本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：传统互联网拓扑分析方法主要关注节点连接数量，忽视节点间的全局关联性与动态权重关系，难以支持复杂网络环境下的精细化互联优化。提出一种融合网络图谱分析与图神经网络的AI驱动方法，旨在挖掘全球互联网互联结构的深层次特征。研究基于超过 50万个网络节点数据，构建加权拓扑图模型，引入 Jac-card系数、共同邻居指标及 Transformer架构中的注意力机制，量化节点间的依赖关系与潜在连接概率，并在4类典型应用场景中验证方法有效性。
关键字：图神经网络，网络图谱分析，拓扑建模，智能优化
doi：10.12045/j.issn.1007-3043.2026.03.003
0 引言
互联网拓扑结构的精确分析是实现网络性能提升与资源调度优化的基础。然而，传统方法通常基于静态连接数或局部结构特征，难以捕捉异构网络中节点间的动态依赖关系与隐藏连接潜力。特别是在涉及跨自治系统（AS）的大规模网络中，现有方法缺乏对全局关联性与节点权重异质性的系统建模能力。
针对上述问题，本文提出一种融合人工智能技术的全局分析方法，主要在以下3个维度实现创新。
a）理论方法维度：将社交网络中的结构相似性指标（如 Jaccard 系 数 与 共 同 邻 居 数）与 图 神 经 网 络（GNN）架构相融合，引入基于 Transformer 的注意力机制，构建动态加权的拓扑建模框架。
b）数据规模维度：构建覆盖全球 50 余万个网络节点的大规模拓扑数据集，实现跨 AS 结构的概率建模，弥补传统方法在数据广度和结构深度上的双重不足。
c）应用验证维度：在4类典型互联场景下开展仿真分析，量化影响节点直联概率的关键因素，并为运营商的战略直联策略与用户分层优化提供实证支持。
本研究的核心贡献在于实现方法论的范式迁移，将社交网络分析的图谱建模理念引入互联网架构研究，为构建具备全球视野与本地适应能力的智能互联策略提供新的技术路径。
