基于人工智能技術的移動通信網絡數據異常識別系統設計

摘 要 移動通信網絡數據的異常識別可以有效保證移動通信網絡的安全運行 為提高移動通信網絡數據的異常識別準確性 設計了一種基于人工智能技術的移動通信網絡數據異常識別系統 首先對采集到的移動通信網絡數據進行預處理 然后利用人工智能技術中的深度學習方法對移動通信網絡數據進行聚類處理 最后利用神經網絡方法實現移動通信網絡數據的異常識別 實驗發現該系統具有良好的異常識別性能 在保證移動通信網絡數據傳輸速率的基礎上 具有較高的異常識別準確率和較短的響應耗時 具有一定的應用價值

關鍵詞 人工智能技術 移動通信 系統設計 網絡數據 異常識別

中圖法分類號tp399? ?文獻標識碼a

１ 引言

現階段，我國計算機網絡技術飛速發展，移動通信網絡數據量呈現快速增長的趨勢［１］ 。移動通信網絡的安全性關系著用戶的個人隱私與用網安全［２］ 。一旦移動通信網絡受到惡意攻擊或異常數據入侵，將對用戶的網絡安全造成不可估計的惡劣影響［３］ 。因此，識別移動通信網絡中的異常數據具有重要意義。文獻［４］利用神經網絡方法去除通信網絡中的冗余數據，將網絡異常識別方法應用于船舶的通信網絡中。通過構建關聯規則，獲取船舶通信網絡數據中的多模態特征，并結合粒子群算法，共同優化神經網絡算法，實現船舶通信網絡中的異常數據識別。實驗發現該方法可有效識別不同類型的船舶通信網絡數據內的異常數據，去除冗余數據。文獻［５］提出移動無線傳感網絡通信異常行為識別方法，將相異度分析方法應用于無線傳感網絡中。采集無線傳感網絡數據，利用重疊時間分配機制識別通信異常行為。實驗發現該方法可有效提高網絡節點質量。為實現移動通信網絡數據的異常識別，提高識別準確性和效率，將人工智能算法應用于異常識別中，設計了基于人工智能技術的移動通信網絡數據異常識別系統，以期為移動通信網絡數據異常識別提供理論借鑒。

２ 移動通信網絡數據異常識別架構設計

人工智能算法已經廣泛應用于不同研究領域［６～７］ ，選擇人工智能算法中的關聯規則并結合深度學習方法處理移動通信網絡數據，具體的系統架構圖如圖１ 所示。

２．２ 基于深度學習算法的移動通信網絡數據聚類

為保證移動通信網絡異常數據識別的準確性，首先利用深度學習算法［９～１０］ 對移動通信網絡數據進行聚類處理。深度學習算法聚類的基本過程描述如下。

步驟１ 將移動通信網絡通信數據作為樣本數據，按照２：１ 的比例劃分為訓練數據和識別數據。

步驟２ 以步驟１ 獲取的訓練樣本數據為基礎，對深度學習算法模型進行訓練。

步驟３ 預分類訓練后的樣本數據，并確定聚類中心。

步驟４ 在預分類結果所確定的聚類中心基礎上，通過深度學習聚類算法對檢測樣本數據實行聚類，以獲取精準有效的移動通信網絡數據聚類結果。

上述聚類過程如圖２ 所示。

２．３ 移動通信網絡數據的異常識別

利用神經網絡方法進行移動通信網絡數據的異常識別，當神經網絡輸出層的輸出結果為ｂ＞０，判斷此移動通信網絡數據為異常數據；當輸出層的輸出結果ｂ≤０ 時，此移動通信網絡數據點為正常數據。具體的移動通信網絡數據異常識別函數為：

３ 實驗研究

在Ｍａｔｌａｂ 仿真平臺中，將２０ ０００ 條移動通信網絡傳輸數據作為測試樣本，其中包括２００ 條異常通信數據。隨機將其劃分為４ 個數據集，每個數據集包括５ ０００條數據，以文獻［４］方法和文獻［５］方法為對比方法，通過３ 種方法的對比，驗證該系統的性能。評價指標選擇通信傳輸速率（ＭＢ／ ｓ）、異常數據識別準確性（％）、系統響應延時（ｓ）３ 種，以驗證該系統的綜合性能。

３．１ 通信傳輸速率指標測試

雖然該系統的主要目的是實現移動通信網絡的異常數據識別，但是保證通信傳輸的實時性是移動通信網絡的基礎性能標準。因此，以通信傳輸速率為指標，在反復測試１０ 次不同數據集的傳輸條件下，測試３ 種方法的通信傳輸速率性能結果如圖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［４］方法和文獻［５］方法，該系統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果較為穩定，且數值始終優于文獻中的方法，表明該系統可以保證移動通信網絡的正常數據傳輸，具有較好的數據傳輸穩定性與速率，滿足移動通信網絡數據傳輸的基礎要求。

３．２ 異常數據識別準確性指標測試

以異常數據識別準確性為指標，只有準確識別出移動通信網絡傳輸過程中的異常數據，才能確保通信數據的安全性，為后續剔除異常數據與其他處理提供基礎條件。測試３ 種方法的識別準確性結果如表１ 所列。

由表１ 可以看出，該系統對移動通信網絡的異常數據進行識別，可以達到９５％以上的準確率，其對４個數據集的異常識別準確率均值為９６．８３％。而文獻［４］方法和文獻［５］ 方法的識別準確率均值分別為９０．８５％和８７．６３％，明顯低于該系統。這是由于該系統利用人工智能技術中的深度學習方法對數據進行了聚類處理，可以進一步提高數據異常識別的準確性，使其具有良好的應用性能。

３．３ 系統響應延時指標測試

對４ 個數據集進行測試，分別測試１０ 次，取每次測試的４ 個數據集的平均值，測試異常識別過程中的系統響應延時，得到３ 種方法的延時結果如表２ 所列。

由表２ 可以看出，該系統在異常識別過程中的響應延時明顯低于文獻中的２ 種方法，其在１０ 次測試下的均值為０．０３９ １。而文獻［４］方法和文獻［５］方法的延遲均值分別為０．０８８ １ 和０．０８９ ４，明顯高于該系統的響應延時。這可能是由于該系統首先對移動通信網絡數據進行了預處理，在一定程度上提高了算法的響應速度。

４ 結束語

針對目前移動通信網絡數據異常識別準確率較低的問題，設計并提出了一種基于人工智能技術的移動通信網絡數據異常識別系統。首先對采集到的移動通信網絡數據進行預處理，以提高系統響應速度；其次利用人工智能技術中的深度學習方法對移動通信網絡數據進行聚類處理；最后利用神經網絡方法實現移動通信網絡數據的異常識別。實驗發現該系統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，異常數據識別準確性可保持在９５％以上，系統響應延時約為０．０３９ １ ｓ，可為移動通信網絡數據異常識別與后續處理提供參考。

參考文獻：

［１］ 程超．淺探移動通信網絡異常信號優化識別［Ｊ］．數碼設計（上），２０２１，１０（２）：１６．

［２］ 蔣誠智，徐浩，黃傳鋒，等．基于Ｍｅｒｋｌｅ 哈希樹的異構通信網絡數據異常值概率識別算法［Ｊ］．兵器裝備工程學報，２０２２，４３（６）：１９０?１９５＋２３１．

［３］ 莫曉瑾，蔣英鈺．基于無線通信的工業控制網絡異常數據識別方法［Ｊ］．長江信息通信，２０２１，３４（４）：４１?４３．

［４］ 田銀磊，劉書倫．基于神經網絡的船舶通信網絡異常數據識別［Ｊ］．艦船科學技術，２０２２，４４（１７）：１４８?１５１．

［５］ 李紅映，張天榮．移動無線傳感網絡通信異常行為識別方法研究［Ｊ］．傳感技術學報，２０２２，３５（２）：２４０?２４５．

［６］ 蘇玉燕．基于人工智能技術的網絡安全防御系統設計分析［Ｊ］．信息記錄材料，２０２１，２２（９）：１５１?１５２．

［７］ 葉華，趙川，路學剛，等．基于人工智能技術的電力系統設備遠程實時監控異常識別研究［Ｊ］．機械設計與制造工程，２０２２，５１（１０）：１２５?１２８．

［８］ 曹納．基于ＢＰ 神經網絡的人工智能審計系統研究［Ｊ］．信息技術，２０２１（８）：１１７?１２１．

［９］ 陳真，王雅志．基于人工智能的運維系統建設研究與應用［Ｊ］．常州工學院學報，２０２１，３４（３）：３５?４０．

［１０］ 張宏慶，賈利．基于人工智能與５Ｇ 通信的醫療檢測設備管理系統設計［Ｊ］．電子設計工程，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。