联合LeNet和知识图谱的链路建立行为识别方法

摘 要：""""" 在电磁对抗环境下， 通信行为识别是电磁空间信号挖掘利用的重要一环。 针对非合作无线网络中链路建立行为识别检测困难以及传统方法特征表征能力弱的问题， 本文提出了联合LeNet和知识图谱的链路建立行为识别方法， 该方法在数据预处理的基础上， 建立了特征数据库， 并使用知识图谱（Knowledge Graph， KG）进行特征的可视化。 此外， 该方法能够对低信噪比条件下的IQ信号也有很好的识别效果， 在实测数据的基础上， 信噪比为-20 dB的情况下， 平均准确率达到90%以上， 能够对链路建立行为进行有效识别。

关键词："""" 链路建立行为识别; 非合作无线网络; LeNet; 知识图谱; 深度学习

中图分类号：""""" TJ760

文献标识码：""" A

文章编号："""" 1673-5048（2024）06-0112-08

DOI： 10.12132/ISSN.1673-5048.2024.0077

0 引" 言

通信行为识别是电磁空间信号挖掘利用的重要一环， 是指基于无线通信设备及网络发射的电磁信号数据， 通过分析提取信号的时、 频、 能等多域特征揭示通信活动的丰富语义， 实现对通信设备及网络^［1］行为的识别。 由于这种识别是在感知系统与目标无线通信设备及网络非合作的前提下仅通过分析感知到的信号数据实现的， 不需要目标设备或网络主体的配合。

在电磁环境非合作无线网络中通信行为识别是获取电子情报的重要手段， 而对于链路建立行为的识别尤为重要， 识别链路建立行为可以更好地了解非合作网络节点之间的关系、 通信协议等信息。 具体来说， 链路建立行为识别， 可以及早地发现节点的异常或恶意攻击行为， 辅助制定安全策略， 提前做好保障防止数据的泄露； 对于频繁建立链接的节点， 传输的信息可能更值得获取， 有利于辨别通信行为的紧迫性， 对关键节点的发现起辅助支撑作用。

近年来， 机器学习和深度学习等人工智能的方法逐渐被应用于通信行为识别领域中^［2-4］ ， 例如文献［5］使用改进K-means的聚类方法， 通过通信行为进行数据挖掘， 从而进行通信行为特征分析； 文献［6］采用梯度提升决策树等算法基于用户通信行为数据， 建立了诈骗电话识别模型； 文献［7］提出一种基于双谱特征和改进LeNet的短波无线电台通信行为识别算法等。 但这些方法对于通信行为的特征表征能力较弱， 对于噪声较大的强对抗环境考虑不全面， 信噪比低于0 dB的情况能否起到识别效果未知。

知识图谱（Knowledge Graph， KG） ^［8-12］本质上是一种语义网络的知识库， 即一个具有有向图结构的知识库， 其中图的结点代表实体或者概念， 而图的边代表实体之间的各种语义关系^［13］， 能够组织和表示知识及其之间的相互联系^［14］， 因此， 将知识图谱应用于信号的特征表征中， 可以更加准确地描述信号的特征和含义。 因此， 本文引入知识图谱来构建信号特征知识图谱增加信号特征的表征能力。

综上所述， 在复杂电磁环境下， 面向非合作无线网络， 本文提出一种联合LeNet和知识图谱的链路建立行为识别方法， 该方法首先构建了信号特征数据KG库， 提高了对信号特征的表征能力， 然后优化了特征KG联合LeNet进一步提高了极低信噪比条件下的识别准确率， 能够有效的识别链路建立行为。

1 链路建立行为及系统模型

1.1 链路建立行为

对于无线宽带自组网设备， 本文研究的链路建立行为包括请求发送行为RTS（Request to Send）， 允许发送行为CTS（Clear to Send）以及应答行为ACK（Acknowledgement）^［15］。

（1） RTS（Request to Send， 请求发送）

RTS帧确保发送方在发送数据前取得媒介的控制权， 以避免与其他设备发生冲突， 以便传输大型帧。 RTS帧的格式如图1所示， RTS帧只包含标头。 帧主体中并未包含任何数据， 标头之后即为FCS（帧检查码）。

（2） CTS（Clear to Send， 允许发送）

CTS帧有两种目的， 其格式如图2所示。" CTS帧用于接收方应答RTS帧， 如果之前没有RTS出现， 就不会产生CTS。 CTS既可以用于避免碰撞， 确保数据传输的可靠性， 也可以用作防护机制， 避免与其他设备之间的干扰。

（3） ACK（Acknowledgement， 确认应答）

ACK帧（见图3）就是MAC以及任何数据传输（包括一般传输RTS/CTS交换之前的帧、 帧片段）所需要的正面应答； 还用于链路建立时的握手确认。

图1～3可以看出三者的帧结构相似， 即帧具体结构识别起来具有一定的难度， 其在数据链路层和物理层传输时具有相似性， 由图4可以看出三者的波形差异不大， 难以精确地辨别， 考虑到同一类信号仍存在差异， 本文采用联合LeNet和知识图谱的识别方法对链路建立行为进行有效识别。

1.2 系统模型

本文旨在面向非合作无线网络的环境实现链路建立行为的有效识别。 如图5所示， 链路建立行为识别系统由数据采集、 知识图谱（Knowledge Graph， KG）构建、 神经网络架构以及行为识别四个部分组成。

2 信号特征知识图谱

针对特征表征能力弱的问题， 对IQ信号进行时、 频域特征提取， 基于所构建的特征数据库， 利用先验专家知识， 通过建立实体和属性之间的关系构建信号特征知识图谱。

知识图谱通过实体和关系的图结构形式， 提供了除表面的数据模式外丰富的语义信息， 因此知识图谱能够提高特征的可解释性， 增强特征的表征能力， 使每一个实体和属性都有明确的语义， 用知识图谱进行特征表征还为未来跨领域的知识融合提供了可能， 增强模型的泛化能力。 目前主要是行为层级的知识图谱， 随着研究的深入， 未来考虑对知识图谱层级构建的加深， 可以扩展到设备、 网络等， 用于网络拓扑推理， 构建动态知识图谱识别系统。

本文选取了均值、 方差、 标准差、 峰度、 偏度、 最大值、 最小值、 峰峰值、 整流平均值、 均方根、 波形因子、 峰值因子、 脉冲因子、 裕度因子等作为时域提取的信号特征； 选取了重心频率、 均方频率、 频率方差、 功率谱熵、 频带能量等作为频域提取的信号特征， 以此构建电磁信号知识图谱^［16］。

2.1 部分特征

（1） 峰度与偏度^［17］

峰度可用来度量随机变量概率分布的陡峭程度：

K=1n∑ni=1Xi－μσ4（1）

式中： μ为均值； σ为信标准差。 峰度的取值范围为［1， +∞），" 峰度值越大，" 概率分布图越高尖，" 峰度值越小，" 概率分布图越矮胖。

偏度可用来度量随机变量概率分布的不对称性：

S=1n∑ni=1Xi－μσ3（2）

偏度的取值范围为（-∞， +∞），" 当Slt;0时，" 概率分布图左偏；" 当S=0时，" 表示数据相对均匀地分布在平均值两侧；" 当Sgt;0时，" 概率分布图右偏。

（2） 脉冲因子与裕度因子^［18］

脉冲因子表示信号中瞬时峰值与平均水平之间的差距：

I=xpeak1n∑ni=1xi（3）

裕度因子表示信号的峰值与平均水平之间的差距：

Ce=xpeakxr=xpeak1n∑ni=1xi2（4）

式中：xpeak为峰值； xr为方根幅值。

（3） 重心频率与均方频率^［19］

重心频率可以用来描述信号在频谱中分量较大的信号成分的频率， 反映了信号功率谱的分布情况：

S1=∑Nk=1fk·P（k）∑Nk=1P（k）（5）

式中： P（k）为对应点的功率谱值； fk为对应点的频率幅值大小。 低频幅值较大时，" 重心距离原点较近。

均方频率是信号频率平方的加权平均值，" 可以用来描述功率谱主频带分布：

S2=∑Nk=1f2k·P（k）∑Nk=1P（k）（6）

（4） 功率谱熵^［20］

功率谱熵可作为时间不确定性的一种度量，" 同时也反映了信号的不确定性：

Hs=－∑ni=1|P（k）|∑P（k）log2|P（k）|∑P（k）（7）

2.2 知识图谱构建方案

首先对原始IQ信号根据实部和虚部分别进行时、 频域的特征提取， 并且对所提取的特征进行拼接得到信号特征。

构建特征知识图谱的过程中以信号为实体， 以特征数值为基础， 作为属性值， 利用先验知识， 将其添加到信号特征属性维度中， 以一般实体对、 关系的形式为例， 则对应实体对为信号、 特征、 特征数值（行为-具有-特征、 特征-是-数值）， 实际以实体-属性-属性值为格式构建信号特征知识图谱， 但是构建后特征以列表属性展示表征能力差。 为了展现的更加直观， 将特征作为边， 特征数值作为节点（行为-特征-特征值）， 则对应ack_1-四阶累积量-25.21。 在Neo4j通过以下方式进行特征知识图谱的构建：

（1） 前期提取信号的多维特征属性， 生成.csv文件（utf-8编码）；

（2） 在Neo4j平台的图数据库管理系统（Graph Database Management System， Graph DBMS）中导入.csv文件；

（3） 利用Cypher命令进行图谱的构建， 部分命令示例如下：

LOAD CSV WITH HEADERS FROM \"file： ∥/ack_1.csv\" AS line

match （from： 概念1{name： line.node1}）， （to： 概念2{name： line.node2}）

merge （from）-［r： 关联{name： line.link}］-gt;（to）

LOAD CSV FROM 'file： ∥/ack.csv' AS line CREATE （： Map { linkID：" line［0］，" nod1：" line［1］，" link：" line［2］，" nod2： line［3］ }）;

CREATE （line［1］）-［r： line［2］］-gt;（line［3］）;

（4） 生成如图6所示的知识图谱， 可导出为CSV， JSON， PNG， SVG文件。

3 基于LeNet的链路建立行为识别

LeNet是由著名的计算机科学家Yann LeCun等于1998年提出的深度学习模型^［21］， 被广泛应用于手写数字识别任务， 对网络和数据进行调整后也可用于通信行为识别， 如图7所示。 其基本结构包括卷积层、 池化层和全连接层， LeNet的设计思想是通过卷积操作和下采样操作来提取图像特征， 并通过全连接层进行分类。

网络采用了交叉熵损失函数^［22］， 基于网络输出和输入样本标签之间的差异构建损失函数：

L=1N∑iLi=－1N∑i∑Mc=1yiclog2（pic）（8）

式中：M为类别的数量； yic符号函数（0或1）， 如果样本i的真实类别等于c取1， 否则取0； pic为观测样本i属于类别c的预测概率。 然后在训练过程中， 使用优化的梯度下降算法-Momentum算法^［23］通过不断沿着隐藏层和输出层权重和偏置参数的负梯度方向进行调整， 以使损失函数最小化， 从而优化模型的性能， 原理公式如下：

v（t）=βv（t－1）+（1－β）grad（t）（9）

θ（t）=θ（t－1）+v（t） （10）

式中：v（t）表示在时刻t的动量项； β为动量项的系数; grad（t）表示在时刻t的梯度； θ（t）表示在时刻t的参数。 在每次更新时， 先计算动量项v（t）， 然后根据动量项和梯度来更新参数θ（t）。 构建上述网络对其进行训练调参后实现对链路建立行为的识别。

整个网络的实现过程如下式：

fout=Flatten（MaxPool（W^［2］*MaxPool（W^［1］

St+b^［1］）+b^［2］））

fBN=γ^［1］·fout－μσ2+ε+β^［1］

fLeNet=γ^［2］·fBN－μσ2+ε+β^［2］ （11）

式中：W为卷积核参数； b为偏置； MaxPool为最大池化； μ和σ2是当前中所有样本对应神经元输出的均值和方差； γ和β是学习参数； ε为是一个很小的数值， 用于避免除零错误； fout为Flatten层后的输出； fBN为第一次正则化之后的输出； fLeNet为网络的最终输出。

4 联合LeNet和知识图谱的链路建立行为识别方法

首先， 利用BB60C实时信号采集设备采集数据， 并进行数据预处理， 生成可视化KG。 然后， 将接收到的IQ信号进行信号解析建立信令数据集， 构建信号特征知识图谱， 而后将数据集输入到神经网络训练模型。 最后， 利用训练好的模型识别不同的链路建立行为。

以IQ数据作为输入， 在极低信噪比下的识别准确率只有83%左右。 为进一步提高准确率， 提出了一种联合LeNet和知识图谱的链路建立识别方法（L-KG）， 如图8所示。 该方法将IQ信号和信号特征KG一同输入到网络模型中， 分别训练后选择准确率更高的进行择优， 达到提升模型性能的目的。 经过后续实验验证， 该方法在信噪比极低的情况下采用优化的KG特征作为输入， 由于特征提取的过程例如四阶累积量对于噪声的不敏感性从而提高了网络在低信噪比下的准确率， 而信噪比较好时， IQ信号的直接输入可以更好地提取训练完整的特征， 达到比特征KG更好的训练效果， 因此信号特征KG和IQ信号联合输入能够提升整体的性能表现， 在复杂电磁环境中的适应性更高。

对于原始特征KG的各项特征存在着较大的量级差异， 即使采用归一化之后仍然会导致网络训练的崩坏， 所以本文采用列归一化的方式结合先验经验赋予特征属性边权重， 最后对比小样本学习出的权重矩阵对KG进行调整， 得出对于分类有效的特征属性边的权重分配， 以此为网络输入进一步提高方法的识别准确率。

选取ACK、 CTS、 RTS各10条：有向图权重属性边的形式表示信号瘙綆=［S1， …， S10， L1， …， L10， M1， …， M10］， 权重w^=［α^， …， α^，"" β^， …， β^， γ^， …， γ^］， 其中α^=［α1， α2， …， α21］， β^=［β1， β2， …， β21］， γ^=［γ1， γ2， …， γ21］分别为S， L， M三种信号的权重， 特征x^=［x1， x2， …， x21］。

瘙綆=w^Tx^（12）

损失函数定义：rij∈瘙綆， 其中i代表类别， j代表序号， 例如r12代表S2。

sim_loss=-13∑3i=1110∑10j=1∑10k=1rij·rikrijrik（13）

dist_loss=maxi≠jfi-fj2（14）

total_loss=sim_loss+dist_loss（15）

求得w^， 以此为权重系数对原始特征进行调整得到优化特征。

5 实验与分析

本节主要介绍实测场景、 数据集的建立以及链路建立行为识别方法的性能。 首先采集实测数据， 并对原始射频信号进行预处理， 构建信号特征KG。 在此基础上， 将LeNet、 ResNet^［24］、 5CNN等神经网络及传统机器学习方法SVM^［25］进行训练对比， 该比较基于相同的数据集。

5.1 数据集构建及初步实验

数据采集：实验设备为两台无线宽带战术无线电台全向天线、 网线若干， 3台笔记本电脑， 以及BB60C 实时频谱分析仪模块和射频记录仪， 如图9所示。

采集IQ数据约3万条并对原始IQ信号进行解码， 解码结果示例如图10所示。

对解码数据处理后， 得到ACK， CTS， RTS信号， 并建立链路建立行为数据集共9 000余条。 将信号存储为.mat格式文件。 对数据集进行预处理， 加载到如图7所示的神经网络中进行训练， 得到结果（信噪比为20 dB的情况下识别效果）如图11～12所示。

5.2 对比实验

考虑到电磁环境的复杂性， 实际情况多为低信噪比或者极低信噪比的情况， 因此， 本文考虑采用如图7所示网络结构更加优化的LeNet， 最后综合比较实验结果以及训练时间， LeNet能够实现更好的识别功能。

以原始IQ数据为输入比较SVM、 5CNN、 ResNet以及LeNet在不同信噪比下的识别效果如图13所示。

其中， 5CNN为与LeNet层数相同的浅层神经网络如图10， 信噪比较高时的路径干扰较少， 此时使用简单的卷积神经网络5CNN就能达到很好的识别效果， 随着信噪比的降低， 5CNN对于链路建立行为的识别准确率急剧下降， 更是低于传统的SVM方法， 但在-20 dB的情况下， 5CNN和SVM都失去了应有的识别效果， 识别准确率只有34%左右， 只有LeNet和ResNet能够起到较好的识别效果。 由上图可以看出LeNet对比其他几种方法性能更好， 比5CNN的网络结构更加优化， 如表1所示， 训练时间比ResNet也大幅度减小， 比SVM有着更好的抗信噪比衰落的能力， 因此本文选用LeNet进行链路建立行为识别。

本文提出的L-KG识别方法联合IQ数据和优化后的特征KG作为LeNet的输入， 如图14～17所示， 本文提出的L-KG方法比LeNet进一步提升了在极低信噪比下的识别准确率。

在信道质量良好以及外部干扰较弱的情况下， 这几种网络以及传统的SVM方法均有着良好的识别效果， 但随着信噪比的降低， 只有ResNet、 LeNet和L-KG三种方法在-15 dB， -20 dB的情况下识别能力虽然有所下降， 但对链路建立行为仍具有较为可靠的识别准确率， 而本文提出的L-KG方法进一步提高了极低信噪比下的准确率， 即使在-20 dB下平均准确率也在90%以上， 对比其他方法有着更高的准确率， 能够有效识别链路建立行为。

6 结" 语

本文提出了一种联合LeNet和知识图谱的链路建立行为识别方法， 该方法对比传统的SVM算法、 以及5CNN、 LeNet、 ResNet等神经网络具有更高的识别精准度， 即使在信噪比-20 dB的情况下仍然有着90%以上的准确率。 当然， 如今通信行为识别仍面临着不少挑战， 例如数据量的规模需求较大， 模型的泛化能力不足等。 未来， 小样本^［26］学习和迁移学习可能会是发展的方向。

参考文献：

［1］ 宋叶辉，" 田乔宇，" 丁国如，" 等. 面向电磁战斗序列的网络化通信目标行为识别方法［J］. 陆军工程大学学报，" 2023，" 2（5）：" 18-25.

Song Yehui，" Tian Qiaoyu，" Ding Guoru，" et al. EOB-Oriented Networked Communications Target Behavior Identification Method［J］. Journal of Army Engineering University of PLA，" 2023，" 2（5）：" 18-25.（in Chinese）

［2］ Bandi A. A Review towards AI Empowered 6G Communication Requirements，" Applications，" and Technologies in Mobile Edge Computing［C］∥6th International Conference on Computing Methodologies and Communication （ICCMC），" 2022：" 12-17.

［3］ Al-Khafaji M，" Elwiya L. ML/AI Empowered 5G and beyond Networks［C］∥International Congress on Human-Computer Interaction，" Optimization and Robotic Applications （HORA），" 2022：" 1-6.

［4］ Jin D P，" Tao X M，" Wang J T，" et al. Guest Editorial：" AI-Empowe-red Future Communication Networks［J］. China Communications，" 2022，" 19（3）：" 129-131.

［5］ 何云，" 李辉，" 姚能坚，" 等. 改进K-means算法实现移动通信行为特征分析［J］. 计算机技术与发展，" 2011，" 21（6）：" 63-65.

He Yun，" Li Hui，" Yao Nengjian，" et al. Application of Improved K-Means Algorithm in Mobile Communication Behavioral Characteristic Analysis［J］. Computer Technology and Development，" 2011，" 21（6）：" 63-65.（in Chinese）

［6］ 孙玉佳. 基于用户通信行为数据的诈骗电话识别研究［D］. 北京：" 首都经济贸易大学，" 2021.

Sun Yujia. Research on Fraudulent Phone Identification Based on User Communication Behavior Data［D］. Beijing：" Capital University of Economics and Business，" 2021. （in Chinese）

［7］ Wu Z L，" Chen H，" Lei Y K. Recognizing Non-Collaborative Radio Station Communication Behaviors Using an Ameliorated LeNet［J］. Sensors，" 2020，" 20（15）：" 4320.

［8］ 郭浩，nbsp; 李欣奕，" 唐九阳，" 等. 自适应特征融合的多模态实体对齐研究［J］. 自动化学报，" 2024，" 50（4）：" 758-770.

Guo Hao，" Li Xinyi，" Tang Jiuyang，" et al. Adaptive Feature Fusion for Multi-Modal Entity Alignment［J］. Acta Automatica Sinica，" 2024，" 50（4）：" 758-770.（in Chinese）

［9］ 郭伟鹏，" 沈松雨. 基于BERT模型的领域知识图谱构建研究［J］. 科技创新与应用，" 2022，" 12（36）：" 16-19.

Guo Weipeng，" Shen Songyu. Research on the Construction of Domain Knowledge Graph Based on BERT Model［J］. Technology Innovation and Application，" 2022，" 12（36）：" 16-19.（in Chinese）

［10］ Peng Z Q，" Song H Z，" Zheng X H，" et al. Construction of Hierarchical Knowledge Graph Based on Deep Learning［C］∥IEEE International Conference on Artificial Intelligence and Computer Applications （ICAICA），" 2020：" 302-308.

［11］ Zhang N Y，" Xu X，" Tao L K，" et al. DeepKE：" A Deep Learning Based Knowledge Extraction Toolkit for Knowledge Base Population［EB/OL］.（2022-01-10）［2024-05-08］.https： ∥arxiv.org/abs/2201.03335？context=cs.CL.

［12］ Amador-Domínguez E，" Serrano E，" Manrique D，" et al. An Ontolo-gy-Based Deep Learning Approach for Triple Classification with Out-of-Knowledge-Base Entities［J］. Information Sciences，" 2021，" 564：" 85-102.

［13］ 漆桂林，" 高桓，" 吴天星. 知识图谱研究进展［J］. 情报工程，" 2017，" 3（1）：" 4-25.

Qi Guilin，" Gao Huan，" Wu Tianxing. The Research Advances of Knowledge Graph［J］. Technology Intelligence Engineering，" 2017，" 3（1）：" 4-25.（in Chinese）

［14］ Sun J C，" Chen J，" Ding G R，" et al. Spectrum Recommendation in Cognitive Internet of Things：" A Knowledge-Graph-Based Framework［J］. IEEE Transactions on Cognitive Communications and Networking，" 2024，" 10（1）：" 21-34.

［15］ IEEE Standard for Information Technology-Telecommunications and Information Exchange between Systems-Local and Metropolitan Area Networks-Specific Requirements-Part 11：" Wireless LAN Medium Access Control （MAC） and Physical Layer （PHY） Specifications［S］. IEEE Std 802.11-2020 （Revision of IEEE Std 802.11-2016），" 2021：" 1-4379. DOI： 10.1109/IEEESTD.2021.9363693.

［16］ 华敏妤，" 张逸彬，" 孙金龙，" 等. 基于信号特征知识图谱与宽度学习架构的特定辐射源识别［J］. 移动通信，" 2023，" 47（2）：" 21-27.

Hua Minyu，" Zhang Yibin，" Sun Jinlong，" et al. Specific Emitter Identification Based on Signal Feature Knowledge Graph and Broad Learning Architecture［J］. Mobile Communications，" 2023，" 47（2）：" 21-27.（in Chinese）

［17］ 项阳. 基于机器学习的网络流早期分类研究［D］. 南京：" 南京邮电大学，" 2022.

Xiang Yang. Research on Early Classification of Network Flow Based on Machine Learning［D］. Nanjing：" Nanjing University of Posts and Telecommunications， "2022. （in Chinese）

［18］ 温雪芳，" 姚金杰，" 白建胜，" 等. 基于特征降维和深度学习的电磁信号识别方法［J］. 舰船电子工程，" 2023，" 43（1）：" 192-198.

Wen Xuefang，" Yao Jinjie，" Bai Jiansheng，" et al. Electromagnetic Signal Recognition Method Based on Feature Reduction and Deep Learning［J］. Ship Electronic Engineering，" 2023，" 43（1）：" 192-198.（in Chinese）

［19］ 王俊迪 ，" 王星 ，" 田元荣 ，" 等. 基于行为特征的雷达辐射源威胁评估［J］. 北京航空航天大学学报，" 2023：" 1-16.

Wang Jundi，" Wang Xing，" Tian Yuanrong，" et al. Threat Assessment of Radar Emitter Based on Behavior Characteristics ［J］. Journal of Beihang University，" 2023：" 1-16.（in Chinese）

［20］ 高燕，" 胡国兵，" 张照锋，nbsp; 等. 基于功率谱熵的频谱感知算法研究［J］. 电子器件，" 2015，" 38（3）：" 506-509.

Gao Yan，" Hu Guobing，" Zhang Zhaofeng，" et al. Power Spectral Entropy Based Spectrum Sensing in Cognitive Radio［J］. Chinese Journal of Electron Devices，" 2015，" 38（3）：" 506-509.（in Chinese）

［21］ LeCun Y，" Bottou L，" Bengio Y，" et al. Gradient-Based Learning Applied to Document Recognition［J］. Proceedings of the IEEE，" 1998，" 86（11）：" 2278-2324.

［22］ Mao A，" Mohri M，" Zhong Y. Cross-Entropy Loss Functions：" Theoretical Analysis and Applications［C］∥International Conference on Machine Learning，" 2023：" 23803-23828.

［23］ Ruder S. An Overview of Gradient Descent Optimization Algorithms［EB/OL］.（2016-09-15）［2024-05-08］. https： ∥arxiv.org/abs/1609.04747.

［24］ He K M，" Zhang X Y，" Ren S Q，" et al. Deep Residual Learning for Image Recognition［C］∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR），" 2016：" 770-778.

［25］ Cortes C，" Vapnik V. Support-Vector Networks［J］. Machine Learning，" 1995，" 20（3）：" 273-297.

［26］ 徐帅，" 刘鲁涛. P-Net框架下的小样本雷达信号识别算法［J］. 哈尔滨工程大学学报，" 2022，" 43（5）：" 739-744.

Xu Shuai，" Liu Lutao. Small Sample Radar Signal Recognition Algorithm under the P-Net Framework［J］. Journal of Harbin Engineering University，" 2022，" 43（5）：" 739-744.（in Chinese）

Joint LeNet and Knowledge Graph Approach to Link

Building Behavior Recognition

Liu Yan’ao，" Sun Jiachen*，" Ding Guoru，" Xu Yitao，" Song Yehui， Tang Peng

（College of Communications Engineering，" Army Engineering University，" Nanjing 210007，" China）

Abstract：

In the electromagnetic countermeasure environment，" communication behavior recognition is an important part of the mining and utilization of electromagnetic space signals. In order to solve the problem of the difficulty of link establishment behavior recognition and detection in non-cooperative wireless networks and the weak feature representation ability of traditional methods，" this paper proposes a link establishment behavior recognition method combining LeNet and knowledge graph，" which establishes a feature database based on data preprocessing and uses knowledge graph to visualize the features. In addition，" the method can also have a good recognition effect on IQ signals under the condition of low signal-to-noise ratio，" and the average accuracy rate of the signal-to-noise ratio is more than 90% when the signal-to-noise ratio is -20 dB on the basis of the measured data，" which can effectively identify the link establishment behavior.

Key words：" link establishment behavior identification; non-cooperative wireless network; LeNet; knowledge graph; deep learning