当前网络空间因随机性失效或恶意攻击所引发的网络安全问题日趋严重。网络鲁棒性作为网络安全的重要属性之一,反映网络在遭受攻击或自身故障后,保持其拓扑结构完整和服务功能稳定的能力。因此网络鲁棒性增强策略研究成为网络空间安全领域的前沿热点课题。现有方法主要基于复杂网络理论和启发式算法开展研究,存在以下问题:其一,基于启发式算法的网络拓扑优化方法涉及较多的选边、鲁棒性值计算和各种算子设计等操作,时间成本高,无法解决较低时延需求场景下的拓扑优化问题;其二,基于复杂网络理论的失效节点恢复方法主要考虑网络的节点度、介数等特征属性,难以表达影响网络鲁棒性的综合因素,无法应对不同攻击策略下的节点恢复问题。人工智能技术在特征提取、策略生成等方面的准确性、高效性、灵活性,为解决上述问题带来了新的契机。特别是,图神经网络作为专门针对图结构数据设计的深度学习模型,具有表达图结构和属性特征的天然优势,为网络智慧化发展提供了重要的技术支持。本文主要研究在不同应用场景下的网络鲁棒性的智能增强策略,通过引入图神经网络和深度强化学习提升网络鲁棒性增强策略的效率和灵活性,主要工作包括:1.提出一种基于图卷积神经网络的智能拓扑优化策略。传统的启发式算法作为网络拓扑优化策略的主流方法,其较高的复杂度导致计算成本较高,无法解决较低时延需求场景下的拓扑优化问题。而经典文献研究证实优化后的高鲁棒性网络拓扑具有“类洋葱”结构特征,且从初始拓扑到高鲁棒性优化拓扑之间存在一定的演化模式。因此,本文将拓扑鲁棒性优化问题转化为通过图卷积神经网络学习初始拓扑到高鲁棒性优化拓扑之间的增删连边演化模式问题。通过监督式学习从数据集中提取高鲁棒性网络拓扑的“类洋葱”结构特征,并在此基础上设计了搜索策略,以保证优化后拓扑的连边数量与初始拓扑一致。实验结果表明,该策略在保证拓扑鲁棒性优化效果的同时,有效地降低了计算成本。2.提出一种基于深度强化学习的重连边策略。监督式学习方式限制了网络鲁棒性优化效果的上限,无法解决高鲁棒性需求或无标签数据场景下的拓扑优化问题。重连边策略作为网络鲁棒性优化的经典策略,能够在不改变所有节点度数的前提下,增强网络抵抗恶意攻击的鲁棒性。因此,本文提出一种基于深度强化学习的重连边策略。首先,考虑到现实网络节点的物理位置、连接范围等约束,对传统的重连边策略进行改进;其次,为解决重连边策略在深度强化学习框架中动作空间较大的问题,设计一种选边策略网络对重连边策略进行有效分解;然后,通过图卷积神经网络和策略网络提取拓扑优化过程中重连边策略的演化行为特征;最后,设计一种动作比较器来确定最终动作的选择。本文将上述过程建模为马尔科夫决策过程,并通过基于策略梯度下降的深度强化学习框架实现神经网络参数的自动更新优化。实验结果表明,与三种现有网络鲁棒性优化策略相比,该策略在随机故障和恶意攻击下的鲁棒性优化效果均为最优。3.提出一种基于深度强化学习的失效节点恢复策略。针对如何在有限的资源条件下选择部分节点进行恢复的问题,现有策略主要考虑网络的节点度、介数等特征属性,难以表达影响网络鲁棒性的综合因素,导致鲁棒性增强效果受限。本文提出一种基于深度强化学习的失效节点恢复策略。首先,将失效节点的择优恢复问题转化为面向网络鲁棒性的节点重要性排序问题,该过程通过图卷积神经网络提取图的全局结构信息和节点的特征属性信息;其次,将特征信息输入到多层感知器得到节点特征到实数值的映射,并通过深度强化学习进行策略参数的自动更新优化;最后,考虑到优先恢复极大连通子图的边界节点有助于增强网络鲁棒性,结合节点重要性排序结果,对失效节点进行恢复。实验结果表明,在模拟网络和真实网络中所提策略在不同恢复比例、不同攻击方式下的鲁棒性增强效果均优于对比方法。