基于遷移學習的5G通信網絡異常節點檢測研究

李根

廣東工商職業技術大學，廣東 肇慶 526020

0 引言

為此，當前部分學者對5G通信網絡異常節點檢測技術進行了研究。例如，戴春妮提出一種基于聚類特征自適應機制的無線傳感網異常節點檢測算法[7]；神顯豪等人對基于卷積神經網絡的網絡節點異常數據檢測方法進行了研究[8]。但以上方法的5G通信網絡異常節點檢測效果差，如泛化能力差，易出現過擬合的5G通信網絡異常節點檢測結果，檢測結果不可信等。為了解決當前5G通信網絡異常節點檢測過程中誤檢率、拒檢率高等問題，以獲得理想的通信網絡異常節點檢測結果，本文提出了一種基于遷移學習的5G通信網絡異常節點檢測模型，并通過仿真對比測試驗證本文所設計模型的優越性。

1 基于遷移學習的5G通信網絡異常節點檢測模型

1.1 5G通信網絡節點特征提取

一個5G通信網絡包含許多節點，不同節點的連接方式，可以產生不同的路由，通常選擇最短的一條路由進行數據傳輸，可以加快數據傳輸的效率[9]。當5G通信網絡節點出現異常時，其工作狀態信號就會出現異常，如信號可能出現多個波峰，均方幅值發生改變，因此首先要采集5G通信網絡節點工作狀態信號，然后從信號提取描述通信網絡節點工作狀態的特征。本文采用信號的均值（f1）、標準差（f2）、方根均值（f3）、峭度（f4）、方差（f5）、波形因子（f6）以及偏斜度（f7）作為5G通信網絡節點工作狀態特征，它們的計算公式分別為：

1.2 基于遷移學習的特征擴容

在5G通信網絡異常節點檢測過程中，通常假設訓練樣本集合和測試樣本集合的特征分布空間相同，但是實際上這種假設不一定成立[10]。通過訓練樣本集合構建的5G通信網絡異常節點檢測模型，對測試樣本集合進行檢測的泛化能力比較差，即出現了過擬合現象。

為了解決該難題，本文通過排序互信息和標準互信息對5G通信網絡節點特征進行選擇，然后通過引入遷移學習對所選擇的5G通信網絡節點特征進行重新映射及擴容，以提高5G通信網絡異常節點檢測模型的泛化能力。

1.3 極限學習機

式中，Y表示輸出的向量。

與傳統機器學習算法相比，如BP神經網絡、RBF神經網絡等，極限學習機的學習速度更快[14-15]。由于5G通信網絡異常節點檢測具有非線性變化特點，因此需要引入核極限學習機。

極限學習機的學習目標為最小化誤差和輸出權重的范數，具體如下：

根據極限學習機的工作原理，將式（12）進行簡化，那么其目標就變為：

氣象觀測是氣象工作和大氣科學發展的基礎。氣象觀測數據分析，為天氣預報提供基礎的氣象參數，通過長期積累和統計，整理完善為氣候資料，為農業、林業、工業、交通、軍事、水文、醫療衛生和環境保護等部門進行規劃、設計和研究，提供重要的數據依據。

根據KKT優化條件，可以得到

最后得到極限學習機輸出的形式為

那么相應的極限學習機輸出形式為

1.3 遷移學習的5G通信網絡異常節點檢測步驟

Step1：對5G通信網絡節點的狀態信號進行采集，并去除無用的狀態信號，選擇有用的狀態信號進行建模。

Step2：從5G通信網絡節點的狀態信號中提取檢測特征。

Step3：通過排序互信息和標準互信息對5G通信網絡節點檢測特征進行選擇。

Step4：采用遷移學習對選擇的5G通信網絡節點檢測特征進行映射，從而實現特征擴容。

Step5：將映射后標記的5G通信網絡節點狀態檢測樣本輸入核極限學習中進行學習，建立5G通信網絡節點狀態檢測模型。

Step6：將映射后未標記的5G通信網絡節點狀態檢測樣本輸入到建立的5G通信網絡節點狀態檢測模型進行測試，并輸出檢測結果。

綜合上述可知，基于遷移學習的5G通信網絡異常節點檢測流程圖1所示。

2 仿真測試

2.1 測試環境

為了測試遷移學習的5G通信網絡異常節點檢測效果，對其進行仿真測試，具體測試環境見表1。

表1 5G通信網絡異常節點檢測測試環境

2.2 測試對象

為了增強實驗結果的說服力，共進行5次仿真實驗，每一次仿真實驗采用不同數量的5G通信網絡異常節點，具體見2。選擇文獻[7]和文獻[8]方法進行對比測試。

表2 5G通信網絡異常節點檢測實驗的樣本

2.3 測試結果與分析

統計3種模型的5G通信網絡異常節點檢測結果的正確率、拒檢率，分別如圖2和圖3所示。對圖2和圖3進行分析之后有如下發現。

圖2 5G通信網絡異常節點檢測正確率

圖3 5G通信網絡異常節點的拒檢率

（1）文獻[7]和文獻[8]所采用方法的5G通信網絡異常節點檢測正確率的平均值分別為：86.26%和89.46%，基于遷移學習的5G通信網絡異常節點檢測正確率的平均值為95.20%，5G通信網絡異常節點檢測結果得到了明顯的改善，驗證了本文設計的5G通信網絡異常節點檢測模型的優越性。

（2）文獻[7]和文獻[8]所采用方法的5G通信網絡異常節點的拒檢率的平均值分別為：13.74%和10.54%，而基于遷移學習的5G通信網絡異常節點檢測的拒檢率的平均值為4.80%，減少了5G通信網絡異常節點檢測的拒檢率，獲得了更優的5G通信網絡異常節點檢測結果。

3 結語

為了獲得更優的5G通信網絡異常節點檢測結果，本文提出了基于遷移學習的5G通信網絡異常節點檢測模型。首先采集5G通信網絡異常節點狀態信號，再從信號中提取其檢測特征，并對特征進行擴容，最后建立5G通信網絡異常節點檢測模型，實現對其的檢測。結果證明，該模型較好地解決了當前5G通信網絡異常節點檢測建模過程中存在的難題，能夠獲得更加理想的5G通信網絡異常節點檢測結果，可以為5G通信網絡維護人員提供有用的參考信息，有利于保證5G通信網絡正常工作。但由于在研究時，不曾對5G通信網絡異常節點類型進行分類，因此為使其適用于更多條件，后續還要加強對此方面的研究。