物联网在现代社会得到了广泛的部署,比如消防预警、边境反恐和智慧农业等,这些应用要求物联网具有较低的数据延迟和较高的生命周期。无标度物联网模型可以抵抗节点由于能源耗尽和硬件故障发生的随机损耗,而在针对网络中关键节点的恶意攻击下却十分脆弱。因此,提升无标度物联网的鲁棒性,维持网络在恶意攻击下的连通性极其重要。神经网络模型对于序列建模任务具有极强的特征提取能力。将拓扑鲁棒性优化问题转化为序列预测任务可以在不损失优化效果前提下,提升优化效率。因此,本文基于监督学习任务提出一种新的鲁棒性优化策略,该策略包含数据集生成和处理、模型训练和预测拓扑重构三个阶段。首先通过多种群遗传算法生成拓扑样本数据集,在数据集预处理中将网络连接关系转化为适合特征提取的序列模型。为提取脆弱的初始拓扑和高鲁棒性的目标优化拓扑间的映射关系,该策略采用卷积神经网络来学习数据集中鲁棒网络的结构特征。另外,结合网络连接关系设计模型的经验损失函数和优化效果衡量指标用于模型的训练和筛选。最终,充分考虑到物联网中节点的度数和通信能力约束,设计预测拓扑重构算法将得到的预测拓扑序列还原为物联网连接关系。该鲁棒性优化策略在提供高效的鲁棒性优化服务同时,不改变物联网拓扑的无标度分布特性。本文采用的神经网络模型在学习鲁棒拓扑结构特征时能以较少的迭代次数收敛,并且实现和目标算法近似的优化效果。通过对本策略预测拓扑分析,发现其和目标拓扑具有类似的极其鲁棒的类洋葱头结构。另外,同Hill-Climbing算法和Simulated-Annealing算法相比,本策略不仅在优化效果上有显著提升,而且极大的降低优化所需时间。因此,该策略可以实现以较少的时间开销优化无标度物联网对恶意攻击的抵抗能力。