基于深度学习的网络链路通信质量检测方法

李 想

（广西华侨学校，广西 南宁 530007）

0 引言

为适应集成化应用程序的增加，满足终端用户对于网络通信容量、数据高效率增长的需求，应将网络链路在通信过程中的质量检测工作作为优化互联网建设的重点[1]。在较早时期，大部分科研人员将网络链路作为一个对称通信模型，并按照泛洪通信协议进行通信节点承载数据的测量，但根据现有理论研究成果可知，大部分网络链路存在非对称性，按照此种方式开展研究与实际存在较大偏差[2]。为解决现有检测方法存在的问题，在本文的研究中，尝试引进深度学习算法，设计一个全新的链路质量检测方法。

1 基于深度学习的网络链路通信质量检测方法

1.1 基于深度学习建立网络链路通信模型

为实现对网络链路通信质量的有效检测，引进深度学习算法，建立一个网络链路通信模型[3]，此过程如图1所示。

图1 基于深度学习的网络链路通信模型

假设在网络链路通信模型中，存在一个隐藏层，将此层表示为M，M中共含有j个神经元，对神经元进行迭代，对神经元进行优化处理，将其优化的过程作为深度学习的过程，输出的神经元通信序列可表示为下述计算公式

1.2 基于时间序列的通信链路局部线性平滑处理

对通信链路进行时间序列的划分，按照划分的时间序列进行数据动态处理[4]。在此过程中，需要根据通信数据在链路中受影响的变量，进行通信模式的观测，观测后掌握不同类型数据之间的动态化表达关系，保证数据在一种相对稳定的环境下安全通信后，按照非参数平滑处理方式将通信数据的加权设计值进行回归估算。估算过程中的加权设计值具有常数逼近特点，因此可直接按照局部线性处理的方式对通信数据进行质量优化，实现对通信链路的处理。

由于局部处理不存在边界效应，因此只需要选择不同相邻节点之间的线性平滑值作为网络链路通信信号接收强度即可[5]。假设在此过程中的平滑信号在通信时的接收强度表示为 ，对 进行分解处理。

1.3 基于序列分析的网络链路通信质量检测结果

将完成局部平滑线性处理的网络链路通信信号作为输入变量，以信号在终端的接收强度为质量检测评价指标。当强度符合标准且信噪比较高时，网络链路通信质量较高；反之，认为网络链路通信质量较低。在检测其质量时，采用实时监控通信链路信号变化趋势的方式，进行质量检测结果的输出。

在完成对信号接收强度在不同时刻的描述后，使用最小二乘计算公式获取信号的待定系数，并在指定时刻对信号强度状态进行表达。当获得通信链路中一个完整的平滑信号后，需要对信号进行周期性采样，完成采样后持续进行窗口的滑动处理，得到一个向前的时间序列滑动窗口。重复上述步骤，建立一个针对此通信区段的质量监测窗口。根据信号的步长与接收强度，依次进行序列通信时间的匹配，根据终端序列的连续性，进行信号通信链路质量的评估。当终端序列具有连续性时，网络链路通信质量较高。反之，认为此时网络链路通信质量较低。

2 对比实验

为验证本文方法的实用性，设计对比实验。实验前，选择某无线通信终端作为测试场所，随机抽取一段历史数据库中的时间序列通信数据，调用数据库中数据后对其进行编号，记录数据包从发出端到接收端的有效通信时长，追溯其源端。按照此种方式，对数据包在网络链路中的通信进行检测。在检测过程中，假设对端表示为A与B，其中A表示网络链路发送节点，B表示网络链路接收节点，提取节点A与节点B，将其布设在70.0 Mb/s的分布式光纤通信站点中。在此基础上，使用IAR-bedded-Workbench数据编译工具，对节点发送程序进行编译，辅助Java语言编程数据包网络通信接收程序与传输程序，按照数据包通信的转接节点位置，将程序下载到每个节点中。按照标准化通信模式，集成数据通信传感器，每间隔300.0 ms，从A节点进行一次数据包发送，当B节点接收到数据后，完成一次网络通信，直到节点B完成对所有通信数据包的接收。计算在不同时间序列下数据包通信传输的信噪比，将与之相关的数据使用串口进行传输，直到PC端完成对所有串口数据的传输。此时，PC端将根据采样数据、时间序列等信息，对采样的所有原始数据进行统计，将统计后的结果导入MATLAB软件中，使用软件中辅助工具，对此段网络链路通信中的信噪比按照时间序列进行输出，输出后的结果可用图2表示。

图2 网络链路通信中信噪比时间序列输出结果

完成对网络链路通信中信噪比时间序列的输出后，使用MATLAB软件对获取的原始信号进行解耦处理，处理后可得到一个针对此段通信信号的非线性时间序列图，将此段图示使用折线图进行表示，如图3所示。

图3 通信信号的非线性时间序列图

得到此段通信信号的非线性时间序列后，对其进行近似值解耦处理，得到一个针对此段通信信号的非平稳随机方差序列图，如图4所示。

图4 通信信号的非平稳随机方差序列图

将图4得到结构导入训练器，对其进行训练，通过对数据的多次迭代处理后发现，此次研究得到的方差序列图与实际通信链路信噪比的变化趋势基本一致，因此，可认为本文此次设计的基于深度学习的检测方法，在实际应用中可起到对通信链路质量有效检测的作用。

在证明本文设计方法真实可用后，选择基于图像帧显著变化特性的网络链路通信质量检测方法作为对比方法，分别使用两种方法对不同规模的通信链路质量进行检测。

在使用本文设计方法进行链路通信质量检测时，需要先使用深度学习算法，建立一个可用于描述网络通信链路通信的模型，划分接收端与发送端在通信过程中的时间序列，提取通信中的关键节点，对其通信链路中的局部信号与区段进行平滑处理。在此基础上，深度分析划分的时间序列，根据不同序列的通信信号传输方式对网络链路通信质量进行检测，输出检测结果。

在使用基于图像帧显著变化特性的网络链路通信质量检测方法进行检测时，需要先进行链路传输内容的识别，根据识别的结果划分数据帧序列，根据帧数的变化趋势进行网络通信质量的检测。

此次对比实验共布置了五个实验环境，每个实验环境中通信节点的数量不同，分别为25.0个、85.0个、125.0个、225.0个、400.0个。在每个通信节点部署相同的干扰项，以单向链路通信作为支撑，随着网络通信链路节点数量地增加，对应的通信质量将随之降低。将通信过程中的信噪比作为测试指标，信噪比降低，证明网络通信中节点噪声越多，网络通信质量越差；反之，当信噪比值增加时，网络通信节点中噪声越少，证明网络通信质量越佳。按照上述测试方式，使用两种检测方法，对不同环境下的网络通信质量进行检测，输出检测后不同测试环境通信中的信噪比，如表1所示。

表1 不同环境网络通信质量检测结果

从表1所示的实验结果中可以看出，尽管两种检测方法都可实现对网络链路通信质量检测结果的输出，但本文方法检测结果更为合理，符合此次实验环境的布设。而对比方法在进行大于100.0个节点的网络链路通信质量检测时，数值没有发生变化，与实验预设的环境存在不匹配的问题。综上所述，与对比方法相比，本文设计的基于深度学习的网络链路通信质量检测方法在实际应用中具有更强的延展性，可实现对不同规模网络链路通信质量的有效检测。

3 结束语

本文对基于深度学习的网络链路通信质量检测方法展开了设计研究，并通过对比实验证明了本文设计的网络链路通信质量检测方法应用后具有更强的延展性，可实现对不同规模网络链路通信质量的有效检测。以此种方式，提高检测结果的精度与准确率，为现代化网络的优化建设提供决策支持，实现对网络建设工作的全面优化。■