本研究提出了GPML库，旨在应对动态网络中的复杂攻击。通过将网络流量转化为图形表示，GPML实现了实时检测和历史取证分析，增强了网络安全检测能力。

本研究提出了一种新方法，将图神经网络与双向长短期记忆模型结合，以解决动态网络中的节点识别问题。该方法在不同网络中实现了90%的准确率，提高了种子集选择效率，降低了计算开销。

本研究提出了一种泊松-伽马边划分模型，用于动态建模时间网络中的潜在社区。实验结果表明，该模型在链接预测和社区检测方面优于其他动态网络模型，深入揭示了复杂网络的动态演变。

该文介绍了两种新的损失函数，用于克服动态网络在时间上的演变所带来的挑战。在合成和真实动态网络上进行了广泛评估，结果显示出比原始损失函数更优越的性能。所提出的损失函数在具有多样的用户交互历史的真实网络中，在 MRR 上实现了超过 26.9% 的增强和 Recall@10 上的超过 11.8% 的改善。这些发现凸显了动态网络建模中所提出的损失函数的功效。