基于深度神经网络的移动通信网络优化研究

李丽

摘  要： 针对移动通信网络优化过程中异常信号的识别控制较为困难，而传统的异常信号识别方法，仅针对信号样本训练与测试，存在无法复现、维护难度大等问题。文中提出一种通信信号多特征提取与支持向量机算法融合相的识别控制优化算法。在对异常信号的比对过程中，根据移动通信的特性建立准确的信号模型，并使用支持向量机对大规模数据进行分类并实现识别控制。实验结果表明，与两种传统方法的相比，所提算法对信号有较强的识别能力，从而达到预期的目标。

关键词： 网络优化; 信号识别; 深度神经网络; 通信建模; 多特征提取; 信号控制; 数据分类

中图分类号： TN926?34; TP393                  文献标识码： A                       文章编号： 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

随着通信技术从4G向5G过渡，移动通信网络规模变大，数据流量呈指数上升，这为用户带来了较大的科技红利。但网络入侵、服务器数据泄漏、病毒广泛传播等异常通信活动严重影响了用户的切身利益，甚至影响国家安全。因此，上述异常通信活动成为了现阶段急需解决的重要难点问题。对于移动通信异常信号优化识别，传统解决思路有如下几种：基于混合特征的异常信号识别控制[1];基于过抽样的异常信号优化[2];使用遗传算法及BP神经网络的识别算法[3]。这些方法对于已知类型的数据有较好的处理能力，但当前通信网络中的异常信号特征具有隐蔽性[4]，有限集识别优化处理思路难以应对。本文针对传统信号优化思路的缺点与不足，提出多特征信号数据集与支持向量机算法相融合的识别控制优化算法。

1  移动通信建模

正常通信时移动网络的信号可分为MPSK信号、MQAM信号及FSK信号。MPSK信号[5]（多进制数字相位调制信号）在相位意义上将调制信号搭载至载波。

[sMPSK（t）=ng（t-nT）ej2πft+?（n）] （1）

式中：f为载波频率;T为码元周期;[?（n）∈{?}]，[?i=2πiM+θ，i=0，1，2，…M-1]，[θ]为信号初始相位，g（t）为脉冲函数。MQAM（多进制正交幅度调制信号）基于幅相混合调制，具有频率利用率高的特点，从而被广泛应用，可建模为：

[s（t）=rmejθmej2πfst] （2）

由式（2）可以看出，多进制正交调制信号为幅度[rm]与相位[θm]联合调制。常规FSK信号具有无记忆性、相位不连续的特点[6]，可表示为：

[sMFSK（t）=mg（t-nT）ej2πftΔωm] （3）

式中：f为载波频率;T为码元周期;[Δωm]为偏频，与调制序列相对应，可表示为：

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

式中：h为调制参数，经过实验测定应取0.5～1.5;[Δωm]共有m个取值。

2  异常数据特征提取

通信信号在传输层中可以使用不同的流行为特征，选取合适的特征，使特征子集的分类效果大幅提升[6]。主流分类特征包括：塔方校验、信息度量、欧氏距离、相关性与错误率[7?8]。由于神经网络天然的分类与聚类属性[9]，故使用通信数据的统计特征构造分类器。

将数据集输入支持向量机[10]，生成最佳分类面与控制识别模型，以实现对异常信号的识别。

2.1  移动信号分类

将训练集中信号数据分为两类：通信网络流和非移动网络流[11]。在二值分类的基础上，对多值分类及不同类别的信号进行归一化处理。SVM将本次数据通过非线性转换，转换至高维空间[12]，然后使用高维空间求解信号的最佳分类面。设信号数据样本，[yi]为特征标记，[xi]为数据样本。

[D=x1，y1，x2，y2，…，xm，ym，yi∈{-1，1}] （5）

可使用超平面[w·x+b=0]正确识别两类样本[13]，分类问题可简化为：

[yiw·xi+b-1≥0，  i=1，2，…，n] （6）

可得域分类函数：

[Q（α）=γiw·xi+b-1] （7）

阈值为A时，[Q（α）]A，对应为非移动信号。

2.2  异常信号特征提取

SVM移动通信网络控制识别模型如图1所示。

在图1所示的模型中，处理模糊移动信号并转换为向量形式。使用SVM分类函数[14]对信号向量分类，并将分类结果传输至信号识别与控制模块。在数据预处理模块中，对数据包中异常信号进行特征提取，识别全部源Src与目的Dist。若此时固定连接IP数与固定连接端口数目一致，则信号正常;否则，信号异常。

2.3  异常信号模式识别

对异常信号对应的特征向量[xi，yi， i=1，2，…，n，yi∈{-1，1}]建立训练模型。将处理后的训练向量组成数据集，输入SVM，调整参数以达到最佳性能。获得Vapnik意义下的移动信号最优分类面f（x）=0，使用f（x）=0作为实际决策函数[15]。使用实际决策函数来预处理移动通信网络中的异常信号。经决策树判断，若某向量在已标记识别的移动通信网络列表中，则将其视为正常网络信号;若不在，则标记为异常信号。算法代码如下：

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  實验结果分析

将200万组移动通信信号数据分为5组，选取1组作为SVM的控制识别数据集;将约160万组网络连接信号数据标记为1～4组识别控制数据。使用本文算法与传统检测异常信号算法[16]对移动信号数据进行识别控制实验。在不同环境下，对两种方法的识别率、误检率、漏检率进行对比。

1） 识别率：正确分类数量与全部样本数量的比值;

2） 误检率：非移动通信信号被误认为移动通信网络样本信号所占的比例;

3） 漏检率：被错分为非移动信号的移动通信网络信号占非移动信号的比例。

利用上述指标验证本文算法，结果如图2所示。由图2可知，基于本文算法对于异常通信信号的处理识别综合性能优于传统方法。在处理通信异常信号时，文中利用DFI技术识别移动通信数据中的异常信号，融合使用SVM算法，将传统的异常信号检测问题转换为SVM的分类问题，从而大幅提高识别异常信号的效率与鲁棒性，可以据此获得大规模移动信号数据集的相关特性。

分别对网络异常信号，使用多相滤波器法、时幅关联法及本文算法进行异常信号控制实验。随着实验次数的增加，3种算法对通信异常信号的控制精确度与误检率如图3所示。

从图3可看出，基于本文算法的移动通信网络异常信号控制的性能优于两种异常信号控制方法。随着实验次数的增多，本文算法对异常信号的控制性能变优，并逐渐趋于稳定。在图3b）中，实验次数在20次左右时，本文算法对异常信号的控制误检率出现极大值。因此，在后续的异常信号检测控制实验中，需对本算法进行预热处理，以保证算法的准确性。

4  结  语

本文通过对传统移动通信网络中异常信号检测优化算法的分析与提炼，将多特征数据集与支持向量机算法进行融合，建立移动信号的异常检验模型，并使用大规模信号数据集来训练支持向量机，通过检验模型与支持向量机实现对移动信号的高效识别与控制。实验与测试结果表明，本文方法对信号的异常检测精度等指标均优于传统方法。

参考文献

[1] 谭静，张治斌.基于混合特征的P2P流量识别方法[J].计算机仿真，2014（3）：322?325.

[2] 戴斌.基于移动数据业务的DPI系统的研究及应用[D].北京：北京邮电大学，2014.

[3] 牛连强，陈向震，张胜男，等.深度连续卷积神经网络模型构建与性能分析[J].沈阳工业大学学报，2016，38（6）：662?666.

[4] 马雪君.大规模网络流量异常检测方法研究[D].长春：吉林大学，2018.

[5] 付琴琴.一种新的MPSK信号调制分类算法[J].电子科技，2012，25（4）：1?5.

[6] 马亚男，戴尔晗，陈诚.多周期信号的小波包方差分析方法[J].微型机与应用，2017，36（3）：82?84.

[7] 江玲.基于多用户叠加编码的非正交多址接入技术研究[D].北京：北京邮电大学，2019.

[8] 解辉，陈冠一，董庆军，等.基于中频信号特征参数的卫星通信调制样式识别[J].现代电子技术，2019，42（11）：11?14.

[9] 郝晓丽，张靖.基于改进自适应聚类算法的RBF神经网络分类器设计与实现[J].计算机科学，2014，41（6）：260?263.

[10] 王世卿，曹彦.基于遗传算法和支持向量机的特征选择研究[J].计算机工程与设计，2010，31（18）：4088?4092.

[11] 郭蕴欣，马宏.基于机器学习的通信信号调制识别研究综述[J].电子测量技术，2018，41（24）：107?111.

[12] 杨星，李斌，曾悦，等.非对称非线性平滑转换的广义自回归条件异方差算法的碳价格均值回归检验[J].控制理论与应用，2019，36（4）：622?628.

[13] 马静，沈来信，盛文婷.在线开放通信网络信道分配算法优化[J].沈阳工业大学学报，2017，39（2）：193?197.

[14] 刘长清，陈博，潘舟浩，等.基于仿真SAR和SVM分类器的目标识别技术研究[J].中国电子科学研究院学报，2016，11（3）：257?262.

[15] 李嘉玺.基于支持向量机的相关反馈图像检索算法设计[D].西安：西安电子科技大学，2018.

[16] 冯博.基于支持向量機的无线电异常信号识别研究[D].成都：西华大学，2014.