基于免疫危险理论的噪声环境下电磁信号监测算法＊

林传金 马 捷 袁湘辉

（海军91959部队1） 三亚 502016）（海军工程大学2） 武汉 430033）

1 引言

电磁信号监测是民用无线电管理和军用战场频谱监测的重要任务。其目的是综合利用各种信号检测手段所获取的信号参数，从合法电台信号、常规通信信号及空间噪声组成的各类背景信号中找出可能的目标信号（即异态信号）。由于实际监测中信号数量众多，信号的调制方式、持续时间、中心频率、带宽等参数都在不断变化，同时，不同传播环境的信号之间存在明显差异，要找出异态信号，具有较大难度。

人工免疫系统（AIS）是人们借鉴生物免疫系统的运行机制，提出的是一种新兴的智能计算技术，具有良好的“自我、非我”的识别、记忆以及自适应学习能力，并具有良好的分布性和鲁棒性，现已成功地应用于计算机入侵检测[1]、分类[3～4]、数据挖掘[5]等领域中。鉴于电磁信号监测的需求与AIS特性的相似性，研究人员提出了基于人工免疫的异态电磁信号检测模型[6]，初步将人工免疫系统应用于信号监测领域。实验表明，该模型在异态信号监测的准确性、检测时间等方面具有一定优势。

然而，电磁信号监测与计算机入侵检测有着明显的不同。入侵检测主要是面对较为纯净的检测环境，其选择的输入参数一般为协议类型、端口号、IP地址（TCP地址、UDP地址、ICMP地址）、访问权限、数据流量等，这些参数一般较为准确，波动较小。而电磁信号由于受到信号传输和检测误差的影响，所使用的参数（信号频率、带宽、点平、信号起止时间、来波方位等）都存在不同程度的波动。由于受到检测器数量的限制，实际的人工免疫系统存在着“检测空洞”[7]，如果异态信号分布在检测器检测空间的边缘部分，参数的波动就可能使部分数据点落到检测空间之外，造成漏检。同时，入侵检测领域的信号空间仅存在正常空间和异常空间两个直和的子空间。而在复杂电磁信号环境中，存在大量的无序噪声，虽然可以通过信号处理的方法滤除大部分噪声，但仍会有部分残留。因此，信号空间除正常信号和异常信号子空间外还存在噪声子空间，如果不进行有效的处理，则会造成较大的虚警。

针对这些问题，本文借鉴免疫危险理论的思想，提出了一种适用于噪声环境的免疫电磁信号监测算法。

2 免疫危险理论（IDT）

传统的免疫理论建立于Burnet提出的SNS（Self／Non－Self）理论之上，其核心功能就是对自我与非自我进行区分。按照该理论，所有的抗原都分属“自己”或“非己”，凡是被认为是“非己”的抗原都将诱发免疫响应。但是医学研究表明，人体免疫系统并不会攻击所有的外来物质。针对传统免疫模型的不足，Pony.Matzinger提出了免疫危险理论（Immune Danger Theory，IDT）[8]。

不同于传统免疫学的“自我－非我”识别模型，免疫危险理论认为人体免疫应答是由危险信号所引发的，并不一定所有非自体都会触发免疫响应。当有抗原入侵时，B细胞与抗原相结合，并向T辅助细胞发出产生抗原识别信号。如果入侵的抗原导致了细胞非正常死亡，则受损细胞会发出危险信号，这些信号被抗原提呈细胞（antigen present cells，APC）感知，然后由抗原呈递细胞向T辅助细胞发出危险确认信号，T辅助细胞在接收到抗原识别信号和危险确认信号之后，激活免疫响应，消灭引发危险的抗原。

免疫危险理论中有两个重要假设：第一是“危险区域”[9]，抗原识别信号在抗原其周围建立了一个危险区域。在该区域内的B细胞产生与抗原相匹配的抗体，并被活化，同时开始克隆增殖过程。那些并不匹配的抗体或者离危险信号较远的抗体不被激活。第二是“协同刺激”[12]，机体只有同时接收到抗原识别信号和危险确认信号，才会激发免疫反应，如果只接收到其中之一，则不会发生免疫反应。

图1 危险区域[9]与协同刺激[10]

传统的人工免疫系统要求检测器（抗体）对于所有的不同于“自己”的待测信号（抗原）都进行识别处理。而为了要降低系统的漏检概率，就必须要求建立一个尽量完备的检测器集合，这个检测器集合的数量会随着检测空间大小成指数规模增长[7]。这在实际监测中，会导致处理资源和处理时间的极大浪费。然而，按照IDT理论，并不需要对任何“非己”信号都进行处理，也就是说在处理之前进行筛选，仅对“危险”信号进行处理，从而可以极大的降低系统虚警，这与噪声环境中的信号监测实际需求不谋而合。

3 基于IDT的噪声环境下电磁信号监测算法

借鉴免疫危险理论，可以将信号空间划分为背景信号空间和非背景信号空间，其中非背景信号空间除异态信号外，还包含大量在去除噪声阶段残留下来的突发噪声，如图2所示（本文不考虑自体空间与危险抗原空间的交集部分）。

图2 信号空间的划分

在电磁信号监测领域，异态信号在一定时间内特性是较稳定的。即虽然信号参数存在波动，使其在信号空间内并非一个点，但是却仍然按照一定规律分布在一定的信号域之内。同时，由于频谱资源有限，以及信号发射和接收设备的限制，某一信号一般只能按某种规律使用有限个数的频谱资源，并不能随意、无序的使用。而突发噪声是随机性事件，虽然从单个时间来看，其可能具备某些异态信号的特征，但总体上看，噪声在信号空间内的分布是完全无规律分布，不可能在一定时间内稳定的以某种规律在某一信号域内聚成一系列有规律的点集。因此，信号监测系统可以借鉴免疫危险理论：当初次出现非背景信号时，检测器发出识别信号，要求系统对该检测器进行克隆选择，以数量较多的危险检测器对该危险区域进行完备性的控守。如果该非背景信号是噪声，危险区域内将很难连续地出现有规律的信号，这时危险区域将随时间自动消亡；但如果是异态信号，其必将会持续的在危险区域内出现，这时系统才发出危险确认信号，将其进行上报。这样，就很大程度上排除了噪声对监测系统引起的虚警。

具体算法流程如下：

按文献[6]的模型，假设信号参数为s维，产生的成熟检测器集合为｛Abi∈Ab1×s，i＝1，…，m｝，待测信号集合为｛Agj∈Ag1×s，j＝1，…，n｝，检测时，待测信号依照检测顺序依次进入监测系统。

步骤1 假设某一待测信号Agj被某一检测器Abi检测到，即亲和度，其中ri，j＝‖Agi－Abj‖为检测器Abi与待测信号Agj在s维空间的距离，w1为监测亲和度阈值。则检测器Abi向系统发出识别信号Sig1；

步骤2 以O＝Agj为初始危险区域中心，Ri，j＝k1×ri，j为危险区域半径（k1为常数，根据监测区域内的信号分布离散程度而定），建立初始危险区域，并设置危险区域的生命代数lifej；

步骤3 在初始危险区域内，对检测器Abi进行克隆选择，其目的是保证在危险区域内检测器覆盖空间的完备性，并尽量减少检测区域的覆盖。

1）在危险区域内随机生成初始危险检测器集合｛Ddp，p＝1，…，l｝；

2）对初始检测器进行克隆，克隆数目与该检测器和危险中心之间的距离成反比。即克隆检测器个数为：

其中克隆系数k2为常数。

3）对克隆后的检测器进行变异，其变异率与该检测器和危险中心之间的距离成正比。即变异率为：

其中变异系数k3为常数。

4）检测器抑制。计算经过上述操作的各个检测器之间的距离rp，q＝‖Ddp－Ddq‖，找出匹配度小于抑制阈值σ的检测器连接，并将与危险区域中心距离较远的检测器删除。

步骤4 继续读入待测信号，如果下一被检测器检测出的待测信号Agh落入危险区域，则进行如下操作：

计算Agh与步骤2中的危险中心的距离，以危险中心与Agh的空间中心点为新的危险中心，以Ri，j＝k1×ri，j为危险半径，作为新的危险区域，重复步骤3的操作，危险区域的生命周期保持不变，即lifej＝lifej；

如果Agh没有落入以上危险区域，则转到步骤2，以Agh为中心建立新的危险中心，并缩短危险区域j的生命周期，即lifej＝lifej－1；

步骤5 如果某危险区域的生命周期超过危险阈值的信号，发出危险确认信号Sig2，上报该信号；

步骤6 删除生命周期结束（life＝0）的危险区域，并将检测出异态信号的危险区域中距离的最终危险中心最近的ξ%个检测器作为记忆检测器加以保留。

以上算法具有以下特点：

1）借鉴了危险区域和协同刺激的原理，减少了突发噪声对监测系统的影响；

2）借鉴了免疫克隆选择的原理，在未检测出非背景信号的情况下，系统仅保持较少数量的检测器用以信号监测，从而在监测工作量和监测概率之间矛盾的之间维持平衡；一旦某检测器检测到可能的异态信号，即以该检测器为中心进行增值、变异，以保证一定时间内的局部空间检测器覆盖的完备性，从而保证了监测概率；

3）借鉴免疫记忆原理。在异态信号停止后，保留其中检测数最高或亲和度最高的检测器作为记忆检测器，在后续检测时优先用其与待测信号进行匹配检测，从而保证系统的高效性。

4 实验分析

4.1 检测器分布模拟

为便于观察，首先使用二维参数模拟本算法检测器分布的情况。如图3所示，成熟检测器虽然基本覆盖了非背景信号空间，但由于检测器数量限制，检测器之间存在“检测空洞”。按本算法流程，如果异态信号的一个数据点被某检测器检测出来后，迅速以其为中心建立危险区域，并对检测器进行克隆选择操作，以保证在危险区域内检测器覆盖区域的完备性，确保能够检测出后续与其具有相同规律的信号点，而不受检测参数波动的影响，从而保证检测概率。但当被检测出来的是噪声，后续监测中该危险区域内将不太可能出现连续的具有相同分布规律的信号点，该危险区域将很快在生命周期到期后自动消亡，从而基本上排除了突发噪声对系统引起的虚警。

图3 检测器的分布示意图

4.2 异态电磁信号监测实验

下面，使用无线电信号监测数据对本文提出的算法进行验证。实验采用某一体化接收机进行数据接收，将空间接收的信号经过自适应门限去噪后，作为数据输入。

将空间的民用广播电台等信号视为背景信号。使用某信号源，分别在不同信噪比条件下发射信号模拟异态信号。本实验的目的即验证本模型是否能有效地排除残留的噪声干扰，找出这些异态信号。

图4为某接收机上的某信号频段内的时频瀑布图。由图可知，经过自适应门限去噪等预处理后，信号空间仍存在一些明显的功率较大的突发噪声。经过本算法处理后，在多维信号空间内都无法聚成信号特征的突发噪声被去除，信号空间得到明显净化。

图4 信号时频图比较（纵轴为时间、横轴为频率）

为更好地衡量算法性能，本文在不同复杂程度的电磁环境下对本算法进行测试。定义如下指标：

·检测概率Dc：检测出的异态信号数量占发射的异态信号总数的比例；

·虚警概率Df：误检信号数（将噪声或背景信号作为异态信号上报的数量）占上报信号总数的比例。

图5 使用本算法前后的性能比较

使用本算法前后的监测性能如图5所示。由图可见，采用本算法后，系统的虚警概率得到了明显的降低；但在平均频段占用度较高时，系统检测概率略有下降。系统检测概率下降的原因可能是由于电磁信号环境过于复杂，信号空间内的一些特征类似于随机噪声的异态信号（如短时猝发通信信号）与噪声特征相似度升高，其所产生的危险区域生命周期未达到算法监测阈值，以至形成漏警。但整体而言，采用本算法后，可以显著地改善系统在噪声环境下的性能，同时对系统的检测概率影响不大，尤其在电磁信号环境复杂程度一般的监测条件下，检测概率几乎不变。

5 结语

本文针对人工免疫系统运用于电磁信号监测领域时，残留的噪声会引起较多系统虚警的问题，基于免疫危险理论，提出了一种适用于噪声环境下电磁信号监测算法。实验表明，本算法能够较好地解决突发噪声所引起的系统虚警问题，具有较强的实用价值。

[1]莫宏伟，左兴权.人工免疫系统[M].北京：科学出版社，2009

[2]Alexander O.Tarakanov.Immunocomputing for Intelligent Intrusion Detection[J].IEEE Computational Intelligence Magazine，2008（5）：22～30

[3]Tien Dung Do，Siu Cheung Hui，A.C.M.Fong，et al.Associative classification with artificial immune system[J].IEEE Transactions on Evolutionary Computation，2009，13（2）：217～228

[4]刘若辰，钮满春，焦李成.一种新的人工免疫网络算法及其在复杂数据分类中的应用[J].电子与信息学报，2010，32（3）：515～521

[5]Alex A.Freitas，Jon Timmis.Revisiting the Foundations of Artificial Immune Systems for Data Mining[J].IEEE Transactions on Evolutionary Computation，2007，11（4）：521～540

[6]Ma Jie，Shi Ying－chun，Zhong Zi－fa，et al.An Anomalistic Electromagnetism Signal Detection Model Based on Artificial Immune System[C]／／2010International Conference on Communications and Intelligence Information Security.Nanning，IEEE Computer Society，2010：256～260

[7]Zhou J，Dasgupta D.Revisiting negative selection algorithms[J].Evolutionary Computation，2007，15（2）：223～251

[8]Matzinger P.Danger model：a renewed sense of self[J].Science，2004，296（5566）：301～305

[9]Aickelin U，Bentley P，Cayzer S，et al.Danger theory：the link between AIS and IDS[C]／／Proceedings of the air 2nd International Conference on Artificial Immune System，2003：147～155

[10]胡风新，郭红瑾，孙运芳.免疫算法理论及应用研究[J].计算机与数字工程，2009，37（7）

[11]杜海娟.网络入侵检测系统中动态克隆选择算法的优化[J].2010，38（7）

[12]郑宏.危险理论与影像目标检测[J].武汉大学学报（信息科学版），2009，34（7）：799～804