張宇， 劉珊

(國網(wǎng)山西省電力公司電力科學研究院， 山西 太原 030001)

0 引言

相對于其他通信技術(shù)，光通信技術(shù)的速度更快，環(huán)境的適應能力強，而且抗干擾能力更優(yōu)[1]。隨著光通信技術(shù)的不斷發(fā)展和成熟，光通信技術(shù)在許多領域得到了廣泛的應用，如信息采集、醫(yī)院、軍事等[2-4]。由于光通信在自然環(huán)境中，因為其他因素干擾，如非法入侵、信號不穩(wěn)定、信號干擾等，光通信狀態(tài)會發(fā)生改變，當干擾超過一定的程度，使得光通信狀態(tài)異常，異常狀態(tài)會影響光通信系統(tǒng)的數(shù)據(jù)傳輸，如數(shù)據(jù)重傳次數(shù)增加，數(shù)據(jù)傳輸時間變長，以及數(shù)據(jù)傳輸成功率下降等，因此需要對光通信狀態(tài)進行高精度識別，根據(jù)光通信狀態(tài)變化制定相應的措施，提高光通信系統(tǒng)的性能具有十分重要的研究價值[5-7]。

光通信狀態(tài)識別是一種模式識別的多分類問題，為了保證光通信狀態(tài)長期處于正常狀態(tài)，許多學者引入了各種技術(shù)對其進行了研究，提出了一些光通信狀態(tài)識別方法。最初人們通過一些專門設備對光通信狀態(tài)進行檢測和識別，由于是一種人工方法，使得光通信狀態(tài)識別可靠性差，光通信狀態(tài)識別過程繁瑣，光通信狀態(tài)識別效率低，而且光通信狀態(tài)識別結(jié)果與光通信狀態(tài)實際結(jié)果有時完全不一樣，無法滿足現(xiàn)代光通信技術(shù)的發(fā)展要求[8-10]。隨后人們提出基于K近鄰方法的光通信狀態(tài)識別技術(shù)，通過提取光通信狀態(tài)識別特征，采用K近鄰方法建立光通信狀態(tài)識別的分類器，識別效果要優(yōu)于人工方法，但是該方法假設光通信狀態(tài)和特征之間是一種固定的線性變化關系，這與實際情況不相符，使得光通信狀態(tài)識別誤差較大[11]。最近由于人工神經(jīng)網(wǎng)絡技術(shù)的發(fā)展，出現(xiàn)了基于各種人工神經(jīng)網(wǎng)絡的光通信狀態(tài)識別方法，如BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡等，光通信狀態(tài)識別結(jié)果要好于K近鄰方法，但是由于人工神經(jīng)網(wǎng)絡要求光通信狀態(tài)信號數(shù)據(jù)比較大，如果不滿足該條件，那么光通信狀態(tài)識別效果差，而且人工神經(jīng)網(wǎng)絡的學習時間長，影響光通信狀態(tài)識別效率[12-13]。

為了解決當前光通信狀態(tài)識別存在的問題，有效降低光通信狀態(tài)識別誤差，設計了基于云計算平臺的光通信狀態(tài)識別方法。采集光通信狀態(tài)信號，從信號中提取識別特征，然后通過云計算平臺將多個節(jié)點合在一起，每一個節(jié)點采用支持向量機擬合特征和光通信狀態(tài)類別之間的變化關系，實現(xiàn)光通信狀態(tài)識別。測試結(jié)果表明，本文方法是一種速度快、正確率高的光通信狀態(tài)識別方法，驗證了基于云計算平臺的光通信狀態(tài)識別方法的優(yōu)越性。

1 基于云計算平臺的光通信狀態(tài)識別方法

1.1 云計算平臺的工作原理及提取特征

隨著每天數(shù)據(jù)不斷上升，有的領域的數(shù)據(jù)呈指數(shù)速度上升，進入了大數(shù)據(jù)時代。傳統(tǒng)數(shù)據(jù)處理技術(shù)采用單機方法，單機的中央處理器(CPU)由于制作工藝以及電子器件尺寸的影響，單機處理速度已經(jīng)達到了瓶頸，無法大幅度進行提升，這樣難以滿足大數(shù)據(jù)處理的要求。在大數(shù)據(jù)背景下，出現(xiàn)了云計算平臺，云計算平臺將多個分散在不同地理位置的節(jié)點組合在一起，采用分布式管理技術(shù)，得到一個性能優(yōu)異的大系統(tǒng)，加快數(shù)據(jù)處理能力。當前云計算平臺主要采用MapReduce進行工作，將一個大任務劃分成不同的片段，采用不同節(jié)點同時對不同片段進行處理，減少了大任務的處理時間[14-15]，其工作原理如圖1所示。

圖1 云計算平臺的工作原理

本文引入云計算平臺，使多個點同時進行光通信狀態(tài)識別，加快光通信狀態(tài)識別速度。

提取光通信狀態(tài)信號識別的特征步驟如下。

Step1： 采用專門工具采集光通信狀態(tài)信號。

Step2：采用小波變換對光通信狀態(tài)信號進行多尺度分解，得到不同幅度的光通信狀態(tài)信號，然后提取第k個幅度的光通信狀態(tài)信號的能量值Ek，如式(1)。

(1)

式中，L為分解尺度數(shù)；xkm為信號的幅值。

Step3：對能量特征進行歸一化，建立光通信狀態(tài)信號擾動信號特征向量t，具體為式(2)。

(2)

1.2 光通信狀態(tài)識別的分類器設計及工作步驟

支持向量機和最小二乘支持向量機均屬于數(shù)據(jù)挖掘技術(shù)中的機器學習算法，最小二乘支持向量機的學習速度快，但是其學習精度很低，難以建立高精度的光通信狀態(tài)識別分類器，因此本文選擇支持向量機進行光通信狀態(tài)識別研究。支持向量機的形式可以描述為式(3)。

yk=ωTφ(xk)+b

(3)

式中，xk表示第k個光通信狀態(tài)特征；φ(·)表示擬合函數(shù)；b表示偏置向量。

根據(jù)支持向量機的學習過程對式(3)進行相應的變換，得到它的等價形式，即式(4)。

(4)

式中，e表示支持向量機的誤差。

為了進一步簡化學習過程，采用拉格朗日乘子αk構(gòu)建相應的拉格朗日函數(shù)，具體為式(5)。

(5)

根據(jù)結(jié)構(gòu)風險最小化，根據(jù)式(6)—式(9)得到偏置向量b的值。

(6)

(7)

(8)

(9)

由于光通信狀態(tài)與特征之間具有一定的非線性，因此引入核函數(shù)得到支持向量機的光通信狀態(tài)識別結(jié)果為式(10)。

(10)

支持向量機引入拉格朗日函數(shù)，提高了支持向量機學習效率，為構(gòu)建光通信狀態(tài)識別分類器提供支撐。云計算平臺的光通信狀態(tài)識別步驟如下。

Step1：采集光通信狀態(tài)識別信號，去掉其中的噪聲。

Step2：對去噪后的光通信狀態(tài)信號進行多尺度分解，提取光通信狀態(tài)信號特征。

Step3：將光通信狀態(tài)信號特征作為支持向量機的輸入，光通信狀態(tài)類型作為輸出，通過支持向量機學習，建立光通信狀態(tài)信號分類器。

2 光通信狀態(tài)識別的具體實例分析

2.1 云計算平臺的設計

要進行測試實驗，需要搭建云計算平臺，本文搭建云計算平臺包括多個節(jié)點，一個為中心節(jié)點，其他為工作節(jié)點，中心節(jié)點的任務是管理這些工作節(jié)點，使這些工作節(jié)點能夠協(xié)調(diào)工作，不沖突，保證每一個節(jié)點的任務均衡，使節(jié)點資源得到充分利用，具體描述如表1所示。

表1 云計算平臺節(jié)點的相關參數(shù)

2.2 光通信狀態(tài)信號的來源

為了測試云計算平臺的光通信狀態(tài)識別有效性和優(yōu)越性，選擇最常用的光通信狀態(tài)識別方法：BP神經(jīng)網(wǎng)絡和K近鄰方法在相同的平臺進行對比測試，分別統(tǒng)計光通信狀態(tài)識別的正確率，拒識率和誤識率。采集大量的光通信狀態(tài)信號作為測試目標，光通信狀態(tài)信號可以劃分為多類，正常光通信狀態(tài)為一大類，異常的光通信狀態(tài)為一大類，異常光通信狀態(tài)信號劃細化為4類，具體為：非法入侵狀態(tài)，信號中斷狀態(tài)，干擾狀態(tài)，非法攻擊狀態(tài)。其中正常狀態(tài)編號為1，4種異常狀態(tài)編號為：2—5。不同光通信狀態(tài)信號的樣本數(shù)量如表2所示。

表2 不同光通信狀態(tài)信號的樣本數(shù)量分布

2.3 光通信狀態(tài)識別效果對比

3種方法的光通信狀態(tài)效果，如圖2所示。

對圖2的實驗結(jié)果進行分析，可知。

圖2 不同方法的光通信狀態(tài)識別效果比較

(1)K近鄰算法的實驗結(jié)果最差，無法準確區(qū)別各種光通信狀態(tài)，光通信狀態(tài)識別結(jié)果與實際值偏差大，無法描述光通信狀態(tài)之間的區(qū)別，局限性十分明顯，不能應用于實際的光通信狀態(tài)管理中。

(2) BP神經(jīng)網(wǎng)絡的光通信狀態(tài)識別效果要優(yōu)于K近鄰方法，提高了識別正確率，光通信狀態(tài)的識別誤差明顯減少，但是光通信狀態(tài)識別結(jié)果與實際應用要求有一定的差距。

(3) 在所有方法中，云計算平臺的光通信狀態(tài)識別效果最佳，較好地克服了當前光通信狀態(tài)識別方法存在誤差大的難題，可以高精度識別各種光通信狀態(tài)，光通信狀態(tài)識別正確率高。

2.4 識別效率對比

為了測試云計算平臺和傳統(tǒng)單機平臺的光通信狀態(tài)識別效率，分別計算兩種平臺的光通信狀態(tài)識別時間(ms)，其中云計算平臺的節(jié)點數(shù)為10，結(jié)果如圖3所示。

圖3 云計算平臺與傳統(tǒng)平臺的識別時間對比

對光通信狀態(tài)識別時間進行對比分析可以知道，云平臺的光通信狀態(tài)識別時間的平均值為5.10 ms，單機平臺的光通信狀態(tài)識別時間的平均值為28.20 ms，云計算平臺大幅度縮短了的光通信狀態(tài)識別時間，提高了光通信狀態(tài)識別效率，可以滿足大規(guī)模光通信狀態(tài)信號的建模與識別研究，實際應用價值得到了有效的提升。

3 總結(jié)

光通信狀態(tài)識別是當前研究的熱點，傳統(tǒng)方法存在光通信狀態(tài)識別誤差大，速度慢等難題，為了提升光通信狀態(tài)識別效果，設計了基于云計算平臺的光通信狀態(tài)識別方法。測試結(jié)果表明，相比較于單機平臺，云計算平臺可以有效縮短光通信狀態(tài)識別時間，加快光通信狀態(tài)識別速度，能夠高精度識別各種光通信狀態(tài)，光通信狀態(tài)識別的拒識率和誤識率低于對比方法，具有十分廣泛的應用前景。