蘇 爽，陳洪雁

（中國(guó)石油西南油氣田分公司通信與信息技術(shù)中心，四川 成都 610000）

0 引 言

得益于無(wú)線(xiàn)通信技術(shù)的飛速發(fā)展，其在全世界的應(yīng)用情境日漸增多，如多天線(xiàn)技術(shù)、無(wú)線(xiàn)認(rèn)證技術(shù)、場(chǎng)景分類(lèi)技術(shù)等，而場(chǎng)景類(lèi)別劃分是通過(guò)計(jì)算機(jī)來(lái)分析，然后安全劃分場(chǎng)景類(lèi)別。但是，基于無(wú)線(xiàn)通信數(shù)據(jù)庫(kù)的內(nèi)容量日漸增多，有關(guān)的場(chǎng)景分類(lèi)數(shù)據(jù)及場(chǎng)景類(lèi)別也隨之越來(lái)越多樣，以人工來(lái)劃分場(chǎng)景類(lèi)別難以滿(mǎn)足當(dāng)下的需要。得益于人類(lèi)生產(chǎn)水平的提升，可以適應(yīng)各類(lèi)工作場(chǎng)景的機(jī)器被慢慢開(kāi)發(fā)出來(lái)用以替代人力，并持續(xù)開(kāi)發(fā)出新的智能機(jī)器，來(lái)代替已無(wú)法與當(dāng)下生產(chǎn)力相匹配的機(jī)器。被開(kāi)發(fā)出來(lái)的此類(lèi)智能機(jī)器大多是基于以往人類(lèi)工作場(chǎng)景來(lái)展開(kāi)仿真。因此，在21 世紀(jì)，機(jī)器學(xué)習(xí)將成為通信信號(hào)處理的核心技術(shù)之一。

1 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是一門(mén)探討計(jì)算機(jī)如何模擬完成人類(lèi)學(xué)習(xí)活動(dòng)的多領(lǐng)域交叉性學(xué)科，涵蓋了諸多學(xué)科，如概率論、統(tǒng)計(jì)學(xué)、凸優(yōu)化及復(fù)雜度理論等。機(jī)器學(xué)習(xí)理論是為了構(gòu)建出某些算法來(lái)使計(jì)算機(jī)能自主“學(xué)習(xí)”，并獲得新知識(shí)或者新技能，重構(gòu)既有知識(shí)構(gòu)架，使其對(duì)本身的性能展開(kāi)進(jìn)一步優(yōu)化[1]。人類(lèi)在自身學(xué)習(xí)方面的探索雖能追溯至很早之前，然而對(duì)機(jī)器學(xué)習(xí)的探索時(shí)間卻并不長(zhǎng)。人類(lèi)最早對(duì)機(jī)器學(xué)習(xí)的探索可追溯至19 世紀(jì)末的神經(jīng)科學(xué)，瓦爾岱耶（Wilhelm von Waldyer）被卡哈爾等提供的客觀證據(jù)信服，發(fā)現(xiàn)神經(jīng)元是彼此相連的現(xiàn)象[2]。隨后，在20 世紀(jì)初發(fā)現(xiàn)神經(jīng)元的“興奮”與“抑制”作用，至20 世紀(jì)中期，發(fā)現(xiàn)學(xué)習(xí)律等，20 世紀(jì)后，人類(lèi)對(duì)于機(jī)器學(xué)習(xí)的探索也越來(lái)越成熟。

2 機(jī)器學(xué)習(xí)在無(wú)線(xiàn)通信的應(yīng)用

在無(wú)線(xiàn)通信物理層中應(yīng)用機(jī)器學(xué)習(xí)主要涉及調(diào)制路徑辨識(shí)、信道編譯碼、信道預(yù)測(cè)、信號(hào)檢測(cè)、圖像信號(hào)處理等諸多方面。文章主要從降峰值平均功率比（Peak to Average Power Ratio，PAPR）辦法、信道預(yù)測(cè)和信號(hào)檢測(cè)、調(diào)制方式辨識(shí)以及信道編譯碼等模塊進(jìn)行具體闡述。考慮到模塊和鏈路之間的收益區(qū)別，同時(shí)詳細(xì)說(shuō)明了目前無(wú)線(xiàn)通信物理層端到端的傳輸路徑應(yīng)用情況。

2.1 基于深度學(xué)習(xí)的降PAPR 方案

正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）系統(tǒng)中，高PAPR 是一個(gè)較為嚴(yán)重的短板。相關(guān)文獻(xiàn)給出了一個(gè)新的降PAPR 方案，通過(guò)PRNet，基于自動(dòng)編碼器進(jìn)一步學(xué)習(xí)建構(gòu)[3]。在此類(lèi)建構(gòu)中，通過(guò)進(jìn)一步學(xué)習(xí)的方式，借助星座映射與符號(hào)重映射去與重新建構(gòu)的子載波相適應(yīng)，進(jìn)而讓路徑基于最低誤碼率性能，仍可大幅度減小PAPR。此方案給出了一個(gè)在深層次神經(jīng)網(wǎng)絡(luò)下的降PAPR方案，所有的子模塊均由全連接層（Fully Connected layers，F(xiàn)C）以及線(xiàn)性整流單元構(gòu)成歸一化，其彼此相連建立一個(gè)不可分割的整體。連接層之中，將基于權(quán)重系數(shù)下的矩陣乘法運(yùn)用在除法偏移中，連接層包括了2 018 個(gè)隱藏位置。整個(gè)連接層的輸出為歸一化單元，此模塊將線(xiàn)性整流單元所輸入的信號(hào)展開(kāi)歸一化來(lái)讓PRNet 獲得更全面的訓(xùn)練。相對(duì)既有方案，此方案借助模擬實(shí)驗(yàn)驗(yàn)證后給出的降PAPR 方案的誤碼率更小，即同等性能前提下，此PRNet 方案可以得到將近5 dB的增益。同時(shí)，就PAPR累積概率的分布而言，相較別的方案，此方案在減小PAPR 上會(huì)更為有效。

2.2 基于SVM 的場(chǎng)景分類(lèi)方法

支持向量機(jī)（Support Vector Machines，SVM）分類(lèi)器在場(chǎng)景分類(lèi)模式中的應(yīng)用，主要是對(duì)于信號(hào)的特性矩陣進(jìn)行學(xué)習(xí)及訓(xùn)練，并在其中發(fā)掘出最佳劃分超平面。將通過(guò)訓(xùn)練得到的分布模型來(lái)劃分特性矩陣中角度功率譜的特點(diǎn)類(lèi)別，對(duì)測(cè)量時(shí)間中的角度功率譜分布進(jìn)行辨識(shí)，最終完成對(duì)下行路徑中場(chǎng)景的分類(lèi)。通過(guò)SVM 分類(lèi)器下的分布模型對(duì)角度功率譜實(shí)施仿真訓(xùn)練學(xué)習(xí)與場(chǎng)景分類(lèi)。仿真訓(xùn)練是借助SVM 分類(lèi)器對(duì)依順均衡及正態(tài)分布的角度功率譜實(shí)施訓(xùn)練，從而獲得分布模型；而場(chǎng)景分類(lèi)則是借助分布模型來(lái)對(duì)特性矩陣中的角度功率譜開(kāi)展場(chǎng)景分類(lèi)[4]。

SVM 主要是通過(guò)3 類(lèi)核函數(shù)來(lái)處理數(shù)據(jù)，如表1所示。各類(lèi)核函數(shù)之間的空間計(jì)算水平存在差異，當(dāng)特性數(shù)據(jù)量大大超過(guò)樣本數(shù)據(jù)量時(shí)，不用再映射數(shù)據(jù)，最佳方案是選擇線(xiàn)性核函數(shù)；而特性數(shù)據(jù)量大大低于樣本數(shù)據(jù)量時(shí)，最佳方案是選擇非線(xiàn)性核函數(shù)。徑向基核函數(shù)是一種常規(guī)應(yīng)用性核函數(shù)，也叫高斯核函數(shù)，通常用在對(duì)線(xiàn)性緊密數(shù)據(jù)樣本的處理中，出現(xiàn)多個(gè)參數(shù)時(shí)，能更好地實(shí)現(xiàn)計(jì)算處理成效。

表1 SVM 核函數(shù)種類(lèi)表

信號(hào)通過(guò)基站發(fā)射之后，運(yùn)用SVM 分類(lèi)器就可以對(duì)移動(dòng)平臺(tái)所獲得的信號(hào)做場(chǎng)景分類(lèi)。基于訓(xùn)練模型的信號(hào)角度功率譜特性是利用SVM 分類(lèi)器得到的，由此獲得分布模型。移動(dòng)首先基于所接收信號(hào)來(lái)獲得下行路徑的特性矩陣，利用SVM 分布模型也可以得到特性矩陣角度功率譜在場(chǎng)景狀態(tài)的分類(lèi)，只是此時(shí)的SVM 分布模型需要有一段時(shí)間的訓(xùn)練。要想確定標(biāo)簽究竟是1 還是2，與角度功率譜分布有關(guān)。當(dāng)在測(cè)量時(shí)間范圍內(nèi)時(shí)，其分布情況如果與分布模型里面得到的均衡分布擁有同樣的特性，則標(biāo)簽就確定是1；如果與分布模型內(nèi)的均正態(tài)分布特性相同，則標(biāo)簽就確定是2。

2.3 網(wǎng)絡(luò)資源分配方法

無(wú)線(xiàn)通信網(wǎng)絡(luò)資源轉(zhuǎn)發(fā)指的是，無(wú)線(xiàn)網(wǎng)絡(luò)節(jié)點(diǎn)在開(kāi)展協(xié)同通信時(shí)，中繼點(diǎn)為實(shí)現(xiàn)將所接收的網(wǎng)絡(luò)資源傳遞至預(yù)期節(jié)點(diǎn)，針對(duì)性選用處理傳輸資源的方法來(lái)確保無(wú)線(xiàn)通信順利完成的一類(lèi)方式。無(wú)線(xiàn)通信網(wǎng)絡(luò)資源分配指的是以比例公平算法對(duì)來(lái)自無(wú)線(xiàn)網(wǎng)絡(luò)節(jié)點(diǎn)的無(wú)線(xiàn)通信網(wǎng)絡(luò)資源展開(kāi)分配[5]。無(wú)線(xiàn)通信網(wǎng)絡(luò)資源接入指的是借助無(wú)線(xiàn)專(zhuān)網(wǎng)信道選擇的不同時(shí)隙，讓各類(lèi)無(wú)線(xiàn)通信業(yè)務(wù)可根據(jù)所設(shè)優(yōu)先級(jí)來(lái)對(duì)各種時(shí)隙進(jìn)行選擇，進(jìn)而在相應(yīng)時(shí)隙中使用同一條頻段，借助時(shí)隙隔離，從而實(shí)現(xiàn)物理層中無(wú)線(xiàn)通信網(wǎng)絡(luò)資源在多個(gè)業(yè)務(wù)窗口上的隔離性接入。多業(yè)務(wù)終端在發(fā)送與接入傳輸請(qǐng)求時(shí)，按各類(lèi)業(yè)務(wù)傳輸要求來(lái)完成不同優(yōu)先級(jí)的設(shè)定。優(yōu)先級(jí)的設(shè)定公式為

式中：k為業(yè)務(wù)的優(yōu)先級(jí)；Tk為無(wú)線(xiàn)通信網(wǎng)絡(luò)資源的接入時(shí)延門(mén)限；Sk為要接入的資源量。接下來(lái)通過(guò)不同業(yè)務(wù)的優(yōu)先級(jí)，形成時(shí)隙占用表，在信道資源中根據(jù)優(yōu)先級(jí)來(lái)分配閑余時(shí)隙。將時(shí)隙占用表發(fā)至不同業(yè)務(wù)終端，終端會(huì)對(duì)各個(gè)傳輸業(yè)務(wù)的所在時(shí)隙展開(kāi)進(jìn)一步分析，而后在相應(yīng)頻段上接入和傳送無(wú)線(xiàn)通信網(wǎng)絡(luò)資源。網(wǎng)絡(luò)資源業(yè)務(wù)請(qǐng)求量較大時(shí)，會(huì)將量少、相對(duì)固定的資源接入優(yōu)先級(jí)低的業(yè)務(wù)，將量大的資源接入有較高優(yōu)先級(jí)的業(yè)務(wù)。無(wú)線(xiàn)通信網(wǎng)絡(luò)資源被接入核心基站后，網(wǎng)絡(luò)資源與分配業(yè)務(wù)之間的節(jié)點(diǎn)距離較大時(shí)，利用增添中繼節(jié)點(diǎn)來(lái)順利分配無(wú)線(xiàn)通信的網(wǎng)絡(luò)資源，中繼節(jié)點(diǎn)的目標(biāo)在于通過(guò)轉(zhuǎn)發(fā)無(wú)線(xiàn)通信網(wǎng)絡(luò)資源來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)資源轉(zhuǎn)發(fā)任務(wù)。通過(guò)解碼轉(zhuǎn)發(fā)方式進(jìn)行，可有效確保無(wú)線(xiàn)通信網(wǎng)絡(luò)資源轉(zhuǎn)發(fā)的完成。所有的網(wǎng)絡(luò)業(yè)務(wù)端信源發(fā)送端通過(guò)廣播的形式發(fā)送各自的資源信息，而網(wǎng)絡(luò)資源預(yù)期接收端和中繼節(jié)點(diǎn)對(duì)此信號(hào)展開(kāi)同步偵聽(tīng)與接收。中繼節(jié)點(diǎn)的接收資源能量值計(jì)算公式為

式中：Er為接收的資源能量值；τ0為能量接收時(shí)間；Ps為從中心基站發(fā)送的資源信號(hào)；hbr為信號(hào)傳送時(shí)長(zhǎng)；a為中繼節(jié)點(diǎn)的能量接收效率；b為接收的資源能夠用于轉(zhuǎn)發(fā)信息所占的比例。而后中繼節(jié)點(diǎn)會(huì)對(duì)所收信號(hào)展開(kāi)解碼和估值，接下來(lái)中繼節(jié)點(diǎn)將通過(guò)估值的網(wǎng)絡(luò)資源信號(hào)轉(zhuǎn)發(fā)到資源的目標(biāo)接收端，再由此目標(biāo)端分別界定與接收2 條信道的數(shù)據(jù)。中繼節(jié)點(diǎn)在這個(gè)轉(zhuǎn)發(fā)過(guò)程中對(duì)所收網(wǎng)絡(luò)資源信號(hào)展開(kāi)簡(jiǎn)易的檢測(cè)及界定，有利于后期無(wú)線(xiàn)通信網(wǎng)絡(luò)資源分配的實(shí)施。

2.4 基于深度學(xué)習(xí)的信道編譯碼

借助軟比特信息論，信道編譯碼將冗余數(shù)據(jù)填入發(fā)送端，通過(guò)舍棄有效性得到可靠性，在此過(guò)程中還原的符號(hào)信息，將根據(jù)軟比特信息論開(kāi)展譯碼。相關(guān)文獻(xiàn)給出了迭代BP-CNN 框架下的信道譯碼辦法，如圖1 所示[6]。

圖1 基于BP-CNN 的LDPC 譯碼器

BP-CNN 下的低密度奇偶校驗(yàn)碼（Low Density Parity Check Codes，LDPC）譯碼器利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的圖像除噪等應(yīng)用優(yōu)點(diǎn)，與信道譯碼對(duì)比，通過(guò)CNN 對(duì)噪音精準(zhǔn)預(yù)估，然后利用BP 在低噪音的空間下進(jìn)行譯碼。首先，對(duì)CNN 加以訓(xùn)練成為噪音估計(jì)器，實(shí)現(xiàn)最低的CNN輸出噪音殘差并最大限度聽(tīng)從高斯的分布。其次，將所接收的信號(hào)y和BP 譯碼結(jié)果的差來(lái)作為訓(xùn)練完成的CNN 輸入，其輸出傳輸?shù)浇邮斩?，和y做差后所得的低噪信號(hào)來(lái)實(shí)施BP 譯碼。最后，基于以上步驟，最終進(jìn)一步準(zhǔn)確BP的譯碼作用。就模擬結(jié)果而言，相對(duì)以往的LDPC 譯碼辦法，利用BP-CNN 的LDPC譯碼器得到的信噪比收益增長(zhǎng)更為顯著。

2.5 網(wǎng)絡(luò)安全漏洞智能監(jiān)測(cè)系統(tǒng)

得益于5G 技術(shù)的誕生，無(wú)線(xiàn)通信網(wǎng)絡(luò)借此發(fā)展更為迅速，然而隨之出現(xiàn)的就是不斷涌來(lái)的安全問(wèn)題，這也成為無(wú)線(xiàn)通信網(wǎng)絡(luò)領(lǐng)域需要研究的核心問(wèn)題。無(wú)線(xiàn)通信網(wǎng)絡(luò)的安全與社會(huì)、國(guó)家的信息安全息息相關(guān)。而當(dāng)下亟待解決的關(guān)鍵問(wèn)題就在于無(wú)線(xiàn)通信網(wǎng)絡(luò)安全問(wèn)題，其會(huì)生成諸多漏洞信息。漏洞信息指的是在硬軟件、協(xié)議或是實(shí)際通信系統(tǒng)當(dāng)中，通過(guò)安全漏洞生成的各種信息。利用對(duì)漏洞信息的分析，可以及時(shí)發(fā)現(xiàn)漏洞產(chǎn)生的原因，同時(shí)對(duì)其進(jìn)行最為高效的修補(bǔ)，以確保無(wú)線(xiàn)通信網(wǎng)絡(luò)的安全。無(wú)線(xiàn)通信網(wǎng)絡(luò)在具體的網(wǎng)絡(luò)分配中，在省級(jí)中心網(wǎng)絡(luò)中設(shè)置PTK-5500 控制器，對(duì)無(wú)線(xiàn)通信網(wǎng)絡(luò)平臺(tái)進(jìn)行管理，以確保無(wú)線(xiàn)通信網(wǎng)絡(luò)的可靠性。優(yōu)化后的系統(tǒng)硬件主要由漏洞信息采集、漏洞信息掃描、無(wú)線(xiàn)通信網(wǎng)絡(luò)安全漏洞智能監(jiān)測(cè)三大模塊組成。利用對(duì)漏洞信息的直接提取，同時(shí)選取傳輸層多協(xié)議標(biāo)簽交換（Transport-Multi Protocol Label Switching，T-MPLS）高速數(shù)據(jù)傳輸法來(lái)傳送采集、掃描及監(jiān)測(cè)所得的信息。利用機(jī)器學(xué)習(xí)技術(shù)增強(qiáng)整個(gè)漏洞的監(jiān)測(cè)成效，通過(guò)機(jī)器學(xué)習(xí)來(lái)高速掃描漏洞，完成對(duì)漏洞的高效化監(jiān)測(cè)。優(yōu)化之后的監(jiān)測(cè)體系對(duì)于漏洞監(jiān)測(cè)反饋的靈敏度更高，并能減少系統(tǒng)開(kāi)發(fā)的投入。采用機(jī)器學(xué)習(xí)算法，來(lái)實(shí)現(xiàn)對(duì)監(jiān)測(cè)系統(tǒng)軟件內(nèi)容的進(jìn)一步強(qiáng)化。將該算法融入智能監(jiān)測(cè)系統(tǒng)軟件，以此來(lái)智能化檢測(cè)無(wú)線(xiàn)通信網(wǎng)絡(luò)的安全漏洞。檢測(cè)無(wú)線(xiàn)通信網(wǎng)絡(luò)的安全漏洞時(shí)，通過(guò)最佳評(píng)估函數(shù)來(lái)對(duì)通信網(wǎng)絡(luò)內(nèi)的常規(guī)信息進(jìn)行處理。但還是存在隱藏較深的異樣信息，因此必須對(duì)此類(lèi)信息開(kāi)展深度處理。采用神經(jīng)網(wǎng)絡(luò)算法來(lái)對(duì)其展開(kāi)挑選，生成由輸入層、輸出層、規(guī)則層組成的3 層神經(jīng)網(wǎng)絡(luò)算法模型。

3 結(jié) 論

本文研究了機(jī)器學(xué)習(xí)方法在無(wú)線(xiàn)通信中的應(yīng)用。得益于機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，新方式及理論隨之持續(xù)出現(xiàn)，這也使無(wú)線(xiàn)通信信號(hào)處理等技術(shù)獲得了更為新穎的應(yīng)用方法。以新機(jī)器學(xué)習(xí)技術(shù)來(lái)處理代表性通信問(wèn)題，使得系統(tǒng)的整體性能進(jìn)一步提高，如小區(qū)中無(wú)線(xiàn)通信業(yè)務(wù)量預(yù)估等問(wèn)題，就可以根據(jù)之前的小區(qū)業(yè)務(wù)量數(shù)據(jù)來(lái)解析出內(nèi)在規(guī)律，進(jìn)而預(yù)估出后續(xù)業(yè)務(wù)量的分布，最終改進(jìn)基站分配，實(shí)現(xiàn)減少能耗的目標(biāo)，對(duì)于引領(lǐng)低碳通信、盡享環(huán)保生活有著極大的意義。