基于深度學習的電子通信設備異常信號識別

喬 娟

（國家計算機網絡與信息安全管理中心甘肅分中心，甘肅 蘭州 730030）

1 基于深度學習的電子通信設備異常信號識別方法

1.1 信號數據預處理

電子通信設備的信號數據以文本的格式存儲在服務器的磁盤中，需要對這些數據篩選統計，刪除信號數據中的空值，去除掉由于人為操作錄入的錯誤信號數據和無關信號數據，對信號數據進行整理分類和規范化存儲管理，調整信號數據格式后重新保存。根據不同的信號數據類型進行分類存放，同一種類型的信號數據放在同一個文件夾里面進行區分，用數據壓縮的方法對信號數據進行標準化約束。對信號數據歸一化處理，是為了確保識別結果能夠真實、準確地反應電子通信設備對信號的識別情況。對數據進行歸一化

處理的公式為

在對電子通信設備信號識別的過程中，有些頻點在某些時刻是不工作的，這時該頻點的信號數據是異常信號數據[1]。如果去除這些數據，當該頻點工作時就會造成信號的丟失。異常信號是在識別過程中發生錯誤識別產生的，雖然異常信號本身沒有任何意義，但是研究電子通信設備對異常信號如何進行識別，可以使電子通信設備的安全得到保障。對數據進行標準化處理可以提高數據的真實有效性，標準化處理公式為

式中，x是進行標準化處理后，得到的可以作為樣本的數據；n是未進行標準化處理的數據的平均值，是未進行標準化處理的數據的標準差。最后不要選擇具有唯一性和重復性的信號數據，選擇可以互相關聯的和可進行數據源屬性編碼的信號數據，對數據進行遺漏填補和統一的糾正，選取這樣的數據是為了使數據可以被賦予屬性名和屬性值，方便于后面的研究能夠順利進行。

1.2 基于深度學習的信號特征提取

通過使用深度學習的方法，對電子通信設備信號的特征進行提取。利用深度學習對電子通信設備信號數據的特征進行刻畫，因為自動編碼器層疊形成深度學習神經網絡，所以進行這樣的操作得到的電子通信設備信號數據的準確率是比較高的[2]。

使用自動編碼器的編碼網絡和解碼網絡中的編碼網絡，對處理后的數據進一步壓縮處理，降低編碼端處理過的信號數據量作為輸入的數據，由于隱含層的輸入數據可能被還原，所以通過信號數據集，選擇根節點數據，然后進行遍歷，選擇葉子節點，構建特征樹，方便下面DNN進行層疊訓練，減少不必要的資源浪費。利用深度學習的自動編碼器對DNN進行層疊訓練，DNN就可以從電子通信設備提供的樣本信號數據中，獲得需要的異常信號的特征信息。利用深度學習的BP算法，DNN獲取的電子通信設備異常信號數據后，再稍微進行一下調整，使DNN獲得的電子通信設備異常信號的特征信息更加完成且準確。深度學習調整過程如圖1所示。

圖1 深度學習調整過程

分析通過DNN獲得的電子通信設備異常信號的特征數據，設信號的尺度為x，時延為y，電子通信設備的異常信號數據的特征參數計算公式為

式中，z(y)是所要得到的異常信號數據的特征參數。分離電子通信設備異常信號的頻譜偏移特性，可得到頻率與時間相關聯的參數，其形式表現為

1.3 電子通信設備異常信號識別

提取到電子通信設備異常信號特征后，根據提取到的特征進行電子通信設備異常信號的識別[4]。對特提取的異常信號的特征數據向量值進行訓練處理，選擇異常信號的最優分類面，方便進行下面的電子通信設備異常信號的識別，便于對之后的函數計算值的有效性顯示，方便信號的直接傳遞以完成進一步識別工作。在進行識別的過程中，受到了多方面的因素的影響，為了讓識別的過程能夠順利進行，需要去除掉這些不利于信號識別的影響的干擾，通過式（7）計算需要去除識別干擾。

式中，K是隨機序列；a是電子通信設備異常信號的有效密度；SNR是信號的隨機性，通過式（8）得出的結果表明，電子通信設備異常信號與隨機序列有關聯。

通過上述所有計算，忽略不計其他因素對于計算結果的影響，調制處理計算的最終數據結果，處理后的數據結果表示的就是最終的，對于電子通信設備異常信號識別的結果。通過對電子通信設備信號數據的預處理，利用完成預處理后的數據進行信號特征的提取，根據提取結果，進行異常信號的識別計算，最終分析計算結果作為識別結果，完成電子通信設備異常信號的識別。

2 實驗

本文利用深度學習對電子通信設備異常信號進行識別，通過實驗的形式對使用深度學習的方法進行信號識別測試。首先把進行過預處理的電子通信設備異常信號數據進行分組，然后提取電子通信設備異常數據信號特征，特征提取完成后對兩組數據，分別采用深度學習的方法和傳統的方法，進行電子通信設備異常信號識別，最后分析通過這兩種方法進行識別得到的識別結果。在實驗過程中，忽略一些不可抗力的干擾影響，其他的識別環境均保持一樣，然后進行下面的實驗準備。

2.1 實驗準備

選擇幾款不同型號的6部手機作為電子通信設備，然后提取它們的異常信號作為實驗數據集，在選擇的這6部手機中，兩部主屏分辨率為1920×1080，型號為one型號，運行內存為2G的手機，為它們進行編號a和b；兩部主屏分辨率為2400×1080，型號為two型號，運行內存為4G的手機，為它們進行編號c和d；兩部主屏分辨率為2340×1080，型號為three型號，運行內存為8G的手機，為它們進行編號e和f。從這6部手機中，每部手機都采集5 000條信號長度為5 000的信號數據。

使用自動編碼器對信號特征進行提取，自動編碼器結構如圖2所示。

圖2 自動編碼器結構

對信號類型進行分類，類型分為實信號和復信號等幾類。然后，使用Dropout的方法，對DNN迭代的概率進行信號識別保留。使用ReLU函數對信號節點進行激活，參數個數的具體設置如表1所示。

表1 參數設置表

采用梯度下降的方法，設batch為64，迭代次數為350，然后進行電子通信設備異常信號的識別。

2.2 實驗結果

如表2表示，不論是對不同的手機型號的信號進行識別，還是對相同的手機型號的信號進行識別，使用本文的方法都比使用傳統的方法對手機的信號的識別率要更高。

表2 識別結果數據表

本文使用深度學習的方法對6部手機信號進行識別，a和b的手機型號相同都為one，表2識別結果顯示：采用本文方法對a的識別率比采用傳統方法的對a識別率高0.17%，對b的識別率同樣高出0.17%；c和d的手機型號相同都為two，上表識別結果顯示：采用本文方法對c的識別率比采用傳統方法的對c識別率高0.12%，對d的識別率高出了0.07%；e和f的手機型號相同都為three，上表識別結果顯示：采用本文方法對e的識別率比采用傳統方法的對e識別率高0.10%，對d的識別率同樣高出了0.10%。總體上來看，采用本文的深度學習的方法都比采用傳統的方法識別率高，證明了深度學習方法對電子通信設備異常信號識別的優越性高于傳統的識別方法。

3 結束語

本文研究了電子通信設備異常信號的識別，通過對新數據進行預處理，然后使用深度學習的方法提取電子通信設備異常信號的特征，最后通過計算完成對電子通信設備異常信號的識別。使用深度學習的方法進行電子通信設備信號的識別，降低了計算的損耗，提高了訓練的速度，使識別率能夠接近于100.00%，這在實際應用中有著重要的作用，對于電子通信設備異常信號的識別工作有幫助，具有廣泛的發展應用空間。■