聯(lián)合LeNet和知識(shí)圖譜的鏈路建立行為識(shí)別方法

摘 要：""""" 在電磁對(duì)抗環(huán)境下， 通信行為識(shí)別是電磁空間信號(hào)挖掘利用的重要一環(huán)。 針對(duì)非合作無線網(wǎng)絡(luò)中鏈路建立行為識(shí)別檢測(cè)困難以及傳統(tǒng)方法特征表征能力弱的問題， 本文提出了聯(lián)合LeNet和知識(shí)圖譜的鏈路建立行為識(shí)別方法， 該方法在數(shù)據(jù)預(yù)處理的基礎(chǔ)上， 建立了特征數(shù)據(jù)庫， 并使用知識(shí)圖譜（Knowledge Graph， KG）進(jìn)行特征的可視化。 此外， 該方法能夠?qū)Φ托旁氡葪l件下的IQ信號(hào)也有很好的識(shí)別效果， 在實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上， 信噪比為-20 dB的情況下， 平均準(zhǔn)確率達(dá)到90%以上， 能夠?qū)︽溌方⑿袨檫M(jìn)行有效識(shí)別。

關(guān)鍵詞："""" 鏈路建立行為識(shí)別; 非合作無線網(wǎng)絡(luò); LeNet; 知識(shí)圖譜; 深度學(xué)習(xí)

中圖分類號(hào)：""""" TJ760

文獻(xiàn)標(biāo)識(shí)碼：""" A

文章編號(hào)："""" 1673-5048（2024）06-0112-08

DOI： 10.12132/ISSN.1673-5048.2024.0077

0 引" 言

通信行為識(shí)別是電磁空間信號(hào)挖掘利用的重要一環(huán)， 是指基于無線通信設(shè)備及網(wǎng)絡(luò)發(fā)射的電磁信號(hào)數(shù)據(jù)， 通過分析提取信號(hào)的時(shí)、 頻、 能等多域特征揭示通信活動(dòng)的豐富語義， 實(shí)現(xiàn)對(duì)通信設(shè)備及網(wǎng)絡(luò)^［1］行為的識(shí)別。 由于這種識(shí)別是在感知系統(tǒng)與目標(biāo)無線通信設(shè)備及網(wǎng)絡(luò)非合作的前提下僅通過分析感知到的信號(hào)數(shù)據(jù)實(shí)現(xiàn)的， 不需要目標(biāo)設(shè)備或網(wǎng)絡(luò)主體的配合。

在電磁環(huán)境非合作無線網(wǎng)絡(luò)中通信行為識(shí)別是獲取電子情報(bào)的重要手段， 而對(duì)于鏈路建立行為的識(shí)別尤為重要， 識(shí)別鏈路建立行為可以更好地了解非合作網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系、 通信協(xié)議等信息。 具體來說， 鏈路建立行為識(shí)別， 可以及早地發(fā)現(xiàn)節(jié)點(diǎn)的異?；驉阂夤粜袨?， 輔助制定安全策略， 提前做好保障防止數(shù)據(jù)的泄露； 對(duì)于頻繁建立鏈接的節(jié)點(diǎn)， 傳輸?shù)男畔⒖赡芨档毛@取， 有利于辨別通信行為的緊迫性， 對(duì)關(guān)鍵節(jié)點(diǎn)的發(fā)現(xiàn)起輔助支撐作用。

近年來， 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等人工智能的方法逐漸被應(yīng)用于通信行為識(shí)別領(lǐng)域中^［2-4］ ， 例如文獻(xiàn)［5］使用改進(jìn)K-means的聚類方法， 通過通信行為進(jìn)行數(shù)據(jù)挖掘， 從而進(jìn)行通信行為特征分析； 文獻(xiàn)［6］采用梯度提升決策樹等算法基于用戶通信行為數(shù)據(jù)， 建立了詐騙電話識(shí)別模型； 文獻(xiàn)［7］提出一種基于雙譜特征和改進(jìn)LeNet的短波無線電臺(tái)通信行為識(shí)別算法等。 但這些方法對(duì)于通信行為的特征表征能力較弱， 對(duì)于噪聲較大的強(qiáng)對(duì)抗環(huán)境考慮不全面， 信噪比低于0 dB的情況能否起到識(shí)別效果未知。

知識(shí)圖譜（Knowledge Graph， KG） ^［8-12］本質(zhì)上是一種語義網(wǎng)絡(luò)的知識(shí)庫， 即一個(gè)具有有向圖結(jié)構(gòu)的知識(shí)庫， 其中圖的結(jié)點(diǎn)代表實(shí)體或者概念， 而圖的邊代表實(shí)體之間的各種語義關(guān)系^［13］， 能夠組織和表示知識(shí)及其之間的相互聯(lián)系^［14］， 因此， 將知識(shí)圖譜應(yīng)用于信號(hào)的特征表征中， 可以更加準(zhǔn)確地描述信號(hào)的特征和含義。 因此， 本文引入知識(shí)圖譜來構(gòu)建信號(hào)特征知識(shí)圖譜增加信號(hào)特征的表征能力。

綜上所述， 在復(fù)雜電磁環(huán)境下， 面向非合作無線網(wǎng)絡(luò)， 本文提出一種聯(lián)合LeNet和知識(shí)圖譜的鏈路建立行為識(shí)別方法， 該方法首先構(gòu)建了信號(hào)特征數(shù)據(jù)KG庫， 提高了對(duì)信號(hào)特征的表征能力， 然后優(yōu)化了特征KG聯(lián)合LeNet進(jìn)一步提高了極低信噪比條件下的識(shí)別準(zhǔn)確率， 能夠有效的識(shí)別鏈路建立行為。

1 鏈路建立行為及系統(tǒng)模型

1.1 鏈路建立行為

對(duì)于無線寬帶自組網(wǎng)設(shè)備， 本文研究的鏈路建立行為包括請(qǐng)求發(fā)送行為RTS（Request to Send）， 允許發(fā)送行為CTS（Clear to Send）以及應(yīng)答行為ACK（Acknowledgement）^［15］。

（1） RTS（Request to Send， 請(qǐng)求發(fā)送）

RTS幀確保發(fā)送方在發(fā)送數(shù)據(jù)前取得媒介的控制權(quán)， 以避免與其他設(shè)備發(fā)生沖突， 以便傳輸大型幀。 RTS幀的格式如圖1所示， RTS幀只包含標(biāo)頭。 幀主體中并未包含任何數(shù)據(jù)， 標(biāo)頭之后即為FCS（幀檢查碼）。

（2） CTS（Clear to Send， 允許發(fā)送）

CTS幀有兩種目的， 其格式如圖2所示。" CTS幀用于接收方應(yīng)答RTS幀， 如果之前沒有RTS出現(xiàn)， 就不會(huì)產(chǎn)生CTS。 CTS既可以用于避免碰撞， 確保數(shù)據(jù)傳輸?shù)目煽啃裕?也可以用作防護(hù)機(jī)制， 避免與其他設(shè)備之間的干擾。

（3） ACK（Acknowledgement， 確認(rèn)應(yīng)答）

ACK幀（見圖3）就是MAC以及任何數(shù)據(jù)傳輸（包括一般傳輸RTS/CTS交換之前的幀、 幀片段）所需要的正面應(yīng)答； 還用于鏈路建立時(shí)的握手確認(rèn)。

圖1～3可以看出三者的幀結(jié)構(gòu)相似， 即幀具體結(jié)構(gòu)識(shí)別起來具有一定的難度， 其在數(shù)據(jù)鏈路層和物理層傳輸時(shí)具有相似性， 由圖4可以看出三者的波形差異不大， 難以精確地辨別， 考慮到同一類信號(hào)仍存在差異， 本文采用聯(lián)合LeNet和知識(shí)圖譜的識(shí)別方法對(duì)鏈路建立行為進(jìn)行有效識(shí)別。

1.2 系統(tǒng)模型

本文旨在面向非合作無線網(wǎng)絡(luò)的環(huán)境實(shí)現(xiàn)鏈路建立行為的有效識(shí)別。 如圖5所示， 鏈路建立行為識(shí)別系統(tǒng)由數(shù)據(jù)采集、 知識(shí)圖譜（Knowledge Graph， KG）構(gòu)建、 神經(jīng)網(wǎng)絡(luò)架構(gòu)以及行為識(shí)別四個(gè)部分組成。

2 信號(hào)特征知識(shí)圖譜

針對(duì)特征表征能力弱的問題， 對(duì)IQ信號(hào)進(jìn)行時(shí)、 頻域特征提取， 基于所構(gòu)建的特征數(shù)據(jù)庫， 利用先驗(yàn)專家知識(shí)， 通過建立實(shí)體和屬性之間的關(guān)系構(gòu)建信號(hào)特征知識(shí)圖譜。

知識(shí)圖譜通過實(shí)體和關(guān)系的圖結(jié)構(gòu)形式， 提供了除表面的數(shù)據(jù)模式外豐富的語義信息， 因此知識(shí)圖譜能夠提高特征的可解釋性， 增強(qiáng)特征的表征能力， 使每一個(gè)實(shí)體和屬性都有明確的語義， 用知識(shí)圖譜進(jìn)行特征表征還為未來跨領(lǐng)域的知識(shí)融合提供了可能， 增強(qiáng)模型的泛化能力。 目前主要是行為層級(jí)的知識(shí)圖譜， 隨著研究的深入， 未來考慮對(duì)知識(shí)圖譜層級(jí)構(gòu)建的加深， 可以擴(kuò)展到設(shè)備、 網(wǎng)絡(luò)等， 用于網(wǎng)絡(luò)拓?fù)渫评恚?構(gòu)建動(dòng)態(tài)知識(shí)圖譜識(shí)別系統(tǒng)。

本文選取了均值、 方差、 標(biāo)準(zhǔn)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、 脈沖因子、 裕度因子等作為時(shí)域提取的信號(hào)特征； 選取了重心頻率、 均方頻率、 頻率方差、 功率譜熵、 頻帶能量等作為頻域提取的信號(hào)特征， 以此構(gòu)建電磁信號(hào)知識(shí)圖譜^［16］。

2.1 部分特征

（1） 峰度與偏度^［17］

峰度可用來度量隨機(jī)變量概率分布的陡峭程度：

K=1n∑ni=1Xi－μσ4（1）

式中： μ為均值； σ為信標(biāo)準(zhǔn)差。 峰度的取值范圍為［1， +∞），" 峰度值越大，" 概率分布圖越高尖，" 峰度值越小，" 概率分布圖越矮胖。

偏度可用來度量隨機(jī)變量概率分布的不對(duì)稱性：

S=1n∑ni=1Xi－μσ3（2）

偏度的取值范圍為（-∞， +∞），" 當(dāng)Slt;0時(shí)，" 概率分布圖左偏；" 當(dāng)S=0時(shí)，" 表示數(shù)據(jù)相對(duì)均勻地分布在平均值兩側(cè)；" 當(dāng)Sgt;0時(shí)，" 概率分布圖右偏。

（2） 脈沖因子與裕度因子^［18］

脈沖因子表示信號(hào)中瞬時(shí)峰值與平均水平之間的差距：

I=xpeak1n∑ni=1xi（3）

裕度因子表示信號(hào)的峰值與平均水平之間的差距：

Ce=xpeakxr=xpeak1n∑ni=1xi2（4）

式中：xpeak為峰值； xr為方根幅值。

（3） 重心頻率與均方頻率^［19］

重心頻率可以用來描述信號(hào)在頻譜中分量較大的信號(hào)成分的頻率， 反映了信號(hào)功率譜的分布情況：

S1=∑Nk=1fk·P（k）∑Nk=1P（k）（5）

式中： P（k）為對(duì)應(yīng)點(diǎn)的功率譜值； fk為對(duì)應(yīng)點(diǎn)的頻率幅值大小。 低頻幅值較大時(shí)，" 重心距離原點(diǎn)較近。

均方頻率是信號(hào)頻率平方的加權(quán)平均值，" 可以用來描述功率譜主頻帶分布：

S2=∑Nk=1f2k·P（k）∑Nk=1P（k）（6）

（4） 功率譜熵^［20］

功率譜熵可作為時(shí)間不確定性的一種度量，" 同時(shí)也反映了信號(hào)的不確定性：

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

2.2 知識(shí)圖譜構(gòu)建方案

首先對(duì)原始IQ信號(hào)根據(jù)實(shí)部和虛部分別進(jìn)行時(shí)、 頻域的特征提取， 并且對(duì)所提取的特征進(jìn)行拼接得到信號(hào)特征。

構(gòu)建特征知識(shí)圖譜的過程中以信號(hào)為實(shí)體， 以特征數(shù)值為基礎(chǔ)， 作為屬性值， 利用先驗(yàn)知識(shí)， 將其添加到信號(hào)特征屬性維度中， 以一般實(shí)體對(duì)、 關(guān)系的形式為例， 則對(duì)應(yīng)實(shí)體對(duì)為信號(hào)、 特征、 特征數(shù)值（行為-具有-特征、 特征-是-數(shù)值）， 實(shí)際以實(shí)體-屬性-屬性值為格式構(gòu)建信號(hào)特征知識(shí)圖譜， 但是構(gòu)建后特征以列表屬性展示表征能力差。 為了展現(xiàn)的更加直觀， 將特征作為邊， 特征數(shù)值作為節(jié)點(diǎn)（行為-特征-特征值）， 則對(duì)應(yīng)ack_1-四階累積量-25.21。 在Neo4j通過以下方式進(jìn)行特征知識(shí)圖譜的構(gòu)建：

（1） 前期提取信號(hào)的多維特征屬性， 生成.csv文件（utf-8編碼）；

（2） 在Neo4j平臺(tái)的圖數(shù)據(jù)庫管理系統(tǒng)（Graph Database Management System， Graph DBMS）中導(dǎo)入.csv文件；

（3） 利用Cypher命令進(jìn)行圖譜的構(gòu)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： 關(guān)聯(lián){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） 生成如圖6所示的知識(shí)圖譜， 可導(dǎo)出為CSV， JSON， PNG， SVG文件。

3 基于LeNet的鏈路建立行為識(shí)別

LeNet是由著名的計(jì)算機(jī)科學(xué)家Yann LeCun等于1998年提出的深度學(xué)習(xí)模型^［21］， 被廣泛應(yīng)用于手寫數(shù)字識(shí)別任務(wù)， 對(duì)網(wǎng)絡(luò)和數(shù)據(jù)進(jìn)行調(diào)整后也可用于通信行為識(shí)別， 如圖7所示。 其基本結(jié)構(gòu)包括卷積層、 池化層和全連接層， LeNet的設(shè)計(jì)思想是通過卷積操作和下采樣操作來提取圖像特征， 并通過全連接層進(jìn)行分類。

網(wǎng)絡(luò)采用了交叉熵?fù)p失函數(shù)^［22］， 基于網(wǎng)絡(luò)輸出和輸入樣本標(biāo)簽之間的差異構(gòu)建損失函數(shù)：

L=1N∑iLi=－1N∑i∑Mc=1yiclog2（pic）（8）

式中：M為類別的數(shù)量； yic符號(hào)函數(shù)（0或1）， 如果樣本i的真實(shí)類別等于c取1， 否則取0； pic為觀測(cè)樣本i屬于類別c的預(yù)測(cè)概率。 然后在訓(xùn)練過程中， 使用優(yōu)化的梯度下降算法-Momentum算法^［23］通過不斷沿著隱藏層和輸出層權(quán)重和偏置參數(shù)的負(fù)梯度方向進(jìn)行調(diào)整， 以使損失函數(shù)最小化， 從而優(yōu)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）表示在時(shí)刻t的動(dòng)量項(xiàng)； β為動(dòng)量項(xiàng)的系數(shù); grad（t）表示在時(shí)刻t的梯度； θ（t）表示在時(shí)刻t的參數(shù)。 在每次更新時(shí)， 先計(jì)算動(dòng)量項(xiàng)v（t）， 然后根據(jù)動(dòng)量項(xiàng)和梯度來更新參數(shù)θ（t）。 構(gòu)建上述網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練調(diào)參后實(shí)現(xiàn)對(duì)鏈路建立行為的識(shí)別。

整個(gè)網(wǎng)絡(luò)的實(shí)現(xiàn)過程如下式：

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為卷積核參數(shù)； b為偏置； MaxPool為最大池化； μ和σ2是當(dāng)前中所有樣本對(duì)應(yīng)神經(jīng)元輸出的均值和方差； γ和β是學(xué)習(xí)參數(shù)； ε為是一個(gè)很小的數(shù)值， 用于避免除零錯(cuò)誤； fout為Flatten層后的輸出； fBN為第一次正則化之后的輸出； fLeNet為網(wǎng)絡(luò)的最終輸出。

4 聯(lián)合LeNet和知識(shí)圖譜的鏈路建立行為識(shí)別方法

首先， 利用BB60C實(shí)時(shí)信號(hào)采集設(shè)備采集數(shù)據(jù)， 并進(jìn)行數(shù)據(jù)預(yù)處理， 生成可視化KG。 然后， 將接收到的IQ信號(hào)進(jìn)行信號(hào)解析建立信令數(shù)據(jù)集， 構(gòu)建信號(hào)特征知識(shí)圖譜， 而后將數(shù)據(jù)集輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型。 最后， 利用訓(xùn)練好的模型識(shí)別不同的鏈路建立行為。

以IQ數(shù)據(jù)作為輸入， 在極低信噪比下的識(shí)別準(zhǔn)確率只有83%左右。 為進(jìn)一步提高準(zhǔn)確率， 提出了一種聯(lián)合LeNet和知識(shí)圖譜的鏈路建立識(shí)別方法（L-KG）， 如圖8所示。 該方法將IQ信號(hào)和信號(hào)特征KG一同輸入到網(wǎng)絡(luò)模型中， 分別訓(xùn)練后選擇準(zhǔn)確率更高的進(jìn)行擇優(yōu)， 達(dá)到提升模型性能的目的。 經(jīng)過后續(xù)實(shí)驗(yàn)驗(yàn)證， 該方法在信噪比極低的情況下采用優(yōu)化的KG特征作為輸入， 由于特征提取的過程例如四階累積量對(duì)于噪聲的不敏感性從而提高了網(wǎng)絡(luò)在低信噪比下的準(zhǔn)確率， 而信噪比較好時(shí)， IQ信號(hào)的直接輸入可以更好地提取訓(xùn)練完整的特征， 達(dá)到比特征KG更好的訓(xùn)練效果， 因此信號(hào)特征KG和IQ信號(hào)聯(lián)合輸入能夠提升整體的性能表現(xiàn)， 在復(fù)雜電磁環(huán)境中的適應(yīng)性更高。

對(duì)于原始特征KG的各項(xiàng)特征存在著較大的量級(jí)差異， 即使采用歸一化之后仍然會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的崩壞， 所以本文采用列歸一化的方式結(jié)合先驗(yàn)經(jīng)驗(yàn)賦予特征屬性邊權(quán)重， 最后對(duì)比小樣本學(xué)習(xí)出的權(quán)重矩陣對(duì)KG進(jìn)行調(diào)整， 得出對(duì)于分類有效的特征屬性邊的權(quán)重分配， 以此為網(wǎng)絡(luò)輸入進(jìn)一步提高方法的識(shí)別準(zhǔn)確率。

選取ACK、 CTS、 RTS各10條：有向圖權(quán)重屬性邊的形式表示信號(hào)瘙綆=［S1， …， S10， L1， …， L10， M1， …， M10］， 權(quán)重w^=［α^， …， α^，"" β^， …， β^， γ^， …， γ^］， 其中α^=［α1， α2， …， α21］， β^=［β1， β2， …， β21］， γ^=［γ1， γ2， …， γ21］分別為S， L， M三種信號(hào)的權(quán)重， 特征x^=［x1， x2， …， x21］。

瘙綆=w^Tx^（12）

損失函數(shù)定義：rij∈瘙綆， 其中i代表類別， j代表序號(hào)， 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^， 以此為權(quán)重系數(shù)對(duì)原始特征進(jìn)行調(diào)整得到優(yōu)化特征。

5 實(shí)驗(yàn)與分析

本節(jié)主要介紹實(shí)測(cè)場(chǎng)景、 數(shù)據(jù)集的建立以及鏈路建立行為識(shí)別方法的性能。 首先采集實(shí)測(cè)數(shù)據(jù)， 并對(duì)原始射頻信號(hào)進(jìn)行預(yù)處理， 構(gòu)建信號(hào)特征KG。 在此基礎(chǔ)上， 將LeNet、 ResNet^［24］、 5CNN等神經(jīng)網(wǎng)絡(luò)及傳統(tǒng)機(jī)器學(xué)習(xí)方法SVM^［25］進(jìn)行訓(xùn)練對(duì)比， 該比較基于相同的數(shù)據(jù)集。

5.1 數(shù)據(jù)集構(gòu)建及初步實(shí)驗(yàn)

數(shù)據(jù)采集：實(shí)驗(yàn)設(shè)備為兩臺(tái)無線寬帶戰(zhàn)術(shù)無線電臺(tái)全向天線、 網(wǎng)線若干， 3臺(tái)筆記本電腦， 以及BB60C 實(shí)時(shí)頻譜分析儀模塊和射頻記錄儀， 如圖9所示。

采集IQ數(shù)據(jù)約3萬條并對(duì)原始IQ信號(hào)進(jìn)行解碼， 解碼結(jié)果示例如圖10所示。

對(duì)解碼數(shù)據(jù)處理后， 得到ACK， CTS， RTS信號(hào)， 并建立鏈路建立行為數(shù)據(jù)集共9 000余條。 將信號(hào)存儲(chǔ)為.mat格式文件。 對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理， 加載到如圖7所示的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練， 得到結(jié)果（信噪比為20 dB的情況下識(shí)別效果）如圖11～12所示。

5.2 對(duì)比實(shí)驗(yàn)

考慮到電磁環(huán)境的復(fù)雜性， 實(shí)際情況多為低信噪比或者極低信噪比的情況， 因此， 本文考慮采用如圖7所示網(wǎng)絡(luò)結(jié)構(gòu)更加優(yōu)化的LeNet， 最后綜合比較實(shí)驗(yàn)結(jié)果以及訓(xùn)練時(shí)間， LeNet能夠?qū)崿F(xiàn)更好的識(shí)別功能。

以原始IQ數(shù)據(jù)為輸入比較SVM、 5CNN、 ResNet以及LeNet在不同信噪比下的識(shí)別效果如圖13所示。

其中， 5CNN為與LeNet層數(shù)相同的淺層神經(jīng)網(wǎng)絡(luò)如圖10， 信噪比較高時(shí)的路徑干擾較少， 此時(shí)使用簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)5CNN就能達(dá)到很好的識(shí)別效果， 隨著信噪比的降低， 5CNN對(duì)于鏈路建立行為的識(shí)別準(zhǔn)確率急劇下降， 更是低于傳統(tǒng)的SVM方法， 但在-20 dB的情況下， 5CNN和SVM都失去了應(yīng)有的識(shí)別效果， 識(shí)別準(zhǔn)確率只有34%左右， 只有LeNet和ResNet能夠起到較好的識(shí)別效果。 由上圖可以看出LeNet對(duì)比其他幾種方法性能更好， 比5CNN的網(wǎng)絡(luò)結(jié)構(gòu)更加優(yōu)化， 如表1所示， 訓(xùn)練時(shí)間比ResNet也大幅度減小， 比SVM有著更好的抗信噪比衰落的能力， 因此本文選用LeNet進(jìn)行鏈路建立行為識(shí)別。

本文提出的L-KG識(shí)別方法聯(lián)合IQ數(shù)據(jù)和優(yōu)化后的特征KG作為L(zhǎng)eNet的輸入， 如圖14～17所示， 本文提出的L-KG方法比LeNet進(jìn)一步提升了在極低信噪比下的識(shí)別準(zhǔn)確率。

在信道質(zhì)量良好以及外部干擾較弱的情況下， 這幾種網(wǎng)絡(luò)以及傳統(tǒng)的SVM方法均有著良好的識(shí)別效果， 但隨著信噪比的降低， 只有ResNet、 LeNet和L-KG三種方法在-15 dB， -20 dB的情況下識(shí)別能力雖然有所下降， 但對(duì)鏈路建立行為仍具有較為可靠的識(shí)別準(zhǔn)確率， 而本文提出的L-KG方法進(jìn)一步提高了極低信噪比下的準(zhǔn)確率， 即使在-20 dB下平均準(zhǔn)確率也在90%以上， 對(duì)比其他方法有著更高的準(zhǔn)確率， 能夠有效識(shí)別鏈路建立行為。

6 結(jié)" 語

本文提出了一種聯(lián)合LeNet和知識(shí)圖譜的鏈路建立行為識(shí)別方法， 該方法對(duì)比傳統(tǒng)的SVM算法、 以及5CNN、 LeNet、 ResNet等神經(jīng)網(wǎng)絡(luò)具有更高的識(shí)別精準(zhǔn)度， 即使在信噪比-20 dB的情況下仍然有著90%以上的準(zhǔn)確率。 當(dāng)然， 如今通信行為識(shí)別仍面臨著不少挑戰(zhàn)， 例如數(shù)據(jù)量的規(guī)模需求較大， 模型的泛化能力不足等。 未來， 小樣本^［26］學(xué)習(xí)和遷移學(xué)習(xí)可能會(huì)是發(fā)展的方向。

參考文獻(xiàn)：

［1］ 宋葉輝，" 田喬宇，" 丁國如，" 等. 面向電磁戰(zhàn)斗序列的網(wǎng)絡(luò)化通信目標(biāo)行為識(shí)別方法［J］. 陸軍工程大學(xué)學(xué)報(bào)，" 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，" 李輝，" 姚能堅(jiān)，" 等. 改進(jìn)K-means算法實(shí)現(xiàn)移動(dòng)通信行為特征分析［J］. 計(jì)算機(jī)技術(shù)與發(fā)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］ 孫玉佳. 基于用戶通信行為數(shù)據(jù)的詐騙電話識(shí)別研究［D］. 北京：" 首都經(jīng)濟(jì)貿(mào)易大學(xué)，" 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，" 唐九陽，" 等. 自適應(yīng)特征融合的多模態(tài)實(shí)體對(duì)齊研究［J］. 自動(dòng)化學(xué)報(bào)，" 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］ 郭偉鵬，" 沈松雨. 基于BERT模型的領(lǐng)域知識(shí)圖譜構(gòu)建研究［J］. 科技創(chuàng)新與應(yīng)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，" 吳天星. 知識(shí)圖譜研究進(jìn)展［J］. 情報(bào)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］ 華敏妤，" 張逸彬，" 孫金龍，" 等. 基于信號(hào)特征知識(shí)圖譜與寬度學(xué)習(xí)架構(gòu)的特定輻射源識(shí)別［J］. 移動(dòng)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］ 項(xiàng)陽. 基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流早期分類研究［D］. 南京：" 南京郵電大學(xué)，" 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］ 溫雪芳，" 姚金杰，" 白建勝，" 等. 基于特征降維和深度學(xué)習(xí)的電磁信號(hào)識(shí)別方法［J］. 艦船電子工程，" 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 ，" 田元榮 ，" 等. 基于行為特征的雷達(dá)輻射源威脅評(píng)估［J］. 北京航空航天大學(xué)學(xué)報(bào)，" 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，" 胡國兵，" 張照鋒，nbsp; 等. 基于功率譜熵的頻譜感知算法研究［J］. 電子器件，" 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］ 徐帥，" 劉魯濤. P-Net框架下的小樣本雷達(dá)信號(hào)識(shí)別算法［J］. 哈爾濱工程大學(xué)學(xué)報(bào)，" 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