A Bayesian Approach for the Network Reconstruction of Interdependent Critical Infrastructure Systems from Cascading Failures

技术摘要：一种用于相互依赖关键基础设施系统网络重构的贝叶斯方法

问题陈述
分析复杂相互依赖网络（特别是相互依赖的关键基础设施 (ICI) 系统，如耦合的水、电、气网络）的行为，需要对网络拓扑和相互依赖关系有完整的了解。然而，由于安全顾虑或分散化运营，这类数据通常是无法获取的。虽然某些相互依赖关系仅在发生故障后才会显现，但现有方法往往依赖于模型驱动的假设或合成数据生成。本研究旨在解决利用观测到的级联失效数据来重构未知 ICI 网络拓扑的逆问题。其挑战在于，如何在考虑基础设施系统固有的物理和拓扑约束（这些系统的特征是数据具有局部性和不确定性）的同时，从动态失效序列中推断网络结构。

方法论
作者提出了一种可扩展的非参数化贝叶斯方法，用于在给定一组级联失效观测值 ($C$) 的情况下，推断离散后验分布的网络拓扑结构 ($A$)。该方法的核心包括：

1. 贝叶斯公式化： 将问题构建为估计 $P(A|C) \propto P(C|A)P(A)$。

   • 似然函数 ($P(C|A)$)： 使用易感-感染 (SI) 流行病模型进行建模，以模拟失效在不同基础设施部门之间的传播。似然函数计算在给定候选邻接矩阵的情况下，观测到特定失效序列的概率。
   • 先验分布 ($P(A)$)： 使用层次随机块模型 (HSBM) 进行建模。与通用的随机图或无标度网络不同，HSBM 捕捉了 ICI 特有的块结构（不同的基础设施部门）和层次结构（供应、传输和需求设施）。

2. 通过 Metropolis-Hastings (M-H) 采样： 由于后验分布不存在闭式解，作者采用 Metropolis-Hastings 算法来对可能的网络拓扑进行采样。

   • 基础设施依赖型提议 (IP)： 设计了一种新型提议分布，以确保生成的拓扑结构符合 ICI 物理约束。这包括 10 项特定约束，例如确保从供应节点到需求节点的连通性、防止基础设施网络内出现环路，以及强制执行定向流（例如，对于相互依赖的链路，流向为从需求到供应）。与随机游走提议相比，这显著缩小了采样空间。
   • 收敛性： 马尔可夫链的收敛性得到了理论证明和数值验证。

3. 计算优化： 为了应对大规模网络中可能存在的拓扑指数级增长问题，引入了三种优化技术：

   • 似然计算： 通过遍历失效邻域的边列表而非迭代所有节点对，将复杂度从 $O(|V|^2)$ 降低到 $O(|V| + |E|)$。
   • 图验证： 利用 ICI 网络的部结构（tripartite structure）和定理 1，通过仅检查修改节点的入度/出度来在线性时间内验证拓扑约束，而非进行完整的路径搜索。
   • Tie-No-Tie (TNT) 采样器： 用一种优先选择移除稀疏图中边的采样器取代随机节点对选择，从而提高提议的接受率。

主要贡献
本文提出了两个主要的 metodological 贡献：

1. 基础设施依赖型提议 (IP)： 将拓扑和物理约束集成到 MCMC 采样过程中。该方法利用 ICI 网络的块结构来计算先验概率，并极大地缩小了候选拓扑空间，从而提高了采样精度和混合时间。
2. 计算优化： 设计了三种特定技术（边列表似然计算、线性时间图验证和 TNT 采样器），使得重构大规模网络成为可能，而标准的 MCMC 方法在这些规模下计算成本过高。

结果
所提出的方法通过代表水、电、气系统的合成相互依赖关键基础设施网络 (SICINs) 进行了验证。

• 准确性： 基于 IP 的方法显著优于现有基准。在 40 个级联失效场景的实验中，基于 IP 的方法实现了 0.964 的最大 F1 分数，而传统的非 IP 贝叶斯方法为 0.710，变分图自编码器 (VGAE) 基准为 0.712。
• 数据效率： 与通常需要海量信息的图嵌入方法相比，该贝叶斯方法在有限数据下表现出了卓越的性能。
• 鲁棒性： 敏感性分析表明，与非 IP 方法相比，基于 IP 的方法对初始失效节点比例的变化和数据中的噪声水平不那么敏感。中等程度的初始失效比例（0.2–0.4）产生了最佳的重构精度。
• 可扩展性： 该方法成功应用于一个较大的 $120 \times 120$ 随机 ICI 网络，实现了 0.664 的中等 F1 分数，展示了其向更大规模系统的迁移能力。
• 优化影响： 在测试的配置中，结合了 IP、边列表优化和 TNT 采样（方法 M-1）的配置在重构精度和计算时间之间提供了最佳的权衡。

意义与主张
作者声称，这项工作是首次尝试开发专门用于解决复杂相互依赖基础设施系统中数据和不确定性挑战的网络重构方法。这项工作的意义在于能够揭示在发生破坏时，当完整数据不可用时，那些不确定的网络相互依赖关系。

论文指出，通过准确重构现实世界 ICI 网络的拓扑结构，决策者和从业人员可以为风险缓解和经济效益决策提供更清晰的基础。所提出的方法被呈现为一种适用于数据受限于安全或运营分散化场景的实用工具，为纯基于假设的模型提供了一种数据驱动的替代方案。作者对未来的应用保持谦逊，指出虽然目前研究使用的是 SI 模型，但未来的工作可以探索更高级的失效模拟模型（如 SIR）以及随时间变化的网络结构。