網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘模型

劉菲

摘 要： 為了提高對網(wǎng)絡(luò)不穩(wěn)定節(jié)點定位和檢測精度，提出基于經(jīng)驗?zāi)B(tài)分解和功率譜密度特征提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘模型。首先對網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號進行經(jīng)驗?zāi)B(tài)分解，將一個復(fù)雜的網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)信號分解成若干個IMF分量之和，對分解信號進行功率譜密度特征提取，實現(xiàn)對網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘。仿真結(jié)果表明，該挖掘模型能準(zhǔn)確實現(xiàn)對不穩(wěn)定節(jié)點輸出信號的參量估計和動態(tài)特征提取，特征挖掘精度較高，較好地實現(xiàn)了對不穩(wěn)定節(jié)點的定位識別。

關(guān)鍵詞： 網(wǎng)絡(luò)不穩(wěn)定節(jié)點； 輸出信號； 動態(tài)特征挖掘； 經(jīng)驗?zāi)B(tài)分解

中圖分類號： TN711?34； TP181 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）03?0019?04

Model for dynamic feature mining of network unstable nodes

LIU Fei

（Modern Educational Technology Center， The National Police University for Criminal Justice， Baoding 071000， China）

Abstract： In order to improve the location and detection accuracy of the network unstable nodes， a network unstable nodes′ dynamic feature mining model based on empirical mode decomposition and power spectral density feature extraction is proposed. The empirical mode decomposition is performed for output signals of the network unstable nodes to decompose the dynamic signal of a complex network unstable node into the sum of several IMF components. The power spectral density feature of the decomposed signal is extracted to mine the dynamic features of the network unstable nodes. The simulation results show that the mining model can accurately realize the output signal parameter estimation and dynamic feature extraction of the unstable nodes， has high feature mining accuracy， and can locate and recognize the unstable nodes better.

Keywords： network unstable node； output signal； dynamic feature mining； empirical mode decomposition

0 引 言

隨著無線通信網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)組網(wǎng)的形式發(fā)生變化，采用無線傳感器網(wǎng)絡(luò)或者物聯(lián)網(wǎng)進行無線通信組網(wǎng)，實現(xiàn)數(shù)據(jù)傳輸和通信成為未來網(wǎng)絡(luò)發(fā)展的一個重要方向[1?2]。網(wǎng)絡(luò)節(jié)點是實現(xiàn)數(shù)據(jù)信號采集、收發(fā)和通信的重要組成元素，當(dāng)網(wǎng)絡(luò)節(jié)點不穩(wěn)定或者發(fā)生故障時，將會導(dǎo)致網(wǎng)絡(luò)中斷和數(shù)據(jù)誤碼。

為了提高對網(wǎng)絡(luò)不穩(wěn)定節(jié)點的定位和檢測精度，提出基于經(jīng)驗?zāi)B(tài)分解和功率譜密度特征提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘模型，結(jié)果表明，該模型能準(zhǔn)確實現(xiàn)對不穩(wěn)定節(jié)點輸出信號的參量估計和動態(tài)特征提取，特征挖掘精度高。

1 網(wǎng)絡(luò)節(jié)點傳輸信道模型與信號分析

1.1 無線傳輸網(wǎng)絡(luò)節(jié)點分布信道建模

無線通信網(wǎng)絡(luò)信道是一個擴展信道，采用多輸入多輸出的MIMO多徑信道傳播模式，無線網(wǎng)絡(luò)節(jié)點的數(shù)據(jù)傳輸信道為帶寬受限信道[3]，具有多徑傳播特性，容易受到串?dāng)_和電磁振蕩，導(dǎo)致節(jié)點失穩(wěn)。在無線通信網(wǎng)絡(luò)中，信道的多徑結(jié)構(gòu)取決于無線通信網(wǎng)絡(luò)節(jié)點的信道傳播損失和衰減。

假設(shè)無線網(wǎng)絡(luò)的通信節(jié)點由[N=2P]個陣元組成，徑向距離為[d，]無線通信網(wǎng)絡(luò)中通信數(shù)據(jù)的接收模型為：

[xm（t）=i=1Isi（t）ejφmi+nm（t），-p+1≤m≤p] （1）

式中：[si（t）]為無線網(wǎng)絡(luò)第[i]個節(jié)點的接收信號波形；[xm（t）]為多徑分布結(jié)構(gòu)下第[m]個不穩(wěn)定節(jié)點輸出的數(shù)據(jù)。由此構(gòu)建無線通信網(wǎng)絡(luò)的信道特征響應(yīng)模型描述為：[ht=iaitejθitδt-iTs] （2）

式中：[θit]表示任意點[p]的相位偏移，通信數(shù)據(jù)擴展時窗口的寬度為[T。]

在無線通信網(wǎng)絡(luò)的第[i]個陣元中，假設(shè)兩個節(jié)點之間的坐標(biāo)為[（xs，ys）]，用一個二元有向圖[G=（V，E）]表示不穩(wěn)定節(jié)點的信道擴展損失，得到不穩(wěn)定節(jié)點傳輸信道的特征時間尺度：

[x（t）=[x-P+1（t），x-P+2（t），…，xP（t）]TN×1] （3）

[s（t）=[s1（t），s2（t），…sI（t）]TI×1] （4）

式中：[P]為無線網(wǎng)絡(luò)的幅值調(diào)制；[I]為無線通信網(wǎng)絡(luò)節(jié)點的陣元個數(shù)。

節(jié)點的不穩(wěn)定性導(dǎo)致網(wǎng)絡(luò)中傳輸信號數(shù)據(jù)產(chǎn)生振蕩，得到傳輸信號的局部時間尺度：

[c（τ，t）=nan（t）e-j2πfcτn（t）δ（t-τn（t））] （5）

式中：[an（t）]是第[n]條路徑上無線通信網(wǎng)絡(luò)的窄帶帶寬；[τn（t）]為第[n]個輸出信號的時間延遲。

不穩(wěn)定節(jié)點傳輸信號的信息融合動態(tài)方程為：

[F（xi）=xi=j∈s， j≠ixjrj（x）pij（x）-j∈s， j≠ixiri（x）pji（x）=j∈sxjrj（x）pij（x）-xiri（x）] （6）

式中：[rj（x）]為網(wǎng)絡(luò)不穩(wěn)定節(jié)點的信息融合誤差；[xi]為幅值。

1.2 網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號的分解

對網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號進行經(jīng)驗?zāi)B(tài)分解，將一個復(fù)雜的動態(tài)信號分解成若干個IMF分量之和，發(fā)射信號為[f（t），]在網(wǎng)絡(luò)客戶端接收到的信號模型為[g（t），]不穩(wěn)定節(jié)點進行信號傳輸?shù)臅r延[τ]為時間[t]的函數(shù)：

[τ（t）=2R（t）c-v=2R0c-v-2vc-vt] （7）

式中：[c]為動態(tài)特征到達融合中心的多普勒頻移。

通過調(diào)整網(wǎng)絡(luò)的不穩(wěn)定節(jié)點的反射增益，采用雙曲調(diào)頻母小波進行多尺度分解，得到傳輸信號模型為：

[ΦH（t）=A（t）exp[jθ（t）]=A（t）exp-j2πKln1-tt0] （8）

在不穩(wěn)定節(jié)點動態(tài)特征感知過程中，無線通信網(wǎng)絡(luò)受到不確定干擾向量的影響，單位時間內(nèi)進行不穩(wěn)定節(jié)點動態(tài)特征感知的采樣，得到接收信號[r（t）]和經(jīng)驗?zāi)B(tài)函數(shù)[ΦHa（t）]的時間離散形式為：

[r=r（0），r（1），…，r（N-1）T] （9）

對不穩(wěn)定節(jié)點的輸出信號進行多普勒容限提升，采用自適應(yīng)匹配濾波器進行傳輸信號的檢測，檢測器設(shè)計為：

[maxa，τ0Tr（t）1af*（t-τa）dt=maxa，τWfr（a，τ）] （10）

網(wǎng)絡(luò)不穩(wěn)定節(jié)點的輸出信號采用經(jīng)驗?zāi)B(tài)分解挖掘信號數(shù)據(jù)中的振蕩模式，得到振蕩序列[g=][g（0），g（1），…，g（N-1）T，]對輸出信號進行經(jīng)驗?zāi)B(tài)分解，將一個復(fù)雜的動態(tài)信號分解成若干個經(jīng)驗?zāi)B(tài)IMF分量之和：

[x（t）=i=1nci+rn] （11）

式中：[ci]為IMF分量；[rn]代表殘余函數(shù)。

2 模型的具體實現(xiàn)

2.1 不穩(wěn)定節(jié)點輸出信號的功率譜密度特征提取

設(shè)無線網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號的標(biāo)量時間序列為[x（t），][t=0，1，2，…，n-1]，采用局部特征尺度分解，輸出信號的時間序列描述為[4]：

[u=[u1，u2，…，uN]∈RmN] （12）

采用時頻特征分解進行傳輸數(shù)據(jù)自適應(yīng)特征匹配，求得動態(tài)特征挖掘最大梯度差為：

[AVGx=1m×nx=1ny=1mGx（x，y）] （13）

式中：[m，n]是向量量化自相關(guān)系數(shù)。

對輸出信號的幅值、時間和頻率等參量估計，得到參量估計的自相關(guān)信息量為：

[ρXY=Cov（X，Y）D（X）D（Y）] （14）

式中：[Cov（X，Y）]表示兩組傳輸信號的固有模態(tài)函數(shù)；[D（X）]和[D（Y）]分別表示能量均值。

采用自相關(guān)特征分析模型進行動態(tài)特征信號的功率譜密度估計，得到估計結(jié)果為：

[y（k）=a（k）h（k）+n（k）] （15）

式中：[n（k）]為不穩(wěn)定節(jié)點的動態(tài)特征分量；[h（k）]為第[i]條無線通信網(wǎng)絡(luò)信道的傳輸時延。

無線通信網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出的同態(tài)特征為：

[s（t）= k=1Npksin（ωkn+Φk）u（n）+ζ（n）] （16）

式中：[ζ（n）]為時間尺度最大的頻率；[Φk]為振幅恒定信息；[ωk]為相位信息。

設(shè)傳輸通信信道為連續(xù)系統(tǒng)，則網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號的頻域模型可表示為：

[xn=x（t0+nΔt）=h[z（t0+nΔt）]+ωn] （17）

式中：[h（?）]為云計算環(huán)境下的網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號的時間窗口函數(shù)；[ωn]為測量誤差。不穩(wěn)定節(jié)點輸出信號的功率譜密度傳遞時間序列為[X=x1，x2，…，xn，][n]是無線通信網(wǎng)絡(luò)故障數(shù)據(jù)集[X]的數(shù)目。

2.2 不穩(wěn)定節(jié)點動態(tài)特征挖掘的實現(xiàn)

對功率譜密度在時頻域中進行特征分解，數(shù)據(jù)信號流中的時頻特征結(jié)果為：

[y（t）=1πKx（τ）t-τdτ=x（t）*1πt] （18）

式中：[K]表示不穩(wěn)定節(jié)點動態(tài)特征挖掘的譜密度系數(shù)；[x（τ）]表示不穩(wěn)定節(jié)點輸出數(shù)據(jù)在時頻域內(nèi)的包絡(luò)幅值。

采用自相關(guān)匹配濾波器進行動態(tài)特征的匹配濾波[5]，濾波函數(shù)描述為：

[H（z）=1+az-1+z-21+arz-1+r2z-2， 0

式中：網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號的幅值頻率參數(shù)為[a；]帶寬參數(shù)為[r。]

在無線通信網(wǎng)絡(luò)環(huán)境下，對輸出的特征信號進行非線性特征分解和互信息矢量空間重構(gòu)，得到網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出的動態(tài)特征狀態(tài)響應(yīng)為：

[CTf=k=-KKcke-j2πfkT] （20）

式中：[ck]為不穩(wěn)定節(jié)點動態(tài)特征發(fā)送的載波，由此得到經(jīng)驗?zāi)B(tài)的分解結(jié)果為：

式中：[e2R（k）]是調(diào)制誤差；[z2R（k）]為輸出信號的強度；[z2I（k）]為信道沖激載頻；[e2I（k）]為譜密度誤差。

利用功率譜密度的相關(guān)性，假設(shè)不穩(wěn)定節(jié)點發(fā)射信號為[s（t），]則經(jīng)波束形成后得到的數(shù)據(jù)特征為：

設(shè)[t0=f0TB，][K=Tfi-T2fiT2B，]利用各不穩(wěn)定節(jié)點的測量值調(diào)制載波，假設(shè)調(diào)制頻率為[f0，]經(jīng)驗?zāi)B(tài)分解的頻寬為[B，]由此得到網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征輸出的IMF分量為：

采用動態(tài)特征挖掘模型將動態(tài)信號分解成若干個IMF分量之和，由此實現(xiàn)對網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘。

3 實驗結(jié)果與分析

通信網(wǎng)絡(luò)節(jié)點分布在3 000 m×3 000 m的均勻陣列區(qū)域，動態(tài)特征的采樣樣本時間間隔為0.35 s；通信頻帶為2～10 kHz；信號采樣時長[T=0.1 s；]采樣率[fs=10 ]kHz；信噪比為5～20 dB；時頻譜為1 000 Hz；在400～600采樣點之間，網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征為250 Hz的頻率分量，特征子空間嵌入維數(shù)[m=5。]不同信噪比下，對網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號進行采樣，時域波形如圖1所示。

對網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號進行經(jīng)驗?zāi)B(tài)分解，得到經(jīng)驗?zāi)B(tài)分解后輸出的動態(tài)特征功率譜提取結(jié)果如圖2所示。

由圖2可知，本文模型提取的網(wǎng)絡(luò)不穩(wěn)定節(jié)點動態(tài)特征功率譜能有效反應(yīng)網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出的動態(tài)信號。進一步，采用本文模型對網(wǎng)絡(luò)不穩(wěn)定節(jié)點輸出信號進行動態(tài)特征挖掘，在時頻域內(nèi)得到挖掘數(shù)據(jù)的輸出結(jié)果如圖3所示。由圖3可知，采用本文模型進行網(wǎng)絡(luò)不穩(wěn)定節(jié)點動態(tài)特征挖掘，在時頻域內(nèi)具有較好的特征收斂和聚焦能力，挖掘精度較高，性能較好。

為定量分析對比性能，采用本文模型和傳統(tǒng)模型對網(wǎng)絡(luò)不穩(wěn)定節(jié)點動態(tài)特征挖掘精度進行測試，得到對比結(jié)果如圖4所示。分析上述仿真結(jié)果得出，采用本文挖掘模型能準(zhǔn)確提取不穩(wěn)定節(jié)點輸出信號的動態(tài)特征，準(zhǔn)確挖掘的概率較高，較好地實現(xiàn)了不穩(wěn)定節(jié)點的定位識別。

4 結(jié) 語

通過對網(wǎng)絡(luò)不穩(wěn)定節(jié)點的傳輸信號的特征提取和信號分析，實現(xiàn)不穩(wěn)定特征判別和節(jié)點定位?；诮?jīng)驗?zāi)B(tài)分解和功率譜密度特征提取，提出網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘模型。構(gòu)建網(wǎng)絡(luò)節(jié)點的信道模型，進行節(jié)點傳輸信號的模型構(gòu)建、網(wǎng)絡(luò)節(jié)點輸出信號的經(jīng)驗?zāi)B(tài)分解和特征提取，將一個網(wǎng)絡(luò)不穩(wěn)定節(jié)點的復(fù)雜動態(tài)信號分解成若干個IMF分量之和，對分解信號進行功率譜密度特征提取，實現(xiàn)對網(wǎng)絡(luò)不穩(wěn)定節(jié)點的動態(tài)特征挖掘。實驗分析得出，采用本文模型對不穩(wěn)定節(jié)點動態(tài)特征的挖掘精度高于傳統(tǒng)模型，性能較好。

參考文獻

[1] 竇慧晶，王千龍，張雪.基于小波閾值去噪和共軛模糊函數(shù)的時頻差聯(lián)合估計算法[J].電子與信息學(xué)報，2016，38（5）：1123?1128.

[2] 楊宇翔，夏暢雄，同武勤.高低軌雙星定位中的時變時頻差參數(shù)估計[J].信號處理，2012，28（10）：1465?1474.

[3] KESHAVAMURTHY B N， KHAN A M， TOSHNIWAL D. Privacy preserving association rule mining over distributed databases using genetic algorithm [J]. Neural computing & applications， 2013， 22（1）： 351?364.

[4] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Knowledge and information systems， 2015， 42（3）： 545?577.

[5] 明平松，劉建昌.隨機多智能體系統(tǒng)一致穩(wěn)定性分析[J].控制與決策，2016，31（3）：385?393.

[6] 徐開勇，龔雪容，成茂才.基于改進Apriori算法的審計日志關(guān)聯(lián)規(guī)則挖掘[J].計算機應(yīng)用，2016，36（7）：1847?1851.

[7] LEE D G， RYU K S， BASHIR M， et al. Discovering medical knowledge using association rule mining in young adults with acute myocardial infarction [J]. Journal of medical systems， 2013， 37（2）： 1?10.

[8] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 32（11）： 154?160.

[9] NGUYEN T C， SHEN W， LUO Z， et al. Novel data integrity verification schemes in cloud storage [M]// LEE R. Computer and information science. Switzerland： Springer， 2015： 115?125.

[10] HAO S G， ZHANG L， MUHAMMAD G. A union authentication protocol of cross?domain based on bilinear pairing [J]. Journal of software， 2013， 8（5）： 1094?1100.

[11] MORADI M， KEYVANPOUR M R. An analytical review of XML association rules mining [J]. Artificial intelligence review， 2015， 43（2）： 277?300.