通过强化学习设计稳健网络催生多重主干结构

为何更强健的网络关系到日常生活

从电话通话与电网到城市街道和蛋白质分子，我们的世界依赖于看不见的连接网络。当少数关键链路失效时，这些网络可能迅速崩解，导致停电、交通堵塞或通信中断。本研究探讨了人工智能如何帮助设计即便在遭受攻击或故障时仍能持续运行的网络。

网络如何崩溃

许多系统看起来像点和线的简单图示，但其在压力下的行为决非简单。攻击或故障常常针对网络中最重要的节点，例如互联网上高度连接的路由器或城市中繁忙的路口。移除足够多的这些节点后，系统会分裂成孤立的岛屿。传统的加强网络的方法依赖人为经验法则，例如使节点连接更均匀或在远端间增加长链路。这些策略在某些情况下有效，但在网络规模大或攻击者使用多种策略时往往力不从心。

教AI玩网络设计的博弈

作者将网络设计转化为设计者与假想攻击者之间的逐步博弈。设计者在每一轮的动作是向网络添加一条新链路，受固定预算限制。在每次动作之后，攻击者按选定策略移除关键节点，设计者根据网络维持完整性的程度获得一个得分。这个对抗过程被构造成强化学习问题，AI代理通过试错逐渐发现哪些新增链路能带来最稳健的最终网络。基于图的神经网络帮助代理在每一步读取网络结构并评估其选择的影响。

作为新防御策略的隐藏多重主干

当AI在模型网络和多种攻击类型上训练时，会出现一种显著模式。AI并不只是简单地加强显而易见的枢纽节点或拉出尽可能长的链路，而是倾向于编织几条重叠的路径，悄然覆盖整个网络。这些“多重主干”主要由看似普通的节点构成，而非最显眼的枢纽。在模拟攻击中，流量会先沿其中一条主干流动。当该路径暴露并受损时，另一条主干接手，随后又有第三条，如此阶段性接力。这样的分阶段交接延缓了网络分裂的时刻，使得在同等成本下网络能比其他设计方法更长时间保持较大的连通核心。

跨不同系统与攻击方式的适用性

研究人员将他们的AI设计与基于规则的方法和较慢的搜索技术在一系列测试网络上进行比较。在多种攻击风格下——从简单移除高度节点到更全局的拆解策略——强化学习方法通常以相同成本带来更大的鲁棒性提升。在本已较为均匀的随机网络中，改进空间较小。而在高度不均的网络（类似许多真实系统）中，增益显著。值得注意的是，为抵御某一类攻击而调优的网络，往往也会对其它类型的攻击变得更强，因为多重主干布局同时隐藏了若干关键路径。

将该方法应用于真实网络

为展示实际价值，作者将训练好的设计器应用到一个实际的互联网服务提供商网络。与其简单地添加链路，他们在保持总成本不变的前提下重连了部分现有链路。原始网络仅有两三条主要通路，这些通路在攻击中早期且几乎同时受损，导致连接迅速丧失。经AI指导重连后，同一网络包含三条或更多不同的主干，随着攻击推进轮流承载流量。在某些情况下，改进后的设计将鲁棒性提高了三倍以上，而无需增加额外硬件。

这对未来网络设计意味着什么

这项工作表明，让AI探索大量设计可能性可以揭示人类直觉容易忽略的网络结构。关键见解在于：良好的防御并非只有一条强壮的主干，而是若干重叠且部分隐藏的主干，在损害累积时共同分担负载。这类设计可帮助工程师在现实成本限制内构建更为稳健的电网、交通系统、通信网络，甚至分子结构。

引用: Zhu, B., Zhu, T., Gao, J. et al. Design of robust networks via reinforcement learning prompts the emergence of multi-backbones. Nat Commun 17, 4278 (2026). https://doi.org/10.1038/s41467-026-70745-0

关键词: 网络鲁棒性, 强化学习, 复杂网络, 基础设施弹性, 图神经网络