基于深度學習的電子通信設備異常信號識別

喬 娟

（國家計算機網(wǎng)絡與信息安全管理中心甘肅分中心，甘肅 蘭州 730030）

1 基于深度學習的電子通信設備異常信號識別方法

1.1 信號數(shù)據(jù)預處理

電子通信設備的信號數(shù)據(jù)以文本的格式存儲在服務器的磁盤中，需要對這些數(shù)據(jù)篩選統(tǒng)計，刪除信號數(shù)據(jù)中的空值，去除掉由于人為操作錄入的錯誤信號數(shù)據(jù)和無關(guān)信號數(shù)據(jù)，對信號數(shù)據(jù)進行整理分類和規(guī)范化存儲管理，調(diào)整信號數(shù)據(jù)格式后重新保存。根據(jù)不同的信號數(shù)據(jù)類型進行分類存放，同一種類型的信號數(shù)據(jù)放在同一個文件夾里面進行區(qū)分，用數(shù)據(jù)壓縮的方法對信號數(shù)據(jù)進行標準化約束。對信號數(shù)據(jù)歸一化處理，是為了確保識別結(jié)果能夠真實、準確地反應電子通信設備對信號的識別情況。對數(shù)據(jù)進行歸一化

處理的公式為

在對電子通信設備信號識別的過程中，有些頻點在某些時刻是不工作的，這時該頻點的信號數(shù)據(jù)是異常信號數(shù)據(jù)[1]。如果去除這些數(shù)據(jù)，當該頻點工作時就會造成信號的丟失。異常信號是在識別過程中發(fā)生錯誤識別產(chǎn)生的，雖然異常信號本身沒有任何意義，但是研究電子通信設備對異常信號如何進行識別，可以使電子通信設備的安全得到保障。對數(shù)據(jù)進行標準化處理可以提高數(shù)據(jù)的真實有效性，標準化處理公式為

式中，x是進行標準化處理后，得到的可以作為樣本的數(shù)據(jù)；n是未進行標準化處理的數(shù)據(jù)的平均值，是未進行標準化處理的數(shù)據(jù)的標準差。最后不要選擇具有唯一性和重復性的信號數(shù)據(jù)，選擇可以互相關(guān)聯(lián)的和可進行數(shù)據(jù)源屬性編碼的信號數(shù)據(jù)，對數(shù)據(jù)進行遺漏填補和統(tǒng)一的糾正，選取這樣的數(shù)據(jù)是為了使數(shù)據(jù)可以被賦予屬性名和屬性值，方便于后面的研究能夠順利進行。

1.2 基于深度學習的信號特征提取

通過使用深度學習的方法，對電子通信設備信號的特征進行提取。利用深度學習對電子通信設備信號數(shù)據(jù)的特征進行刻畫，因為自動編碼器層疊形成深度學習神經(jīng)網(wǎng)絡，所以進行這樣的操作得到的電子通信設備信號數(shù)據(jù)的準確率是比較高的[2]。

使用自動編碼器的編碼網(wǎng)絡和解碼網(wǎng)絡中的編碼網(wǎng)絡，對處理后的數(shù)據(jù)進一步壓縮處理，降低編碼端處理過的信號數(shù)據(jù)量作為輸入的數(shù)據(jù)，由于隱含層的輸入數(shù)據(jù)可能被還原，所以通過信號數(shù)據(jù)集，選擇根節(jié)點數(shù)據(jù)，然后進行遍歷，選擇葉子節(jié)點，構(gòu)建特征樹，方便下面DNN進行層疊訓練，減少不必要的資源浪費。利用深度學習的自動編碼器對DNN進行層疊訓練，DNN就可以從電子通信設備提供的樣本信號數(shù)據(jù)中，獲得需要的異常信號的特征信息。利用深度學習的BP算法，DNN獲取的電子通信設備異常信號數(shù)據(jù)后，再稍微進行一下調(diào)整，使DNN獲得的電子通信設備異常信號的特征信息更加完成且準確。深度學習調(diào)整過程如圖1所示。

圖1 深度學習調(diào)整過程

分析通過DNN獲得的電子通信設備異常信號的特征數(shù)據(jù)，設信號的尺度為x，時延為y，電子通信設備的異常信號數(shù)據(jù)的特征參數(shù)計算公式為

式中，z(y)是所要得到的異常信號數(shù)據(jù)的特征參數(shù)。分離電子通信設備異常信號的頻譜偏移特性，可得到頻率與時間相關(guān)聯(lián)的參數(shù)，其形式表現(xiàn)為

1.3 電子通信設備異常信號識別

提取到電子通信設備異常信號特征后，根據(jù)提取到的特征進行電子通信設備異常信號的識別[4]。對特提取的異常信號的特征數(shù)據(jù)向量值進行訓練處理，選擇異常信號的最優(yōu)分類面，方便進行下面的電子通信設備異常信號的識別，便于對之后的函數(shù)計算值的有效性顯示，方便信號的直接傳遞以完成進一步識別工作。在進行識別的過程中，受到了多方面的因素的影響，為了讓識別的過程能夠順利進行，需要去除掉這些不利于信號識別的影響的干擾，通過式（7）計算需要去除識別干擾。

式中，K是隨機序列；a是電子通信設備異常信號的有效密度；SNR是信號的隨機性，通過式（8）得出的結(jié)果表明，電子通信設備異常信號與隨機序列有關(guān)聯(lián)。

通過上述所有計算，忽略不計其他因素對于計算結(jié)果的影響，調(diào)制處理計算的最終數(shù)據(jù)結(jié)果，處理后的數(shù)據(jù)結(jié)果表示的就是最終的，對于電子通信設備異常信號識別的結(jié)果。通過對電子通信設備信號數(shù)據(jù)的預處理，利用完成預處理后的數(shù)據(jù)進行信號特征的提取，根據(jù)提取結(jié)果，進行異常信號的識別計算，最終分析計算結(jié)果作為識別結(jié)果，完成電子通信設備異常信號的識別。

2 實驗

本文利用深度學習對電子通信設備異常信號進行識別，通過實驗的形式對使用深度學習的方法進行信號識別測試。首先把進行過預處理的電子通信設備異常信號數(shù)據(jù)進行分組，然后提取電子通信設備異常數(shù)據(jù)信號特征，特征提取完成后對兩組數(shù)據(jù)，分別采用深度學習的方法和傳統(tǒng)的方法，進行電子通信設備異常信號識別，最后分析通過這兩種方法進行識別得到的識別結(jié)果。在實驗過程中，忽略一些不可抗力的干擾影響，其他的識別環(huán)境均保持一樣，然后進行下面的實驗準備。

2.1 實驗準備

選擇幾款不同型號的6部手機作為電子通信設備，然后提取它們的異常信號作為實驗數(shù)據(jù)集，在選擇的這6部手機中，兩部主屏分辨率為1920×1080，型號為one型號，運行內(nèi)存為2G的手機，為它們進行編號a和b；兩部主屏分辨率為2400×1080，型號為two型號，運行內(nèi)存為4G的手機，為它們進行編號c和d；兩部主屏分辨率為2340×1080，型號為three型號，運行內(nèi)存為8G的手機，為它們進行編號e和f。從這6部手機中，每部手機都采集5 000條信號長度為5 000的信號數(shù)據(jù)。

使用自動編碼器對信號特征進行提取，自動編碼器結(jié)構(gòu)如圖2所示。

圖2 自動編碼器結(jié)構(gòu)

對信號類型進行分類，類型分為實信號和復信號等幾類。然后，使用Dropout的方法，對DNN迭代的概率進行信號識別保留。使用ReLU函數(shù)對信號節(jié)點進行激活，參數(shù)個數(shù)的具體設置如表1所示。

表1 參數(shù)設置表

采用梯度下降的方法，設batch為64，迭代次數(shù)為350，然后進行電子通信設備異常信號的識別。

2.2 實驗結(jié)果

如表2表示，不論是對不同的手機型號的信號進行識別，還是對相同的手機型號的信號進行識別，使用本文的方法都比使用傳統(tǒng)的方法對手機的信號的識別率要更高。

表2 識別結(jié)果數(shù)據(jù)表

本文使用深度學習的方法對6部手機信號進行識別，a和b的手機型號相同都為one，表2識別結(jié)果顯示：采用本文方法對a的識別率比采用傳統(tǒng)方法的對a識別率高0.17%，對b的識別率同樣高出0.17%；c和d的手機型號相同都為two，上表識別結(jié)果顯示：采用本文方法對c的識別率比采用傳統(tǒng)方法的對c識別率高0.12%，對d的識別率高出了0.07%；e和f的手機型號相同都為three，上表識別結(jié)果顯示：采用本文方法對e的識別率比采用傳統(tǒng)方法的對e識別率高0.10%，對d的識別率同樣高出了0.10%?？傮w上來看，采用本文的深度學習的方法都比采用傳統(tǒng)的方法識別率高，證明了深度學習方法對電子通信設備異常信號識別的優(yōu)越性高于傳統(tǒng)的識別方法。

3 結(jié)束語

本文研究了電子通信設備異常信號的識別，通過對新數(shù)據(jù)進行預處理，然后使用深度學習的方法提取電子通信設備異常信號的特征，最后通過計算完成對電子通信設備異常信號的識別。使用深度學習的方法進行電子通信設備信號的識別，降低了計算的損耗，提高了訓練的速度，使識別率能夠接近于100.00%，這在實際應用中有著重要的作用，對于電子通信設備異常信號的識別工作有幫助，具有廣泛的發(fā)展應用空間?！?/p>