Identificación de nodos críticos y análisis de resiliencia frente a fallos en cascada

Área de la Ciencia:

• Ciencia de Redes
• Ciencias de la Computación
• Ingeniería de Sistemas

Sus antecedentes:

• Las redes de infraestructura crítica enfrentan importantes desafíos de seguridad debido a vulnerabilidades en nodos clave.
• El fallo de nodos críticos puede provocar fallos catastróficos en cascada, lo que afecta las funciones sociales.
• Los métodos existentes a menudo pasan por alto la distribución de la información del nodo y los efectos en cascada en la evaluación de la vulnerabilidad.

Objetivo del estudio:

• Desarrollar un marco integral (TEC-GNN) para la identificación de nodos críticos y la mejora de la resiliencia de la red.
• Evaluar la idoneidad de diferentes modelos de redes neuronales de grafos (GNN) para la identificación de nodos críticos.
• Investigar estrategias para mejorar la resiliencia de la red a través de la optimización de la asignación de recursos.

Principales métodos:

• Integración de redes neuronales de grafos (GNN), ingeniería de características y evaluación de la resiliencia dentro del marco TEC-GNN.
• Evaluación sistemática de modelos GNN, incluidos GraphSAGE, GCN y GAT, para la identificación de nodos críticos.
• Aplicación del análisis de componentes principales (PCA) para la reducción de la dimensión de las características y el análisis de los efectos del coeficiente de redundancia en la resiliencia de la red.

Principales resultados:

• GraphSAGE demostró un rendimiento superior en la identificación de nodos críticos, mostrando una alta correlación con señales supervisadas (coeficiente de Spearman: 0.822) y métricas predictivas sólidas (NDCG@K: 0.918, F1@K: 0.879).
• GraphSAGE logró una inferencia eficiente (0.002 s), adecuada para análisis en tiempo real, y PCA mejoró aún más el poder discriminatorio.
• El refuerzo específico de los nodos críticos identificados mejoró significativamente la resiliencia de la red con un costo mínimo, demostrando rendimientos decrecientes para una mayor redundancia.

Conclusiones:

• El modelo GraphSAGE es muy eficaz para identificar nodos críticos en redes complejas.
• Una estrategia de 'refuerzo de precisión', centrada en nodos críticos, ofrece un método eficiente para mejorar la resiliencia de la infraestructura en condiciones de recursos limitados.
• El marco TEC-GNN proporciona un enfoque escalable e interpretable para la evaluación de la vulnerabilidad y la mejora de la resiliencia en sistemas de infraestructura crítica.