计算机软件经历了数十年的发展,其规模越发的庞大,复杂性也不断的提高。在功能不断完善的同时,这种背景下产出的软件系统也会暴露处一些问题。其一是由于庞大的代码量带来的学习、迭代和维护成本低的陡然上升,其二是软件系统面临的宕机和安全漏洞等风险也不可避免的升高。而随着复杂网络和软件网络理论的诞生和发展,这些问题有了一定程度上被解决的可能。复杂网络由于存在小世界效应和无标度特性,其节点呈现“不均匀”的分布,通俗的说存在少数相对重要的节点对整个网络的影响力更大。而软件网络的研究者发现,以软件系统内不同粒度单元为节点所构建的软件网络同样存在小世界效应和无标度特性,这是在软件网路中识别某些关键节点的理论基础。经过相关领域学者的研究发现,使用软件网络关键节点识别方法识别到的节点,确实在更大程度上影响软件系统的稳定性等衡量指标,这就使得复杂网络的重要性与软件网络节点的关键性相关联,给软件系统相关工作人员带来了巨大的便利。近年来深度神经网络逐渐成为人工智能领域最热门的研究方向,其在自然语言处理、图像处理、推荐系统等应用方面取得了不俗的成绩。但过往的诸多研究成果大多集中于对欧几里得数据的处理中,直到图神经网络的诞生,使深度神经网络具备了对非欧几里得数据处理的能力。图神经网络可以对节点及其相邻节点的特征进行聚合和传播,使其具有表征图结构的能力。软件网络的关键类识别研究也借由图神经网络的东风再次扬帆起航。由于传统的软件网络关键类识别算法的计算复杂度较高,在很多大型的、复杂的软件网络中的应用已不具有可行性。在软件网络研究领域已有学者将图神经网络的研究成果应用于软件网络关键类识别中,并取得了一定的成果。本文结合复杂网络、软件网络、图神经网络的相关理论,以及借鉴已有的在软件网络关键类识别的研究,提出了一种基于图注意力网络的软件网络关键类识别方法。首先通过源码分析工具分析软件系统的类调用关系,以有向带权图的方式构建软件网络的图结构数据。然后利用已有的随机游走图嵌入模型对软件网络图节点进行嵌入向量表示,经过图嵌入框架处理之后的节点表征向量隐含了图的拓扑结构信息。接下来利用图注意力网络对软件网络图进行隐藏信息的学习,并利用局部输出函数输出节点的重要性指标。如此便完成了对软件网络关键节点的识别。在图注意力网络的训练过程中,借鉴了排序学习的思想,将节点的重要性顺序与真实顺序一致作为优化目标。最后利用两个开源软件系统作为本文方法的验证集,并对比已有的典型关键类识别方法,对本文的有效性进行验证。实验结果表明本文的方法相较于典型的基准方法,在测试软件系统上的表现有所提升,这证明了本文方法的可行性。