大數據下異常通信信號智能檢測探析
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數據下異常通信信號智能檢測探析范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要:本文設計了基于大數據分析的通信信號智能檢測系統?；A設施層在VM虛擬機上創建多個Xen虛擬機,通過數據持久化設計實現信息虛擬化存儲與管理,并將采集的數據通過網絡通信層傳輸至核心服務層,核心服務層采用大數據分析方法構建通信信號檢測模型,通過捕捉相鄰信號之間非線性時空動作,評價相鄰行為之間工作狀態的關聯性,預測信號行為后續工作狀態,實現通信信號檢測,并將識別結果反饋給用戶接口層實時查看。實驗結果顯示,該系統的通信信號檢測正確率始終高于95%,識別結果準確、可靠;異常信號檢測的漏拒率較低,且識別效率高,具有全面、高效的特征。
0引言
隨著新興互聯網業務的迅速發展,我國對高速通信的需求日益提高。由于通信具有帶寬大、功耗低和保密性優的特點,得到廣泛應用。通信系統非線性程度高,有時會出現一些異常信號,對通信系統的安全產生嚴重威脅[1,2],因此通信信號檢測尤為重要。目前許多相關領域已經充分認識到通信信號檢測的重要性,如盛智勇等研究基于隨機配置網絡的光纖異常信號檢測系統[3],該系統有效減緩了過度擬合問題,使異常信號的識別準確率提高,但系統識別全面性較差,常出現漏識情況;張俠研究深度學習網絡的通信入侵行為識別系統[4],該系統可實現高精度通信信號自動識別,誤差較低,但系統識別效率較低,需花費大量時間[5-7]。為了提高通信信號檢測準確性,提出基于大數據分析的通信信號智能檢測系統,以提升通信安全。
1基于大數據分析的通信信號智能檢測系統
1.1系統整體結構
以云計算平臺為基礎,結合現代化設備功能及合理網絡裝置,設計大數據分析的通信信號智能檢測系統,主要由基礎設施層、網絡通信層、核心服務層和用戶接口層四部分組成,其整體結構如圖1所示。①基礎設施層:創建多個Xen虛擬機于VM虛擬機上,可實現虛擬化管理工作。MySQL數據庫不僅為數據持久化提供了存儲空間,還為用戶查看歷史數據提供了保障?？偠灾?基礎設施層為整個將基礎設置作為服務的系統提供了底層支持。②網絡通信層:包括人機界面、通信服務器和通信網關,主要負責通信信號的傳輸。③核心服務層:是整個系統的核心,采用深度學習的通信信號檢測方法實現通信的異常信號檢測與監控。④用戶接口層:用戶可查看虛擬機的異常信息,也可對虛擬機的狀態信息進行查詢。
1.2數據持久化設計
基礎設施層的虛擬機信息持久化通過數據持久化設計進行數據的實時存儲。該系統在節點機識別出異常信號時,會發送異常信息給主控機,主控機收到異常信息后發出警告。監控人員在主控機端利用SSH登錄節點機可以對其各個屬性的有關信息進行查看,并確定發生異常的位置[8-9]。數據的持久化通過MySQL數據庫實時存儲數據得以實現,但MySQL數據庫的存儲數據空間并非無限增大,因此為刪除數據庫中超出保存周期的數據,設計了數據刪除模塊。①數據存儲模塊。將節點機篩選出的數據直接存進MySQL數據庫,統一全部節點機的數據庫名稱和表名為datanode和storedata,以便在主控機查詢數據[10-11]。先使用SQL語言創建數據庫,storedata表的結構如表1所列,再采用C語言對shell編寫的storedata.sh進行調用,完成數據的實時存儲。將監控的歷史數據存進MySQL數據庫可采用上述數據持久化的方法實現,數據表中顯示了數據存儲時間和需要監控的屬性值。由于數據經過過濾、合并后存進數據庫,會產生一定時間的延遲。但經過多次驗證,數據采集時間和數據存儲時間相差不超過1s,滿足實時監控的條件。②數據刪除模塊。為了實現數據的持續存儲,需要及時刪除過期、無用的數據,原因是節點采集的數據量大、采集頻率快,且這些數據隨著時間推移會不斷增加,導致內存利用率增大。本文設置7天為數據的保存周期,最近一周內存儲的數據可被保存于數據庫中,其余較早的數據即可刪除。
1.3基于大數據分析的通信信號檢測方法
對通信信號的時域和頻域特征信號進行檢測,捕捉相鄰信號之間的非線性時空動作,并將該頻率當作一個行為,對相鄰行為之間工作狀態的關聯性進行評價,再對行為的后續工作狀態進行預測,最后根據行為后續工作狀態完成異常信號檢測。①捕捉相鄰行為的非線性時空動作。長短期記憶模型歸于深度學習網絡,可以回歸行為邊界框的像素亮度和方位,設置其為輸入幀,實行逐幀監測與追蹤。根據相干正則化對自身行為和相鄰行為狀態進行整合,并對長短期記憶模型存儲單元狀況進行刷新,獲取相干正則化結果。②評價相鄰行為間工作狀態關聯性。根據長短期記憶模型隱態信息獲得的相鄰行為的時變屬性,基于運行速度相關性可對相鄰行為間工作狀態的關聯性進行評價,式(1)為相鄰行為間工作狀態關聯性的權值τi(h)表達式:式中,j和i表示相鄰行為的工作狀態;uj(h)和ui(h)表示相鄰行為各自于時間h內的速度,通過歸一化常數μ歸一化計算兩個速度值的乘積;使用∂j計算關聯權值,如果τi(h)的值和0接近,是在相鄰行為的工作狀態j和i偏差很大的情況下出現,如果τi(h)的值和1接近,是在相鄰行為工作狀態j和i相似度較大的情況下出現。③預測行為后續工作狀態。采用編碼-解碼框架訓練長短期記憶模型,對行為后續工作狀態進行預測,具體如圖2所示。以下是預測行為后續工作狀態的具體步驟:①按照學習訓練,根據長短期記憶模型的編碼器映射工作狀態的輸入至定長隱式向量,式(2)描述了基于編碼時期的隱式向量:kH=LSTMr(WH,kH-1)(2)式中,目前時間隱式向量用kH表示;LSTMr表示使用長短期記憶模型編碼器映射行為工作狀態的輸入值WH到前階段隱式向量kH-1中。②按照學習訓練過程中,根據長短期記憶模型的解碼器采用定長隱式向量對行為后續工作狀態進行預測,式(3)為隱式向量表達式:kH=LSTMa(WH,WH+1)(3)式中,LSTMa表示通過長短期記憶模型的解碼器采用定長隱式向量kH-1獲得目前時間隱式向量kH后,根據當前時間行為狀態輸入值WH對后續時間行為工作狀態WH+1進行預測。最后,基于預測的后續工作狀態實現通信信號檢測。
2仿真實驗
2.1通信信號檢測正確率對比
實驗分析通信信號檢測的正確率,并設計對比實驗,選取參考文獻[3]的信號檢測系統和參考文獻[4]的通信信號檢測系統,作為本文系統的對比系統,不同數據量下,3個系統的信號檢測正確率對比結果如圖3所示。分析圖3可得,隨著數據量增加,3個系統的信號檢測正確率都呈下降趨勢。在數據量小于500GB時,3個系統之間的正確率差距較小,均保持在80%以上;在數據量由500GB繼續增加時,3個系統之間的正確率差距變大,當實驗進行到最后,對比系統的正確率已低至30%左右,信號檢測效果較差。相對于對比系統,本文系統的正確率下降趨勢平穩,且始終高于95%,基本不受數據量的影響。由此可見,本文系統的通信信號檢測具有較高的正確性和可靠性,優勢顯著。
2.2漏拒率對比實驗分析
3個系統的異常信號漏拒率,結果如圖4所示。分析圖4可知,3個系統的異常信號檢測均出現漏識的情況,隨著數據量增加,本文系統漏拒率逐漸升高,最高約7%;隨機配置網絡系統的漏拒率最高約10%;深度學習網絡的漏拒率最高約18%。對比這些數據可以看出,本文系統的異常信號漏識別率較低,具有較高的異常信號檢測全面性。
2.3通信信號檢測效率對比
通信信號檢測效率對比如圖5所示。分析圖5可知,相對于其他兩個系統,本文系統信號檢測效率始終保持最高,且大于90%;隨機配置網絡系統信號檢測效率變化相對平穩,最高可達77%;深度學習網絡系統的信號檢測效率起伏較大,最高為73%,最低只有45%。由此可以說明文本系統的通信信號檢測具有高效、穩定的特征。
2.4通信信號檢測
MAPE對比平均絕對百分誤差(MeanAbsolutePercentageEr-ror,MAPE)表示識別結果整體上和實際結果的匹配程度。實驗根據MAPE分析通信信號檢測精度,結果如圖6所示。分析圖6可知,本文系統的信號檢測誤差始終低于5%,基本不受系統運行時間的影響,波動較弱;隨機配置網絡系統和深度學習網絡系統的異常信號檢測誤差都隨著系統運行時間的增加而上升,且深度學習網絡系統的識別誤差上升速度較快,當系統運行45分鐘時,該系統的識別誤差已高達25%。由此可見,本文系統的通信信號檢測效果最佳。
2.5系統運行效果
實驗測試3種系統的吞吐量,分析其運行效果,結果如圖7所示。分析圖7可知,隨著數據量增加,本文系統的吞吐量均大于1GB/s;隨機配置網絡系統和深度學習網絡系統在數據量大于600GB時,吞吐量逐漸下降。對比這些數據可以看出,本文系統的吞吐量高,整體運行效果最優。
3結語
為了及時發現并消除通信中的異常信號,本文設計基于大數據分析的通信信號智能檢測系統,以云計算平臺為基礎,大數據分析方法的長短期記憶模型實現異常信號檢測,該系統不僅提高了通信的安全性能,也為通信的研究提供了一個新方向。
作者:林統喜 鐘福龍 單位:廣州華商職業學院
