果

部分实验可视化结果如下：

---

🧪 使用说明

请参考各模块下的脚本文件与注释，建议按以下顺序执行：

1. 数据预处理与图构建
2. 模型训练（MGC-RM）
3. 弹性预测与评估（Resilience）