非合作网络空间是指网络用户、设施设备、数据和活动不与感知方合作的网络空间,在现实世界中普遍存在。非合作网络的拓扑结构是开展非合作网络空间侦察监视、安全防御、攻击决策的重要基础。网络拓扑结构感知在数据获取、融合分析应用等方面获得了长足发展,近年来,随着图神经网络的兴起,进一步拓展深化了网络结构的相关研究。然而,在非合作网络感知过程中,受地理位置、信号接收条件、信息加密、探测成本等多方面制约,感知方无法获得目标网络的完整拓扑,存在残缺和不确定性。现有的结构感知方法在结构缺失处理、结构隐含信息挖掘和多手段测量融合方面存在不足。针对这一问题,本文面向非合作网络的拓扑结构感知全流程,首先研究非合作探测引入的结构缺失对后续分析和应用的影响,然后从两个角度开展结构补全:一是基于被动探测数据的结构智能预测;二是基于主被动结合的结构探测,最后利用相对完整的拓扑结构开展网络脆弱性节点分析。本文的主要创新与贡献如下:1.针对非合作探测带来的网络结构缺失影响不明问题,本文建立了结构缺失的影响评估框架。该框架将非合作探测建模为网络采样的实例,利用图神经网络在四种采样方法和三类结构分析任务上开展了系统评估。本文发现,在大多数单网络数据集中,图神经网络在有限的结构缺失后仍然适用,并确认了首选的网络采样方法和图神经网络模型,同时指出结构预测能普遍降低结构缺失的影响,从而提升图分析任务性能。作为目前首个系统评估网络采样对图神经网络影响的工作,该研究成果对网络采样策略选择和图神经网络的深化研究具有指导意义。2.针对非均匀缺失条件下的结构补全问题,本文了提出节点标签、节点特征和最短路径距离融合的结构智能预测方法。该方法包含基于节点标签的拓扑结构初始化、基于图深度学习的边概率估计、基于最短路径距离的边剪枝和结构迭代修正四个步骤,充分利用感知数据中隐含的结构信息,递进地提升结构预测性能,降低非合作感知带来的不确定性,实现了不均匀结构缺失的高精度补全。该方法充分挖掘被动探测数据中的隐含结构信息,为非合作条件下的结构感知提供了新途径,此外该方法作为一种结构预测框架,能适应结构不均匀缺失、均匀缺失等场景,普适性强。3.针对被动探测在非合作网络拓扑结构感知中的局限性,本文从主被动结合的角度出发,提出了主动探测点优化部署策略,进一步降低结构不确定性。该方法将主动探测节点的结构感知能力抽象建模为最短路径覆盖,针对直接求解的高时间复杂度问题,将最短路径覆盖转化为最短路径距离查询,通过半估计、边采样等优化方法实现毫秒内对百万节点规模网络进行求解;在确定性网络结构最短路径覆盖的基础上,针对结构预测得到的概率拓扑空间,提出了一种基于采样平均的主动节点部署方法,针对搜索空间大、计算复杂度高等问题,通过蒙特卡洛采样和动态最短路径距离计算相结合的优化方法,实现了主动探测点部署的高精度快速求解。仿真结果表明,本文提出的主动探测点能有效实现未知结构的感知,支撑对合作网络的安全防护和非合作网络的监视预警。4.针对网络拓扑结构在脆弱性分析方面的应用问题,本文从网络攻击对抗的角度,提出负载网络中的关键节点识别方法。在获得相对完整的拓扑结构基础上,将网络攻击建模为负载网络级联失效问题,并以渗流理论为基础,提出负载渗流概念,构建级联失效问题中的负载渗流模型,提出基于负载渗流的网络级联失效关键节识别方法,实现了脆弱性节点集的准确识别,为网络空间对抗奠定了基础。