摘 要 移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別可以有效保證移動通信網(wǎng)絡(luò)的安全運行 為提高移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別準(zhǔn)確性 設(shè)計了一種基于人工智能技術(shù)的移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別系統(tǒng) 首先對采集到的移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理 然后利用人工智能技術(shù)中的深度學(xué)習(xí)方法對移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行聚類處理 最后利用神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別 實驗發(fā)現(xiàn)該系統(tǒng)具有良好的異常識別性能 在保證移動通信網(wǎng)絡(luò)數(shù)據(jù)傳輸速率的基礎(chǔ)上 具有較高的異常識別準(zhǔn)確率和較短的響應(yīng)耗時 具有一定的應(yīng)用價值

關(guān)鍵詞 人工智能技術(shù) 移動通信 系統(tǒng)設(shè)計 網(wǎng)絡(luò)數(shù)據(jù) 異常識別

中圖法分類號tp399? ?文獻(xiàn)標(biāo)識碼a

１ 引言

現(xiàn)階段，我國計算機(jī)網(wǎng)絡(luò)技術(shù)飛速發(fā)展，移動通信網(wǎng)絡(luò)數(shù)據(jù)量呈現(xiàn)快速增長的趨勢［１］ 。移動通信網(wǎng)絡(luò)的安全性關(guān)系著用戶的個人隱私與用網(wǎng)安全［２］ 。一旦移動通信網(wǎng)絡(luò)受到惡意攻擊或異常數(shù)據(jù)入侵，將對用戶的網(wǎng)絡(luò)安全造成不可估計的惡劣影響［３］ 。因此，識別移動通信網(wǎng)絡(luò)中的異常數(shù)據(jù)具有重要意義。文獻(xiàn)［４］利用神經(jīng)網(wǎng)絡(luò)方法去除通信網(wǎng)絡(luò)中的冗余數(shù)據(jù)，將網(wǎng)絡(luò)異常識別方法應(yīng)用于船舶的通信網(wǎng)絡(luò)中。通過構(gòu)建關(guān)聯(lián)規(guī)則，獲取船舶通信網(wǎng)絡(luò)數(shù)據(jù)中的多模態(tài)特征，并結(jié)合粒子群算法，共同優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，實現(xiàn)船舶通信網(wǎng)絡(luò)中的異常數(shù)據(jù)識別。實驗發(fā)現(xiàn)該方法可有效識別不同類型的船舶通信網(wǎng)絡(luò)數(shù)據(jù)內(nèi)的異常數(shù)據(jù)，去除冗余數(shù)據(jù)。文獻(xiàn)［５］提出移動無線傳感網(wǎng)絡(luò)通信異常行為識別方法，將相異度分析方法應(yīng)用于無線傳感網(wǎng)絡(luò)中。采集無線傳感網(wǎng)絡(luò)數(shù)據(jù)，利用重疊時間分配機(jī)制識別通信異常行為。實驗發(fā)現(xiàn)該方法可有效提高網(wǎng)絡(luò)節(jié)點質(zhì)量。為實現(xiàn)移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別，提高識別準(zhǔn)確性和效率，將人工智能算法應(yīng)用于異常識別中，設(shè)計了基于人工智能技術(shù)的移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別系統(tǒng)，以期為移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別提供理論借鑒。

２ 移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別架構(gòu)設(shè)計

人工智能算法已經(jīng)廣泛應(yīng)用于不同研究領(lǐng)域［６～７］ ，選擇人工智能算法中的關(guān)聯(lián)規(guī)則并結(jié)合深度學(xué)習(xí)方法處理移動通信網(wǎng)絡(luò)數(shù)據(jù)，具體的系統(tǒng)架構(gòu)圖如圖１ 所示。

２．２ 基于深度學(xué)習(xí)算法的移動通信網(wǎng)絡(luò)數(shù)據(jù)聚類

為保證移動通信網(wǎng)絡(luò)異常數(shù)據(jù)識別的準(zhǔn)確性，首先利用深度學(xué)習(xí)算法［９～１０］ 對移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行聚類處理。深度學(xué)習(xí)算法聚類的基本過程描述如下。

步驟１ 將移動通信網(wǎng)絡(luò)通信數(shù)據(jù)作為樣本數(shù)據(jù)，按照２：１ 的比例劃分為訓(xùn)練數(shù)據(jù)和識別數(shù)據(jù)。

步驟２ 以步驟１ 獲取的訓(xùn)練樣本數(shù)據(jù)為基礎(chǔ)，對深度學(xué)習(xí)算法模型進(jìn)行訓(xùn)練。

步驟３ 預(yù)分類訓(xùn)練后的樣本數(shù)據(jù)，并確定聚類中心。

步驟４ 在預(yù)分類結(jié)果所確定的聚類中心基礎(chǔ)上，通過深度學(xué)習(xí)聚類算法對檢測樣本數(shù)據(jù)實行聚類，以獲取精準(zhǔn)有效的移動通信網(wǎng)絡(luò)數(shù)據(jù)聚類結(jié)果。

上述聚類過程如圖２ 所示。

２．３ 移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別

利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別，當(dāng)神經(jīng)網(wǎng)絡(luò)輸出層的輸出結(jié)果為ｂ＞０，判斷此移動通信網(wǎng)絡(luò)數(shù)據(jù)為異常數(shù)據(jù)；當(dāng)輸出層的輸出結(jié)果ｂ≤０ 時，此移動通信網(wǎng)絡(luò)數(shù)據(jù)點為正常數(shù)據(jù)。具體的移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別函數(shù)為：

３ 實驗研究

在Ｍａｔｌａｂ 仿真平臺中，將２０ ０００ 條移動通信網(wǎng)絡(luò)傳輸數(shù)據(jù)作為測試樣本，其中包括２００ 條異常通信數(shù)據(jù)。隨機(jī)將其劃分為４ 個數(shù)據(jù)集，每個數(shù)據(jù)集包括５ ０００條數(shù)據(jù)，以文獻(xiàn)［４］方法和文獻(xiàn)［５］方法為對比方法，通過３ 種方法的對比，驗證該系統(tǒng)的性能。評價指標(biāo)選擇通信傳輸速率（ＭＢ／ ｓ）、異常數(shù)據(jù)識別準(zhǔn)確性（％）、系統(tǒng)響應(yīng)延時（ｓ）３ 種，以驗證該系統(tǒng)的綜合性能。

３．１ 通信傳輸速率指標(biāo)測試

雖然該系統(tǒng)的主要目的是實現(xiàn)移動通信網(wǎng)絡(luò)的異常數(shù)據(jù)識別，但是保證通信傳輸?shù)膶崟r性是移動通信網(wǎng)絡(luò)的基礎(chǔ)性能標(biāo)準(zhǔn)。因此，以通信傳輸速率為指標(biāo)，在反復(fù)測試１０ 次不同數(shù)據(jù)集的傳輸條件下，測試３ 種方法的通信傳輸速率性能結(jié)果如圖３ 所示。

由圖３ 可以看出，不同的異常識別方法均具有較高的傳輸速率，但相比于文獻(xiàn)［４］方法和文獻(xiàn)［５］方法，該系統(tǒng)的通信傳輸速率始終保持在３５ ＭＢ／ ｓ～４０ ＭＢ／ｓ，其通過１０ 次測試得到的速率結(jié)果較為穩(wěn)定，且數(shù)值始終優(yōu)于文獻(xiàn)中的方法，表明該系統(tǒng)可以保證移動通信網(wǎng)絡(luò)的正常數(shù)據(jù)傳輸，具有較好的數(shù)據(jù)傳輸穩(wěn)定性與速率，滿足移動通信網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)幕A(chǔ)要求。

３．２ 異常數(shù)據(jù)識別準(zhǔn)確性指標(biāo)測試

以異常數(shù)據(jù)識別準(zhǔn)確性為指標(biāo)，只有準(zhǔn)確識別出移動通信網(wǎng)絡(luò)傳輸過程中的異常數(shù)據(jù)，才能確保通信數(shù)據(jù)的安全性，為后續(xù)剔除異常數(shù)據(jù)與其他處理提供基礎(chǔ)條件。測試３ 種方法的識別準(zhǔn)確性結(jié)果如表１ 所列。

由表１ 可以看出，該系統(tǒng)對移動通信網(wǎng)絡(luò)的異常數(shù)據(jù)進(jìn)行識別，可以達(dá)到９５％以上的準(zhǔn)確率，其對４個數(shù)據(jù)集的異常識別準(zhǔn)確率均值為９６．８３％。而文獻(xiàn)［４］方法和文獻(xiàn)［５］ 方法的識別準(zhǔn)確率均值分別為９０．８５％和８７．６３％，明顯低于該系統(tǒng)。這是由于該系統(tǒng)利用人工智能技術(shù)中的深度學(xué)習(xí)方法對數(shù)據(jù)進(jìn)行了聚類處理，可以進(jìn)一步提高數(shù)據(jù)異常識別的準(zhǔn)確性，使其具有良好的應(yīng)用性能。

３．３ 系統(tǒng)響應(yīng)延時指標(biāo)測試

對４ 個數(shù)據(jù)集進(jìn)行測試，分別測試１０ 次，取每次測試的４ 個數(shù)據(jù)集的平均值，測試異常識別過程中的系統(tǒng)響應(yīng)延時，得到３ 種方法的延時結(jié)果如表２ 所列。

由表２ 可以看出，該系統(tǒng)在異常識別過程中的響應(yīng)延時明顯低于文獻(xiàn)中的２ 種方法，其在１０ 次測試下的均值為０．０３９ １。而文獻(xiàn)［４］方法和文獻(xiàn)［５］方法的延遲均值分別為０．０８８ １ 和０．０８９ ４，明顯高于該系統(tǒng)的響應(yīng)延時。這可能是由于該系統(tǒng)首先對移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行了預(yù)處理，在一定程度上提高了算法的響應(yīng)速度。

４ 結(jié)束語

針對目前移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別準(zhǔn)確率較低的問題，設(shè)計并提出了一種基于人工智能技術(shù)的移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別系統(tǒng)。首先對采集到的移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理，以提高系統(tǒng)響應(yīng)速度；其次利用人工智能技術(shù)中的深度學(xué)習(xí)方法對移動通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行聚類處理；最后利用神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)移動通信網(wǎng)絡(luò)數(shù)據(jù)的異常識別。實驗發(fā)現(xiàn)該系統(tǒng)具有良好的異常識別性能，通信傳輸速率始終保持在３５ ＭＢ／ ｓ～４０ ＭＢ／ ｓ，異常數(shù)據(jù)識別準(zhǔn)確性可保持在９５％以上，系統(tǒng)響應(yīng)延時約為０．０３９ １ ｓ，可為移動通信網(wǎng)絡(luò)數(shù)據(jù)異常識別與后續(xù)處理提供參考。

參考文獻(xiàn)：

［１］ 程超．淺探移動通信網(wǎng)絡(luò)異常信號優(yōu)化識別［Ｊ］．?dāng)?shù)碼設(shè)計（上），２０２１，１０（２）：１６．

［２］ 蔣誠智，徐浩，黃傳鋒，等．基于Ｍｅｒｋｌｅ 哈希樹的異構(gòu)通信網(wǎng)絡(luò)數(shù)據(jù)異常值概率識別算法［Ｊ］．兵器裝備工程學(xué)報，２０２２，４３（６）：１９０?１９５＋２３１．

［３］ 莫曉瑾，蔣英鈺．基于無線通信的工業(yè)控制網(wǎng)絡(luò)異常數(shù)據(jù)識別方法［Ｊ］．長江信息通信，２０２１，３４（４）：４１?４３．

［４］ 田銀磊，劉書倫．基于神經(jīng)網(wǎng)絡(luò)的船舶通信網(wǎng)絡(luò)異常數(shù)據(jù)識別［Ｊ］．艦船科學(xué)技術(shù)，２０２２，４４（１７）：１４８?１５１．

［５］ 李紅映，張?zhí)鞓s．移動無線傳感網(wǎng)絡(luò)通信異常行為識別方法研究［Ｊ］．傳感技術(shù)學(xué)報，２０２２，３５（２）：２４０?２４５．

［６］ 蘇玉燕．基于人工智能技術(shù)的網(wǎng)絡(luò)安全防御系統(tǒng)設(shè)計分析［Ｊ］．信息記錄材料，２０２１，２２（９）：１５１?１５２．

［７］ 葉華，趙川，路學(xué)剛，等．基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠(yuǎn)程實時監(jiān)控異常識別研究［Ｊ］．機(jī)械設(shè)計與制造工程，２０２２，５１（１０）：１２５?１２８．

［８］ 曹納．基于ＢＰ 神經(jīng)網(wǎng)絡(luò)的人工智能審計系統(tǒng)研究［Ｊ］．信息技術(shù)，２０２１（８）：１１７?１２１．

［９］ 陳真，王雅志．基于人工智能的運維系統(tǒng)建設(shè)研究與應(yīng)用［Ｊ］．常州工學(xué)院學(xué)報，２０２１，３４（３）：３５?４０．

［１０］ 張宏慶，賈利．基于人工智能與５Ｇ 通信的醫(yī)療檢測設(shè)備管理系統(tǒng)設(shè)計［Ｊ］．電子設(shè)計工程，２０２１，２９（１１）：１１３?１２１．

作者簡介：

梁文龍（１９９４—），碩士，助教，研究方向：模式識別、圖像處理、云計算。