1.一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，构建SecGIRF模型包含五个模块：输入层、子图提取模块、子图编码模块、关系推理优化模块、训练优化模块；

输入层，动态整合知识图谱拓扑与AMIE规则库，生成初始k-hop子图，为攻击链挖掘提供结构化输入；

子图提取模块，执行双重置信过滤，筛选高价值攻击链并应用字典过滤增强语义可靠性；

在子图提取模块中，借助一阶逻辑FOL中的霍恩规则形式对多跳路径进行建模，其中霍恩规则，如下所示：；

其中，为攻击链的发起步骤，这是规则体中的第一个关系，描述了攻击的初始动作；为规则体中的第二条关系，描述在第一步之后，攻击者或被利用实体如何将攻击传播到下一个中间实体；为攻击的最终步骤，规则体的最后一项，连接了最后一个中间实体和最终攻击目标；为目标关系；规则体表示从实体到实体之间的多跳路径，规则头表示目标关系；

在规则生成阶段，基于经典逻辑归纳方法AMIE，通过频繁关系路径挖掘与置信度计算，生成规则；其中，每条规则以三元组路径模式表示，如下所示：；

其中，和为关系，描述推理路径；为规则头中的谓词，刻画关于实体的目标关系；为整条规则的标识符，用于唯一标记一条逻辑规则；

对生成的规则进行筛选，保留置信度阈值的频繁关系路径；

在筛选出置信度规则之后，对这些规则进行加权；对每条路径，统计其在正样本中的出现次数与全体样本中的出现次数，定义攻击概率，如下所示：；

其中，为平滑因子，用于缓解低频路径的统计偏差；根据其频率与攻击概率，计算路径的权重，如下所示：；

其中，为路径在训练集中的出现频率，反映路径的重要性；

基于筛选后的规则和计算出的权重构建子图，围绕目标三元组，以头实体和尾实体为中心进行k-hop子图提取；从和出发，分别向外扩展步，得到实体的邻接节点集合和，如下所示：；

；

其中，为最短路径距离；为子图提取的跳数；为候选关系；

通过对和邻接集的交集操作，得到共同的节点集合，并构建以和为核心的子图，如下所示：；

；

；

其中，为节点集合；为边集合；、为子图中任意两个节点；

子图构建完成后，将筛选出的规则路径注入边集，形成最终子图，如下所示：；

；

其中，为基础拓扑边集；为筛选后的规则路径集合；为权重阈值；为最终的边集合；为最终构建的围绕目标节点的加权子图；为一个权重映射函数或权重集合，作用于整个最终子图；

子图编码模块，采用双通路机制，实体感知更新层通过路径感知注意力与目标关系感知注意力迭代优化节点表示，关系聚合演化层通过函数融合多源关系生成高阶语义表示，协同建模攻击链的时空特征；

关系推理优化模块，动态注入高置信规则，优化三元组评分；

训练优化模块，实施任务感知负采样。

2.根据权利要求1所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，SecGIRF模型在子图编码阶段引入子图编码双通路机制，包括实体感知更新层和关系聚合演化层；

实体感知更新层通过路径感知注意力与目标关系感知注意力，融合规则路径与任务语义，更新实体表示；

关系聚合演化层，通过函数整合多跳关系，并融合邻居实体状态，经门控输出演化节点，形成闭环协同。

3.根据权利要求2所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，初始化编码时，采用双半径节点标记DRNL策略，通过计算节点到头实体和尾实体的最短路径距离，对节点进行标记，使得每个节点的标记值反映其在子图中的相对位置，提供模型学习的结构信息；节点标记公式，如下所示：；

其中，为节点的双半径标记值；为子图中的任意一个节点；

为进一步捕捉目标三元组在图中的高阶语义上下文，构建上下文图，其节点包括实体、关系以及连接与的置信度规则路径；

上下文图建成后，利用图卷积网络对节点进行嵌入更新，建模其高阶交互；引入多维交互编码函数，对任意一对上下文节点的特征进行组合建模，如下所示：；

其中，为节点对的交互特征向量；、为上下文图中节点的向量表示；为向量拼接运算；与分别为建模差异性与相似性。

4.根据权利要求3所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，在结构编码过程中，引入基于目标关系的注意力机制；子图中每条边的注意力权重，如下所示：；

其中，、为初始特征向量；为目标关系嵌入向量；、为点特征线性变换后的向量表示；为目标关系特征的线性变换向量；和为可训练参数；为的转置；为激活函数；

进一步捕捉子图中的潜在路径依赖关系，依据每个节点到实体与的距离进行排序，构造节点序列，并仅对筛选的规则路径节点按攻击链顺序排序，通过BiGRU提取时序特征，从而补充静态结构中难以显式建模的序列信息。

5.根据权利要求4所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，特征融合阶段，通过MLP网络处理拼接特征，从而融合多源信息，包括节点初始化的标记特征、关系感知的注意力嵌入以及路径级别的BiGRU序列特征；特征融合，如下所示：；

其中，为节点的最终特征表示；为上下文图节点的表示；为节点序列的表示；为多层感知机；

在特征融合后的前馈网络设计中，采用三层扩张-收缩结构的前馈网络，捕捉子图中的非线性结构特征，如下所示：；

其中，为节点的更新表示；表示非线性激活函数；为节点的邻接节点集合；为遍历节点i的所有邻居的索引；

在图聚合阶段，采用基于目标关系的注意力机制，对每条边的聚合权重进行调整，如下所示：；

其中，为归一化后的注意力权重，表示邻居对节点的影响强度；为激活函数；为目标关系的线性映射向量；为节点的任意邻居节点；

最终节点表示为：

；

其中，为节点的最终聚合表示；为邻居节点经过MLP网络处理后的表示；为多层感知机，用于特征转换。

6.根据权利要求1所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，在关系推理优化模块中，SecGIRF模型在推理阶段引入了多粒度的语义融合机制，结合结构上下文、规则路径与任务语义信息，实现推理性能的模型性优化，具体过程如下：首先，在结构层面，获取节点表示，并结合规则路径嵌入，得到融合表示，如下所示：；

通过聚合函数对节点特征进行汇总，构建子图结构表示，如下所示：；

其中，为子图结构表示；

然后，在语义层面，引入上下文图建模目标三元组在知识图谱中的规则路径语义与关系语境；将目标实体、候选关系及其语义交互特征输入特征组合函数，如下所示：；

其中，表示候选关系；函数明确表达了候选关系对语义交互的影响；为向量拼接运算；

最后，采用双通路关系打分函数，实现结构-语义联合优化，如下所示：；

其中，为目标三元组的最终预测分数；为用于子图结构表示的可学习权重矩阵；为用于语义特征的可学习权重矩阵；和均为可学习参数；为非线性激活函数，用于融合结构上下文与语义路径对目标关系的匹配强度；

此外，在逻辑层面，SecGIRF模型引入规则一致性优化机制；针对训练集中自动挖掘的置信霍恩规则，若某路径匹配规则体，则对对应关系打分进行规则增强，如下所示：；

其中，为在逻辑约束下调整后的关系打分；为控制规则路径对推理结果的影响程度；表示是否存在规则路径匹配，取值为0或1，为1时表示当且仅当实体对之间存在与某条规则体完全匹配的路径；为0时表示不存在满足匹配条件的路径；表示赋值；

在训练阶段，联合优化多目标损失函数，包括关系分类损失与逻辑一致性约束，如下所示：；

其中，为交叉熵损失；为逻辑一致性损失，用于鼓励模型在逻辑规则约束下保持一致推理，用于鼓励模型在逻辑规则下做出一致的推理判断；为权重超参数。

7.根据权利要求1所述的一种融合逻辑规则学习与攻击语义增强的子图推理方法，其特征在于，在训练优化模块中，围绕负采样机制、损失函数构建与优化策略三方面展开设计，具体实现过程如下：首先，在负采样策略上，基于攻击语义类别的任务感知负采样方法，通过对不同攻击类型赋予不同的采样权重，增强负样本在语义空间中的相关性，提升对攻击类型的判别能力；其中，采样概率定义为：；

其中，为攻击类型的出现频率；为攻击类别标签空间；为样本的攻击类型；为样本采样概率；引入基于头尾实体关系字典的过滤机制，规避潜在正例，提高负样本质量；

然后，在损失函数构建上，采用多任务联合损失函数；其中，主任务损失为基于负采样的二元交叉熵，用于监督三元组关系分类；辅任务损失基于逻辑规则路径生成的伪标签，对满足高置信路径的子图施加一致性约束；两者以加权形式组合，构建整体损失函数，如下所示：；

其中，表示基于结构得分的主任务损失；表示基于规则路径得分的一致性损失；为权重系数；

最后，在训练调度与参数优化方面，采用AdamW优化器，结合权重衰减机制抑制过拟合；引入梯度裁剪和L2正则化控制，防止梯度爆炸。