李麗

摘? 要： 針對(duì)移動(dòng)通信網(wǎng)絡(luò)優(yōu)化過(guò)程中異常信號(hào)的識(shí)別控制較為困難，而傳統(tǒng)的異常信號(hào)識(shí)別方法，僅針對(duì)信號(hào)樣本訓(xùn)練與測(cè)試，存在無(wú)法復(fù)現(xiàn)、維護(hù)難度大等問題。文中提出一種通信信號(hào)多特征提取與支持向量機(jī)算法融合相的識(shí)別控制優(yōu)化算法。在對(duì)異常信號(hào)的比對(duì)過(guò)程中，根據(jù)移動(dòng)通信的特性建立準(zhǔn)確的信號(hào)模型，并使用支持向量機(jī)對(duì)大規(guī)模數(shù)據(jù)進(jìn)行分類并實(shí)現(xiàn)識(shí)別控制。實(shí)驗(yàn)結(jié)果表明，與兩種傳統(tǒng)方法的相比，所提算法對(duì)信號(hào)有較強(qiáng)的識(shí)別能力，從而達(dá)到預(yù)期的目標(biāo)。

關(guān)鍵詞： 網(wǎng)絡(luò)優(yōu)化; 信號(hào)識(shí)別; 深度神經(jīng)網(wǎng)絡(luò); 通信建模; 多特征提取; 信號(hào)控制; 數(shù)據(jù)分類

中圖分類號(hào)： TN926?34; TP393? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）10?0083?03

Mobile communication network optimization based on deep neural network

LI Li1，2

（1. College of Information Science and Engineering， Hunan University， Changsha 410082， China;

2. Hunan Posts and Telecommunications College， Changsha 410015， China）

Abstract： In the process of mobile communication network optimization， it is difficult to identify and control the abnormal signals. However， the traditional abnormal signal identification method only aims at the training and testing of signal samples， and is unable to reproduce and difficult to maintain. A recognition control optimization algorithm based on the fusion of multi?feature extraction of communication signals and support vector machine algorithm is proposed. In the process of comparing abnormal signals， the accurate signal model is established according to the characteristics of mobile communication， and the support vector machine is used to classify large?scale data and realize the recognition control. The experimental results show that， in comparison with the two traditional methods， the algorithm has a strong ability to recognize signals， so as to achieve the expected target.

Keywords： network optimization; signal recognition; deep neural network; communication modeling; multi?feature extraction; signal control; data classification

隨著通信技術(shù)從4G向5G過(guò)渡，移動(dòng)通信網(wǎng)絡(luò)規(guī)模變大，數(shù)據(jù)流量呈指數(shù)上升，這為用戶帶來(lái)了較大的科技紅利。但網(wǎng)絡(luò)入侵、服務(wù)器數(shù)據(jù)泄漏、病毒廣泛傳播等異常通信活動(dòng)嚴(yán)重影響了用戶的切身利益，甚至影響國(guó)家安全。因此，上述異常通信活動(dòng)成為了現(xiàn)階段急需解決的重要難點(diǎn)問題。對(duì)于移動(dòng)通信異常信號(hào)優(yōu)化識(shí)別，傳統(tǒng)解決思路有如下幾種：基于混合特征的異常信號(hào)識(shí)別控制[1];基于過(guò)抽樣的異常信號(hào)優(yōu)化[2];使用遺傳算法及BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法[3]。這些方法對(duì)于已知類型的數(shù)據(jù)有較好的處理能力，但當(dāng)前通信網(wǎng)絡(luò)中的異常信號(hào)特征具有隱蔽性[4]，有限集識(shí)別優(yōu)化處理思路難以應(yīng)對(duì)。本文針對(duì)傳統(tǒng)信號(hào)優(yōu)化思路的缺點(diǎn)與不足，提出多特征信號(hào)數(shù)據(jù)集與支持向量機(jī)算法相融合的識(shí)別控制優(yōu)化算法。

1? 移動(dòng)通信建模

正常通信時(shí)移動(dòng)網(wǎng)絡(luò)的信號(hào)可分為MPSK信號(hào)、MQAM信號(hào)及FSK信號(hào)。MPSK信號(hào)[5]（多進(jìn)制數(shù)字相位調(diào)制信號(hào)）在相位意義上將調(diào)制信號(hào)搭載至載波。

[sMPSK（t）=ng（t-nT）ej2πft+?（n）] （1）

式中：f為載波頻率;T為碼元周期;[?（n）∈{?}]，[?i=2πiM+θ，i=0，1，2，…M-1]，[θ]為信號(hào)初始相位，g（t）為脈沖函數(shù)。MQAM（多進(jìn)制正交幅度調(diào)制信號(hào)）基于幅相混合調(diào)制，具有頻率利用率高的特點(diǎn)，從而被廣泛應(yīng)用，可建模為：

[s（t）=rmejθmej2πfst] （2）

由式（2）可以看出，多進(jìn)制正交調(diào)制信號(hào)為幅度[rm]與相位[θm]聯(lián)合調(diào)制。常規(guī)FSK信號(hào)具有無(wú)記憶性、相位不連續(xù)的特點(diǎn)[6]，可表示為：

[sMFSK（t）=mg（t-nT）ej2πftΔωm] （3）

式中：f為載波頻率;T為碼元周期;[Δωm]為偏頻，與調(diào)制序列相對(duì)應(yīng)，可表示為：

[Δωm∈-2（M-1）πhT，-2（M-3）πhT…? ? ? ? ? ? ? ?2（M-3）πhT，2（M-1）πhT] （4）

式中：h為調(diào)制參數(shù)，經(jīng)過(guò)實(shí)驗(yàn)測(cè)定應(yīng)取0.5～1.5;[Δωm]共有m個(gè)取值。

2? 異常數(shù)據(jù)特征提取

通信信號(hào)在傳輸層中可以使用不同的流行為特征，選取合適的特征，使特征子集的分類效果大幅提升[6]。主流分類特征包括：塔方校驗(yàn)、信息度量、歐氏距離、相關(guān)性與錯(cuò)誤率[7?8]。由于神經(jīng)網(wǎng)絡(luò)天然的分類與聚類屬性[9]，故使用通信數(shù)據(jù)的統(tǒng)計(jì)特征構(gòu)造分類器。

將數(shù)據(jù)集輸入支持向量機(jī)[10]，生成最佳分類面與控制識(shí)別模型，以實(shí)現(xiàn)對(duì)異常信號(hào)的識(shí)別。

2.1? 移動(dòng)信號(hào)分類

將訓(xùn)練集中信號(hào)數(shù)據(jù)分為兩類：通信網(wǎng)絡(luò)流和非移動(dòng)網(wǎng)絡(luò)流[11]。在二值分類的基礎(chǔ)上，對(duì)多值分類及不同類別的信號(hào)進(jìn)行歸一化處理。SVM將本次數(shù)據(jù)通過(guò)非線性轉(zhuǎn)換，轉(zhuǎn)換至高維空間[12]，然后使用高維空間求解信號(hào)的最佳分類面。設(shè)信號(hào)數(shù)據(jù)樣本，[yi]為特征標(biāo)記，[xi]為數(shù)據(jù)樣本。

[D=x1，y1，x2，y2，…，xm，ym，yi∈{-1，1}] （5）

可使用超平面[w·x+b=0]正確識(shí)別兩類樣本[13]，分類問題可簡(jiǎn)化為：

[yiw·xi+b-1≥0，? i=1，2，…，n] （6）

可得域分類函數(shù)：

[Q（α）=γiw·xi+b-1] （7）

閾值為A時(shí)，[Q（α）]A，對(duì)應(yīng)為非移動(dòng)信號(hào)。

2.2? 異常信號(hào)特征提取

SVM移動(dòng)通信網(wǎng)絡(luò)控制識(shí)別模型如圖1所示。

在圖1所示的模型中，處理模糊移動(dòng)信號(hào)并轉(zhuǎn)換為向量形式。使用SVM分類函數(shù)[14]對(duì)信號(hào)向量分類，并將分類結(jié)果傳輸至信號(hào)識(shí)別與控制模塊。在數(shù)據(jù)預(yù)處理模塊中，對(duì)數(shù)據(jù)包中異常信號(hào)進(jìn)行特征提取，識(shí)別全部源Src與目的Dist。若此時(shí)固定連接IP數(shù)與固定連接端口數(shù)目一致，則信號(hào)正常;否則，信號(hào)異常。

2.3? 異常信號(hào)模式識(shí)別

對(duì)異常信號(hào)對(duì)應(yīng)的特征向量[xi，yi， i=1，2，…，n，yi∈{-1，1}]建立訓(xùn)練模型。將處理后的訓(xùn)練向量組成數(shù)據(jù)集，輸入SVM，調(diào)整參數(shù)以達(dá)到最佳性能。獲得Vapnik意義下的移動(dòng)信號(hào)最優(yōu)分類面f（x）=0，使用f（x）=0作為實(shí)際決策函數(shù)[15]。使用實(shí)際決策函數(shù)來(lái)預(yù)處理移動(dòng)通信網(wǎng)絡(luò)中的異常信號(hào)。經(jīng)決策樹判斷，若某向量在已標(biāo)記識(shí)別的移動(dòng)通信網(wǎng)絡(luò)列表中，則將其視為正常網(wǎng)絡(luò)信號(hào);若不在，則標(biāo)記為異常信號(hào)。算法代碼如下：

In signal set：

If（signal is abnormal）{

[xi，yi]=>absignal; }

In SVM：

absignal=>SVM;

For（！prime performence）{

Keep Adjusting f（x）=0;}

In f（x）=0：

If （signal in Markedset）{

Mark as Normal;}

Else{Mark as Abnormal;}

3? 實(shí)驗(yàn)結(jié)果分析

將200萬(wàn)組移動(dòng)通信信號(hào)數(shù)據(jù)分為5組，選取1組作為SVM的控制識(shí)別數(shù)據(jù)集;將約160萬(wàn)組網(wǎng)絡(luò)連接信號(hào)數(shù)據(jù)標(biāo)記為1～4組識(shí)別控制數(shù)據(jù)。使用本文算法與傳統(tǒng)檢測(cè)異常信號(hào)算法[16]對(duì)移動(dòng)信號(hào)數(shù)據(jù)進(jìn)行識(shí)別控制實(shí)驗(yàn)。在不同環(huán)境下，對(duì)兩種方法的識(shí)別率、誤檢率、漏檢率進(jìn)行對(duì)比。

1） 識(shí)別率：正確分類數(shù)量與全部樣本數(shù)量的比值;

2） 誤檢率：非移動(dòng)通信信號(hào)被誤認(rèn)為移動(dòng)通信網(wǎng)絡(luò)樣本信號(hào)所占的比例;

3） 漏檢率：被錯(cuò)分為非移動(dòng)信號(hào)的移動(dòng)通信網(wǎng)絡(luò)信號(hào)占非移動(dòng)信號(hào)的比例。

利用上述指標(biāo)驗(yàn)證本文算法，結(jié)果如圖2所示。由圖2可知，基于本文算法對(duì)于異常通信信號(hào)的處理識(shí)別綜合性能優(yōu)于傳統(tǒng)方法。在處理通信異常信號(hào)時(shí)，文中利用DFI技術(shù)識(shí)別移動(dòng)通信數(shù)據(jù)中的異常信號(hào)，融合使用SVM算法，將傳統(tǒng)的異常信號(hào)檢測(cè)問題轉(zhuǎn)換為SVM的分類問題，從而大幅提高識(shí)別異常信號(hào)的效率與魯棒性，可以據(jù)此獲得大規(guī)模移動(dòng)信號(hào)數(shù)據(jù)集的相關(guān)特性。

分別對(duì)網(wǎng)絡(luò)異常信號(hào)，使用多相濾波器法、時(shí)幅關(guān)聯(lián)法及本文算法進(jìn)行異常信號(hào)控制實(shí)驗(yàn)。隨著實(shí)驗(yàn)次數(shù)的增加，3種算法對(duì)通信異常信號(hào)的控制精確度與誤檢率如圖3所示。

從圖3可看出，基于本文算法的移動(dòng)通信網(wǎng)絡(luò)異常信號(hào)控制的性能優(yōu)于兩種異常信號(hào)控制方法。隨著實(shí)驗(yàn)次數(shù)的增多，本文算法對(duì)異常信號(hào)的控制性能變優(yōu)，并逐漸趨于穩(wěn)定。在圖3b）中，實(shí)驗(yàn)次數(shù)在20次左右時(shí)，本文算法對(duì)異常信號(hào)的控制誤檢率出現(xiàn)極大值。因此，在后續(xù)的異常信號(hào)檢測(cè)控制實(shí)驗(yàn)中，需對(duì)本算法進(jìn)行預(yù)熱處理，以保證算法的準(zhǔn)確性。

4? 結(jié)? 語(yǔ)

本文通過(guò)對(duì)傳統(tǒng)移動(dòng)通信網(wǎng)絡(luò)中異常信號(hào)檢測(cè)優(yōu)化算法的分析與提煉，將多特征數(shù)據(jù)集與支持向量機(jī)算法進(jìn)行融合，建立移動(dòng)信號(hào)的異常檢驗(yàn)?zāi)Ｐ?，并使用大?guī)模信號(hào)數(shù)據(jù)集來(lái)訓(xùn)練支持向量機(jī)，通過(guò)檢驗(yàn)?zāi)Ｐ团c支持向量機(jī)實(shí)現(xiàn)對(duì)移動(dòng)信號(hào)的高效識(shí)別與控制。實(shí)驗(yàn)與測(cè)試結(jié)果表明，本文方法對(duì)信號(hào)的異常檢測(cè)精度等指標(biāo)均優(yōu)于傳統(tǒng)方法。

參考文獻(xiàn)

[1] 譚靜，張治斌.基于混合特征的P2P流量識(shí)別方法[J].計(jì)算機(jī)仿真，2014（3）：322?325.

[2] 戴斌.基于移動(dòng)數(shù)據(jù)業(yè)務(wù)的DPI系統(tǒng)的研究及應(yīng)用[D].北京：北京郵電大學(xué)，2014.

[3] 牛連強(qiáng)，陳向震，張勝男，等.深度連續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與性能分析[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2016，38（6）：662?666.

[4] 馬雪君.大規(guī)模網(wǎng)絡(luò)流量異常檢測(cè)方法研究[D].長(zhǎng)春：吉林大學(xué)，2018.

[5] 付琴琴.一種新的MPSK信號(hào)調(diào)制分類算法[J].電子科技，2012，25（4）：1?5.

[6] 馬亞男，戴爾晗，陳誠(chéng).多周期信號(hào)的小波包方差分析方法[J].微型機(jī)與應(yīng)用，2017，36（3）：82?84.

[7] 江玲.基于多用戶疊加編碼的非正交多址接入技術(shù)研究[D].北京：北京郵電大學(xué)，2019.

[8] 解輝，陳冠一，董慶軍，等.基于中頻信號(hào)特征參數(shù)的衛(wèi)星通信調(diào)制樣式識(shí)別[J].現(xiàn)代電子技術(shù)，2019，42（11）：11?14.

[9] 郝曉麗，張靖.基于改進(jìn)自適應(yīng)聚類算法的RBF神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)科學(xué)，2014，41（6）：260?263.

[10] 王世卿，曹彥.基于遺傳算法和支持向量機(jī)的特征選擇研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（18）：4088?4092.

[11] 郭蘊(yùn)欣，馬宏.基于機(jī)器學(xué)習(xí)的通信信號(hào)調(diào)制識(shí)別研究綜述[J].電子測(cè)量技術(shù)，2018，41（24）：107?111.

[12] 楊星，李斌，曾悅，等.非對(duì)稱非線性平滑轉(zhuǎn)換的廣義自回歸條件異方差算法的碳價(jià)格均值回歸檢驗(yàn)[J].控制理論與應(yīng)用，2019，36（4）：622?628.

[13] 馬靜，沈來(lái)信，盛文婷.在線開放通信網(wǎng)絡(luò)信道分配算法優(yōu)化[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2017，39（2）：193?197.

[14] 劉長(zhǎng)清，陳博，潘舟浩，等.基于仿真SAR和SVM分類器的目標(biāo)識(shí)別技術(shù)研究[J].中國(guó)電子科學(xué)研究院學(xué)報(bào)，2016，11（3）：257?262.

[15] 李嘉璽.基于支持向量機(jī)的相關(guān)反饋圖像檢索算法設(shè)計(jì)[D].西安：西安電子科技大學(xué)，2018.

[16] 馮博.基于支持向量機(jī)的無(wú)線電異常信號(hào)識(shí)別研究[D].成都：西華大學(xué)，2014.