網絡不穩定節點的動態特征挖掘模型

劉菲

摘 要： 為了提高對網絡不穩定節點定位和檢測精度，提出基于經驗模態分解和功率譜密度特征提取的網絡不穩定節點的動態特征挖掘模型。首先對網絡不穩定節點輸出信號進行經驗模態分解，將一個復雜的網絡不穩定節點的動態信號分解成若干個IMF分量之和，對分解信號進行功率譜密度特征提取，實現對網絡不穩定節點的動態特征挖掘。仿真結果表明，該挖掘模型能準確實現對不穩定節點輸出信號的參量估計和動態特征提取，特征挖掘精度較高，較好地實現了對不穩定節點的定位識別。

關鍵詞： 網絡不穩定節點； 輸出信號； 動態特征挖掘； 經驗模態分解

中圖分類號： TN711?34； TP181 文獻標識碼： 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

隨著無線通信網絡技術的發展，網絡組網的形式發生變化，采用無線傳感器網絡或者物聯網進行無線通信組網，實現數據傳輸和通信成為未來網絡發展的一個重要方向[1?2]。網絡節點是實現數據信號采集、收發和通信的重要組成元素，當網絡節點不穩定或者發生故障時，將會導致網絡中斷和數據誤碼。

為了提高對網絡不穩定節點的定位和檢測精度，提出基于經驗模態分解和功率譜密度特征提取的網絡不穩定節點的動態特征挖掘模型，結果表明，該模型能準確實現對不穩定節點輸出信號的參量估計和動態特征提取，特征挖掘精度高。

1 網絡節點傳輸信道模型與信號分析

1.1 無線傳輸網絡節點分布信道建模

無線通信網絡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，無線網絡節點的數據傳輸信道為帶寬受限信道[3]，具有多徑傳播特性，容易受到串擾和電磁振蕩，導致節點失穩。在無線通信網絡中，信道的多徑結構取決于無線通信網絡節點的信道傳播損失和衰減。

假設無線網絡的通信節點由[N=2P]個陣元組成，徑向距離為[d，]無線通信網絡中通信數據的接收模型為：

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

式中：[si（t）]為無線網絡第[i]個節點的接收信號波形；[xm（t）]為多徑分布結構下第[m]個不穩定節點輸出的數據。由此構建無線通信網絡的信道特征響應模型描述為：[ht=iaitejθitδt-iTs] （2）

式中：[θit]表示任意點[p]的相位偏移，通信數據擴展時窗口的寬度為[T。]

在無線通信網絡的第[i]個陣元中，假設兩個節點之間的坐標為[（xs，ys）]，用一個二元有向圖[G=（V，E）]表示不穩定節點的信道擴展損失，得到不穩定節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]為無線網絡的幅值調制；[I]為無線通信網絡節點的陣元個數。

節點的不穩定性導致網絡中傳輸信號數據產生振蕩，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絡的窄帶帶寬；[τn（t）]為第[n]個輸出信號的時間延遲。

不穩定節點傳輸信號的信息融合動態方程為：

[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）]為網絡不穩定節點的信息融合誤差；[xi]為幅值。

1.2 網絡不穩定節點輸出信號的分解

對網絡不穩定節點輸出信號進行經驗模態分解，將一個復雜的動態信號分解成若干個IMF分量之和，發射信號為[f（t），]在網絡客戶端接收到的信號模型為[g（t），]不穩定節點進行信號傳輸的時延[τ]為時間[t]的函數：

[τ（t）=2R（t）c-v=2R0c-v-2vc-vt] （7）

式中：[c]為動態特征到達融合中心的多普勒頻移。

通過調整網絡的不穩定節點的反射增益，采用雙曲調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）

在不穩定節點動態特征感知過程中，無線通信網絡受到不確定干擾向量的影響，單位時間內進行不穩定節點動態特征感知的采樣，得到接收信號[r（t）]和經驗模態函數[ΦHa（t）]的時間離散形式為：

[r=r（0），r（1），…，r（N-1）T] （9）

對不穩定節點的輸出信號進行多普勒容限提升，采用自適應匹配濾波器進行傳輸信號的檢測，檢測器設計為：

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

網絡不穩定節點的輸出信號采用經驗模態分解挖掘信號數據中的振蕩模式，得到振蕩序列[g=][g（0），g（1），…，g（N-1）T，]對輸出信號進行經驗模態分解，將一個復雜的動態信號分解成若干個經驗模態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。

2 模型的具體實現

2.1 不穩定節點輸出信號的功率譜密度特征提取

設無線網絡不穩定節點輸出信號的標量時間序列為[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據自適應特征匹配，求得動態特征挖掘最大梯度差為：

[AVGx=1m×nx=1ny=1mGx（x，y）] （13）

式中：[m，n]是向量量化自相關系數。

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函數；[D（X）]和[D（Y）]分別表示能量均值。

采用自相關特征分析模型進行動態特征信號的功率譜密度估計，得到估計結果為：

[y（k）=a（k）h（k）+n（k）] （15）

式中：[n（k）]為不穩定節點的動態特征分量；[h（k）]為第[i]條無線通信網絡信道的傳輸時延。

無線通信網絡不穩定節點輸出的同態特征為：

[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。

設傳輸通信信道為連續系統，則網絡不穩定節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（?）]為云計算環境下的網絡不穩定節點輸出信號的時間窗口函數；[ωn]為測量誤差。不穩定節點輸出信號的功率譜密度傳遞時間序列為[X=x1，x2，…，xn，][n]是無線通信網絡故障數據集[X]的數目。

2.2 不穩定節點動態特征挖掘的實現

對功率譜密度在時頻域中進行特征分解，數據信號流中的時頻特征結果為：

[y（t）=1πKx（τ）t-τdτ=x（t）*1πt] （18）

式中：[K]表示不穩定節點動態特征挖掘的譜密度系數；[x（τ）]表示不穩定節點輸出數據在時頻域內的包絡幅值。

采用自相關匹配濾波器進行動態特征的匹配濾波[5]，濾波函數描述為：

[H（z）=1+az-1+z-21+arz-1+r2z-2， 0

式中：網絡不穩定節點輸出信號的幅值頻率參數為[a；]帶寬參數為[r。]

在無線通信網絡環境下，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，得到網絡不穩定節點輸出的動態特征狀態響應為：

[CTf=k=-KKcke-j2πfkT] （20）

式中：[ck]為不穩定節點動態特征發送的載波，由此得到經驗模態的分解結果為：

式中：[e2R（k）]是調制誤差；[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性，假設不穩定節點發射信號為[s（t），]則經波束形成后得到的數據特征為：

設[t0=f0TB，][K=Tfi-T2fiT2B，]利用各不穩定節點的測量值調制載波，假設調制頻率為[f0，]經驗模態分解的頻寬為[B，]由此得到網絡不穩定節點的動態特征輸出的IMF分量為：

采用動態特征挖掘模型將動態信號分解成若干個IMF分量之和，由此實現對網絡不穩定節點的動態特征挖掘。

3 實驗結果與分析

通信網絡節點分布在3 000 m×3 000 m的均勻陣列區域，動態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，網絡不穩定節點的動態特征為250 Hz的頻率分量，特征子空間嵌入維數[m=5。]不同信噪比下，對網絡不穩定節點輸出信號進行采樣，時域波形如圖1所示。

對網絡不穩定節點輸出信號進行經驗模態分解，得到經驗模態分解后輸出的動態特征功率譜提取結果如圖2所示。

由圖2可知，本文模型提取的網絡不穩定節點動態特征功率譜能有效反應網絡不穩定節點輸出的動態信號。進一步，采用本文模型對網絡不穩定節點輸出信號進行動態特征挖掘，在時頻域內得到挖掘數據的輸出結果如圖3所示。由圖3可知，采用本文模型進行網絡不穩定節點動態特征挖掘，在時頻域內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模型對網絡不穩定節點動態特征挖掘精度進行測試，得到對比結果如圖4所示。分析上述仿真結果得出，采用本文挖掘模型能準確提取不穩定節點輸出信號的動態特征，準確挖掘的概率較高，較好地實現了不穩定節點的定位識別。

4 結 語

通過對網絡不穩定節點的傳輸信號的特征提取和信號分析，實現不穩定特征判別和節點定位。基于經驗模態分解和功率譜密度特征提取，提出網絡不穩定節點的動態特征挖掘模型。構建網絡節點的信道模型，進行節點傳輸信號的模型構建、網絡節點輸出信號的經驗模態分解和特征提取，將一個網絡不穩定節點的復雜動態信號分解成若干個IMF分量之和，對分解信號進行功率譜密度特征提取，實現對網絡不穩定節點的動態特征挖掘。實驗分析得出，采用本文模型對不穩定節點動態特征的挖掘精度高于傳統模型，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的時頻差聯合估計算法[J].電子與信息學報，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.隨機多智能體系統一致穩定性分析[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算法的審計日志關聯規則挖掘[J].計算機應用，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.