基于機器學習的5G通信目標信號識別方法

王天順，付麗方

（鄭州升達經貿管理學院 信息工程學院，河南 鄭州 451191）

0 引 言

5G通信目標信號識別通常采用理論決策和模式識別兩種方法。一般情況下，基于假設檢驗的理論決策方法根據信號的統計特性和代價函數最小的原則來計算測試量（主要特征），閾值的設置是理論決策方法的核心[1]。在這兩種方法中，理論決策方法具有較強魯棒性，但并不實用，而模式識別方法雖然識別范圍廣，但受到噪聲影響較大[2-4]。針對這一問題，提出了一種基于機器學習的5G通信目標信號識別方法研究，解決了在復雜電磁環境下的通信目標信號識別問題，提高了信號識別精度。

1 基于機器學習信號識別原理

因為5G通信不能描述攻擊持久性，所以不能反映攻擊場景的特點，由此擴展了網絡攻擊信息層次。該層次需要分層分析攻擊場景，并基于場景因素擴展攻擊層次，主要擴展為目標層、因素層以及原子層3個部分[5]。采集5G通信攻擊信息，并消除其中的冗余信息，將有價值的信息存儲與知識庫中，通過誘導處理解決通信網絡信息受攻擊問題，由此實現通信攻擊信息識別。

2 5G通信目標信號分析與特征提取

2.1 5G通信目標信號分析

分析5G通信中的所有信號時可以將信號分解成若干特征尺度的函數，但需要滿足下列條件，一是極值與過零點數目相同或差最多不能超過1，二是數據極端值的平均值在任何一點上都為0。基于此，給出了如下的信號模態分解方法，首先擬合信號各極值點，分析上下包絡線，求得擬合信號與包絡線的均值，其次通過重復以上步驟，將得到的差分作為新的擬合信號，直至其滿足特征模態函數的條件，即第一次分解的PF分量與差分一致，也就是特征尺度的最小分量，最后將原信號的PF分量分類，得到擬合后的信號。不斷重復上述步驟能夠得到特征尺度不同的PF分量，直至出現符合要求的單調信號。但使用以上方法分解多個諧波分量時，干擾將引起相位跳躍，而且由于噪聲影響將引入異常信號，這時形成的高頻信號使模態分解過程發生混疊，因此需要提取干擾信號的特征。

2.2 特征提取與預處理

在5G通信網絡中引入異常信號后，正常信號與異常信號混疊。對不受噪聲影響的正常信號進行傅里葉變換處理，由于提取干擾信號特征時所獲得的信號具有多樣性，無法用相同的信號檢測，因此使用傅里葉技術處理信號時應重新選擇新的信號，為識別具有抗干擾能力的信號提供準確數據。受到的噪聲干擾信號為：

式中，s表示受到噪聲干擾信號譜寬；φ表示受到噪聲干擾信號提取所需參數；λ(x)表示提取頻率；x0表示信號提取時延參數。按式（1）選取最佳視窗標準在時域和頻域信號變換參數達到最大值時可獲得最佳信號窗。

3 信號識別

通過對5G通信目標信號的分析與特征提取，結合機器學習方法跟蹤與識別5G通信目標信號，為模擬人類識別過程提供技術支持。獲取新的信號特征后，確定該信號的優先傳輸路徑，觀察不同通信信號之間的相似性，其相似度為：

式中，fi(a)為通信信號相似性分析模型；ω為信號權重；n為通信接收信號數量；i表示信號分量，由此式可求得通信信號的相似程度。通過相似性分析可以精準確定5G通信信號的傳輸路徑，即發送路徑、傳輸路徑以及接收路徑，使用通信信號相似度分析模型函數fi(a)，由此識別這3條路徑中的通信目標信號。

基于5G通信目標信號識別方法能夠跟蹤5G通信目標信號，由此獲得新的特征，及時判斷和計算信號相似性，顯示新接收到的通信信號特征，分析其是否可靠，如果可靠，則可以將其視為可靠性最高的通信信號特征，由此完成信號識別。

4 對比實驗

為了驗證基于機器學習的5G通信目標信號識別方法研究的合理性，進行實驗驗證分析。

4.1 實驗參數設置

設置對比實驗，將本文方法與理論決策法和模式識別法相對比，采用MATLAB軟件進行仿真實驗，設信號采集頻率為50 kHz，信號窗大小為35維，長度為40 ms，分幀200幀，噪聲為加性高斯白噪聲，選取120個實驗數據，分別用3種方法對比抵御網絡攻擊程度。

4.2 實驗結果與分析

在噪聲環境下，5G通信網絡受到來自不同方向的攻擊導致網絡存在一定脆弱性，分別使用理論決策法、模式識別法以及基于機器學習識別法對比分析抵御網絡攻擊程度，結果如圖1所示。

圖1 3種方法抵御網絡攻擊程度對比分析

由圖1可知，在實驗數據為40個時，理論決策法抵御網絡攻擊程度為40%，模式識別法抵御網絡攻擊程度為30%，基于機器學習識別法抵御網絡攻擊程度為78%。在實驗數據為120個時，理論決策法抵御網絡攻擊程度為58%，模式識別法抵御網絡攻擊程度為50%，基于機器學習識別法抵御網絡攻擊程度為90%。由此可知，使用基于機器學習識別法抵御網絡攻擊程度較強。為進一步驗證該方法合理性，需對比分析3種方法識別精準度，結果如表1所示。通過分析表1可知，理論決策法識別精準度最高為0.60，最低為0.47，模式識別法識別精準度最高為0.64，最低為0.39，基于機器學習識別法識別精準度最高為0.98，最低為0.94。說明基于機器學習識別法識別精準度受噪聲影響較小，具有良好識別效果。

表1 3種方法識別精準度

5 結 論

為了高效識別5G通信目標信號，提出了基于機器學習的5G通信目標信號識別方法，并在通信網絡環境中得以實現。針對網絡大數據的特點，通過研究通信攻擊信息識別和機器學習，選擇最優的識別方法，保證了網絡攻擊信息識別的最高準確性。試驗表明，該方法不僅降低了網絡攻擊的效率，而且能夠準確識別出通信信號。