劉菲

摘 要： 為了提高對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)定位和檢測(cè)精度，提出基于經(jīng)驗(yàn)?zāi)B(tài)分解和功率譜密度特征提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘模型。首先對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，將一個(gè)復(fù)雜的網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)信號(hào)分解成若干個(gè)IMF分量之和，對(duì)分解信號(hào)進(jìn)行功率譜密度特征提取，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘。仿真結(jié)果表明，該挖掘模型能準(zhǔn)確實(shí)現(xiàn)對(duì)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的參量估計(jì)和動(dòng)態(tài)特征提取，特征挖掘精度較高，較好地實(shí)現(xiàn)了對(duì)不穩(wěn)定節(jié)點(diǎn)的定位識(shí)別。

關(guān)鍵詞： 網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)； 輸出信號(hào)； 動(dòng)態(tài)特征挖掘； 經(jīng)驗(yàn)?zāi)B(tài)分解

中圖分類號(hào)： TN711?34； TP181 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）03?0019?04

Model for dynamic feature mining of network unstable nodes

LIU Fei

（Modern Educational Technology Center， The National Police University for Criminal Justice， Baoding 071000， China）

Abstract： In order to improve the location and detection accuracy of the network unstable nodes， a network unstable nodes′ dynamic feature mining model based on empirical mode decomposition and power spectral density feature extraction is proposed. The empirical mode decomposition is performed for output signals of the network unstable nodes to decompose the dynamic signal of a complex network unstable node into the sum of several IMF components. The power spectral density feature of the decomposed signal is extracted to mine the dynamic features of the network unstable nodes. The simulation results show that the mining model can accurately realize the output signal parameter estimation and dynamic feature extraction of the unstable nodes， has high feature mining accuracy， and can locate and recognize the unstable nodes better.

Keywords： network unstable node； output signal； dynamic feature mining； empirical mode decomposition

0 引 言

隨著無線通信網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)組網(wǎng)的形式發(fā)生變化，采用無線傳感器網(wǎng)絡(luò)或者物聯(lián)網(wǎng)進(jìn)行無線通信組網(wǎng)，實(shí)現(xiàn)數(shù)據(jù)傳輸和通信成為未來網(wǎng)絡(luò)發(fā)展的一個(gè)重要方向[1?2]。網(wǎng)絡(luò)節(jié)點(diǎn)是實(shí)現(xiàn)數(shù)據(jù)信號(hào)采集、收發(fā)和通信的重要組成元素，當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)不穩(wěn)定或者發(fā)生故障時(shí)，將會(huì)導(dǎo)致網(wǎng)絡(luò)中斷和數(shù)據(jù)誤碼。

為了提高對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的定位和檢測(cè)精度，提出基于經(jīng)驗(yàn)?zāi)B(tài)分解和功率譜密度特征提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘模型，結(jié)果表明，該模型能準(zhǔn)確實(shí)現(xiàn)對(duì)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的參量估計(jì)和動(dòng)態(tài)特征提取，特征挖掘精度高。

1 網(wǎng)絡(luò)節(jié)點(diǎn)傳輸信道模型與信號(hào)分析

1.1 無線傳輸網(wǎng)絡(luò)節(jié)點(diǎn)分布信道建模

無線通信網(wǎng)絡(luò)信道是一個(gè)擴(kuò)展信道，采用多輸入多輸出的MIMO多徑信道傳播模式，無線網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)據(jù)傳輸信道為帶寬受限信道[3]，具有多徑傳播特性，容易受到串?dāng)_和電磁振蕩，導(dǎo)致節(jié)點(diǎn)失穩(wěn)。在無線通信網(wǎng)絡(luò)中，信道的多徑結(jié)構(gòu)取決于無線通信網(wǎng)絡(luò)節(jié)點(diǎn)的信道傳播損失和衰減。

假設(shè)無線網(wǎng)絡(luò)的通信節(jié)點(diǎn)由[N=2P]個(gè)陣元組成，徑向距離為[d，]無線通信網(wǎng)絡(luò)中通信數(shù)據(jù)的接收模型為：

[xm（t）=i=1Isi（t）ejφmi+nm（t），-p+1≤m≤p] （1）

式中：[si（t）]為無線網(wǎng)絡(luò)第[i]個(gè)節(jié)點(diǎn)的接收信號(hào)波形；[xm（t）]為多徑分布結(jié)構(gòu)下第[m]個(gè)不穩(wěn)定節(jié)點(diǎn)輸出的數(shù)據(jù)。由此構(gòu)建無線通信網(wǎng)絡(luò)的信道特征響應(yīng)模型描述為：[ht=iaitejθitδt-iTs] （2）

式中：[θit]表示任意點(diǎn)[p]的相位偏移，通信數(shù)據(jù)擴(kuò)展時(shí)窗口的寬度為[T。]

在無線通信網(wǎng)絡(luò)的第[i]個(gè)陣元中，假設(shè)兩個(gè)節(jié)點(diǎn)之間的坐標(biāo)為[（xs，ys）]，用一個(gè)二元有向圖[G=（V，E）]表示不穩(wěn)定節(jié)點(diǎn)的信道擴(kuò)展損失，得到不穩(wěn)定節(jié)點(diǎn)傳輸信道的特征時(shí)間尺度：

[x（t）=[x-P+1（t），x-P+2（t），…，xP（t）]TN×1] （3）

[s（t）=[s1（t），s2（t），…sI（t）]TI×1] （4）

式中：[P]為無線網(wǎng)絡(luò)的幅值調(diào)制；[I]為無線通信網(wǎng)絡(luò)節(jié)點(diǎn)的陣元個(gè)數(shù)。

節(jié)點(diǎn)的不穩(wěn)定性導(dǎo)致網(wǎng)絡(luò)中傳輸信號(hào)數(shù)據(jù)產(chǎn)生振蕩，得到傳輸信號(hào)的局部時(shí)間尺度：

[c（τ，t）=nan（t）e-j2πfcτn（t）δ（t-τn（t））] （5）

式中：[an（t）]是第[n]條路徑上無線通信網(wǎng)絡(luò)的窄帶帶寬；[τn（t）]為第[n]個(gè)輸出信號(hào)的時(shí)間延遲。

不穩(wěn)定節(jié)點(diǎn)傳輸信號(hào)的信息融合動(dòng)態(tài)方程為：

[F（xi）=xi=j∈s， j≠ixjrj（x）pij（x）-j∈s， j≠ixiri（x）pji（x）=j∈sxjrj（x）pij（x）-xiri（x）] （6）

式中：[rj（x）]為網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的信息融合誤差；[xi]為幅值。

1.2 網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的分解

對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，將一個(gè)復(fù)雜的動(dòng)態(tài)信號(hào)分解成若干個(gè)IMF分量之和，發(fā)射信號(hào)為[f（t），]在網(wǎng)絡(luò)客戶端接收到的信號(hào)模型為[g（t），]不穩(wěn)定節(jié)點(diǎn)進(jìn)行信號(hào)傳輸?shù)臅r(shí)延[τ]為時(shí)間[t]的函數(shù)：

[τ（t）=2R（t）c-v=2R0c-v-2vc-vt] （7）

式中：[c]為動(dòng)態(tài)特征到達(dá)融合中心的多普勒頻移。

通過調(diào)整網(wǎng)絡(luò)的不穩(wěn)定節(jié)點(diǎn)的反射增益，采用雙曲調(diào)頻母小波進(jìn)行多尺度分解，得到傳輸信號(hào)模型為：

[ΦH（t）=A（t）exp[jθ（t）]=A（t）exp-j2πKln1-tt0] （8）

在不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征感知過程中，無線通信網(wǎng)絡(luò)受到不確定干擾向量的影響，單位時(shí)間內(nèi)進(jìn)行不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征感知的采樣，得到接收信號(hào)[r（t）]和經(jīng)驗(yàn)?zāi)B(tài)函數(shù)[ΦHa（t）]的時(shí)間離散形式為：

[r=r（0），r（1），…，r（N-1）T] （9）

對(duì)不穩(wěn)定節(jié)點(diǎn)的輸出信號(hào)進(jìn)行多普勒容限提升，采用自適應(yīng)匹配濾波器進(jìn)行傳輸信號(hào)的檢測(cè)，檢測(cè)器設(shè)計(jì)為：

[maxa，τ0Tr（t）1af*（t-τa）dt=maxa，τWfr（a，τ）] （10）

網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的輸出信號(hào)采用經(jīng)驗(yàn)?zāi)B(tài)分解挖掘信號(hào)數(shù)據(jù)中的振蕩模式，得到振蕩序列[g=][g（0），g（1），…，g（N-1）T，]對(duì)輸出信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，將一個(gè)復(fù)雜的動(dòng)態(tài)信號(hào)分解成若干個(gè)經(jīng)驗(yàn)?zāi)B(tài)IMF分量之和：

[x（t）=i=1nci+rn] （11）

式中：[ci]為IMF分量；[rn]代表殘余函數(shù)。

2 模型的具體實(shí)現(xiàn)

2.1 不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的功率譜密度特征提取

設(shè)無線網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的標(biāo)量時(shí)間序列為[x（t），][t=0，1，2，…，n-1]，采用局部特征尺度分解，輸出信號(hào)的時(shí)間序列描述為[4]：

[u=[u1，u2，…，uN]∈RmN] （12）

采用時(shí)頻特征分解進(jìn)行傳輸數(shù)據(jù)自適應(yīng)特征匹配，求得動(dòng)態(tài)特征挖掘最大梯度差為：

[AVGx=1m×nx=1ny=1mGx（x，y）] （13）

式中：[m，n]是向量量化自相關(guān)系數(shù)。

對(duì)輸出信號(hào)的幅值、時(shí)間和頻率等參量估計(jì)，得到參量估計(jì)的自相關(guān)信息量為：

[ρXY=Cov（X，Y）D（X）D（Y）] （14）

式中：[Cov（X，Y）]表示兩組傳輸信號(hào)的固有模態(tài)函數(shù)；[D（X）]和[D（Y）]分別表示能量均值。

采用自相關(guān)特征分析模型進(jìn)行動(dòng)態(tài)特征信號(hào)的功率譜密度估計(jì)，得到估計(jì)結(jié)果為：

[y（k）=a（k）h（k）+n（k）] （15）

式中：[n（k）]為不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征分量；[h（k）]為第[i]條無線通信網(wǎng)絡(luò)信道的傳輸時(shí)延。

無線通信網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出的同態(tài)特征為：

[s（t）= k=1Npksin（ωkn+Φk）u（n）+ζ（n）] （16）

式中：[ζ（n）]為時(shí)間尺度最大的頻率；[Φk]為振幅恒定信息；[ωk]為相位信息。

設(shè)傳輸通信信道為連續(xù)系統(tǒng)，則網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的頻域模型可表示為：

[xn=x（t0+nΔt）=h[z（t0+nΔt）]+ωn] （17）

式中：[h（?）]為云計(jì)算環(huán)境下的網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的時(shí)間窗口函數(shù)；[ωn]為測(cè)量誤差。不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的功率譜密度傳遞時(shí)間序列為[X=x1，x2，…，xn，][n]是無線通信網(wǎng)絡(luò)故障數(shù)據(jù)集[X]的數(shù)目。

2.2 不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征挖掘的實(shí)現(xiàn)

對(duì)功率譜密度在時(shí)頻域中進(jìn)行特征分解，數(shù)據(jù)信號(hào)流中的時(shí)頻特征結(jié)果為：

[y（t）=1πKx（τ）t-τdτ=x（t）*1πt] （18）

式中：[K]表示不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征挖掘的譜密度系數(shù)；[x（τ）]表示不穩(wěn)定節(jié)點(diǎn)輸出數(shù)據(jù)在時(shí)頻域內(nèi)的包絡(luò)幅值。

采用自相關(guān)匹配濾波器進(jìn)行動(dòng)態(tài)特征的匹配濾波[5]，濾波函數(shù)描述為：

[H（z）=1+az-1+z-21+arz-1+r2z-2， 0

式中：網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的幅值頻率參數(shù)為[a；]帶寬參數(shù)為[r。]

在無線通信網(wǎng)絡(luò)環(huán)境下，對(duì)輸出的特征信號(hào)進(jìn)行非線性特征分解和互信息矢量空間重構(gòu)，得到網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出的動(dòng)態(tài)特征狀態(tài)響應(yīng)為：

[CTf=k=-KKcke-j2πfkT] （20）

式中：[ck]為不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征發(fā)送的載波，由此得到經(jīng)驗(yàn)?zāi)B(tài)的分解結(jié)果為：

式中：[e2R（k）]是調(diào)制誤差；[z2R（k）]為輸出信號(hào)的強(qiáng)度；[z2I（k）]為信道沖激載頻；[e2I（k）]為譜密度誤差。

利用功率譜密度的相關(guān)性，假設(shè)不穩(wěn)定節(jié)點(diǎn)發(fā)射信號(hào)為[s（t），]則經(jīng)波束形成后得到的數(shù)據(jù)特征為：

設(shè)[t0=f0TB，][K=Tfi-T2fiT2B，]利用各不穩(wěn)定節(jié)點(diǎn)的測(cè)量值調(diào)制載波，假設(shè)調(diào)制頻率為[f0，]經(jīng)驗(yàn)?zāi)B(tài)分解的頻寬為[B，]由此得到網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征輸出的IMF分量為：

采用動(dòng)態(tài)特征挖掘模型將動(dòng)態(tài)信號(hào)分解成若干個(gè)IMF分量之和，由此實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘。

3 實(shí)驗(yàn)結(jié)果與分析

通信網(wǎng)絡(luò)節(jié)點(diǎn)分布在3 000 m×3 000 m的均勻陣列區(qū)域，動(dòng)態(tài)特征的采樣樣本時(shí)間間隔為0.35 s；通信頻帶為2～10 kHz；信號(hào)采樣時(shí)長[T=0.1 s；]采樣率[fs=10 ]kHz；信噪比為5～20 dB；時(shí)頻譜為1 000 Hz；在400～600采樣點(diǎn)之間，網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征為250 Hz的頻率分量，特征子空間嵌入維數(shù)[m=5。]不同信噪比下，對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)進(jìn)行采樣，時(shí)域波形如圖1所示。

對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到經(jīng)驗(yàn)?zāi)B(tài)分解后輸出的動(dòng)態(tài)特征功率譜提取結(jié)果如圖2所示。

由圖2可知，本文模型提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征功率譜能有效反應(yīng)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出的動(dòng)態(tài)信號(hào)。進(jìn)一步，采用本文模型對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)進(jìn)行動(dòng)態(tài)特征挖掘，在時(shí)頻域內(nèi)得到挖掘數(shù)據(jù)的輸出結(jié)果如圖3所示。由圖3可知，采用本文模型進(jìn)行網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征挖掘，在時(shí)頻域內(nèi)具有較好的特征收斂和聚焦能力，挖掘精度較高，性能較好。

為定量分析對(duì)比性能，采用本文模型和傳統(tǒng)模型對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征挖掘精度進(jìn)行測(cè)試，得到對(duì)比結(jié)果如圖4所示。分析上述仿真結(jié)果得出，采用本文挖掘模型能準(zhǔn)確提取不穩(wěn)定節(jié)點(diǎn)輸出信號(hào)的動(dòng)態(tài)特征，準(zhǔn)確挖掘的概率較高，較好地實(shí)現(xiàn)了不穩(wěn)定節(jié)點(diǎn)的定位識(shí)別。

4 結(jié) 語

通過對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的傳輸信號(hào)的特征提取和信號(hào)分析，實(shí)現(xiàn)不穩(wěn)定特征判別和節(jié)點(diǎn)定位?；诮?jīng)驗(yàn)?zāi)B(tài)分解和功率譜密度特征提取，提出網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘模型。構(gòu)建網(wǎng)絡(luò)節(jié)點(diǎn)的信道模型，進(jìn)行節(jié)點(diǎn)傳輸信號(hào)的模型構(gòu)建、網(wǎng)絡(luò)節(jié)點(diǎn)輸出信號(hào)的經(jīng)驗(yàn)?zāi)B(tài)分解和特征提取，將一個(gè)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的復(fù)雜動(dòng)態(tài)信號(hào)分解成若干個(gè)IMF分量之和，對(duì)分解信號(hào)進(jìn)行功率譜密度特征提取，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘。實(shí)驗(yàn)分析得出，采用本文模型對(duì)不穩(wěn)定節(jié)點(diǎn)動(dòng)態(tài)特征的挖掘精度高于傳統(tǒng)模型，性能較好。

參考文獻(xiàn)

[1] 竇慧晶，王千龍，張雪.基于小波閾值去噪和共軛模糊函數(shù)的時(shí)頻差聯(lián)合估計(jì)算法[J].電子與信息學(xué)報(bào)，2016，38（5）：1123?1128.

[2] 楊宇翔，夏暢雄，同武勤.高低軌雙星定位中的時(shí)變時(shí)頻差參數(shù)估計(jì)[J].信號(hào)處理，2012，28（10）：1465?1474.

[3] KESHAVAMURTHY B N， KHAN A M， TOSHNIWAL D. Privacy preserving association rule mining over distributed databases using genetic algorithm [J]. Neural computing & applications， 2013， 22（1）： 351?364.

[4] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Knowledge and information systems， 2015， 42（3）： 545?577.

[5] 明平松，劉建昌.隨機(jī)多智能體系統(tǒng)一致穩(wěn)定性分析[J].控制與決策，2016，31（3）：385?393.

[6] 徐開勇，龔雪容，成茂才.基于改進(jìn)Apriori算法的審計(jì)日志關(guān)聯(lián)規(guī)則挖掘[J].計(jì)算機(jī)應(yīng)用，2016，36（7）：1847?1851.

[7] LEE D G， RYU K S， BASHIR M， et al. Discovering medical knowledge using association rule mining in young adults with acute myocardial infarction [J]. Journal of medical systems， 2013， 37（2）： 1?10.

[8] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 32（11）： 154?160.

[9] NGUYEN T C， SHEN W， LUO Z， et al. Novel data integrity verification schemes in cloud storage [M]// LEE R. Computer and information science. Switzerland： Springer， 2015： 115?125.

[10] HAO S G， ZHANG L， MUHAMMAD G. A union authentication protocol of cross?domain based on bilinear pairing [J]. Journal of software， 2013， 8（5）： 1094?1100.

[11] MORADI M， KEYVANPOUR M R. An analytical review of XML association rules mining [J]. Artificial intelligence review， 2015， 43（2）： 277?300.