0 引　言

舰船通信网络是信息传输的核心，大量数据信息在交互过程中主要以数据流量的模式完成，信息的内容、安全性对舰船通信安全存在直接影响。所以，准确估计舰船通信网络流量具有现实意义^[1-3]。

目前对网络流量的估计方法不在少数^[4-5]，曹素娥等^[6]主要以聚类分析算法和优化支持向量机为主，需要构建通信网络模型实现流量估计，此类方法仅可使用在小规模网络流量估计问题中。陈浩杰等^[7]主要以深度学习方法为主，需要挖掘通信网络流量中的大数据，估计效率也会受到影响。

数据驱动是近几年各大领域都十分关注的数据处理方法，在信号处理问题中，常见的数据驱动技术有小波变换、经验模态分解等。在人工智能方面，常见的数据驱动技术有卷积神经网络、支持向量机，此类方法对大数据问题都有较好的处理效果，处理效率快，且适用于大规模数据处理问题中。本文结合数据驱动技术的优越性，提出基于大数据驱动与分析的舰船通信网络流量智能估计方法，主要使用经验模态分解技术、卷积神经网络对舰船通信网络流量实现精准的智能估计。

1 基于大数据驱动的舰船通信网络流量估计方法 1.1 改进集合经验模态分解的舰船通信网络信号降噪方法

为了高精度估计舰船通信网络流量，必须采取有效方法去除舰船通信网络流量的噪声，优化舰船通信网络流量质量^[8]。因外界环境所影响，舰船通信网络流量不可避免地存在噪声，导致流量变化不具有平稳性。相关资料显示，经验模态分解方法属于数据驱动方法，可以对舰船通信网络流量这种具有大数据特征的信息进行有效去噪，存在数据驱动价值^[9]。

改进集合经验模态分解方法先把存在噪声的舰船通信网络信号x(m)实施集合经验模态分解，获取首次分解的固有模态函数分量v_1j(m)。再通过相关系数完成阈值滤波处理，相关系数为：

$ d\left( j \right) = \sum\limits_{i = 1}^M {x\left( m \right){v_{1j}}\left( m \right)} /\sqrt {\sum\limits_{i = 1}^M {{x^2}\left( m \right)\sum\limits_{i = 1}^M {v_{1j}^2\left( m \right)} } }。$

(1)

式中： $ M $ 为舰船通信网络信号长度；d(j)为第 $ j $ 个固有模态函数分量和原始舰船通信网络信号的相关系数。

相关系数原理显示，在初步去噪阶段，如果舰船通信网络信号信噪比较高，首个相关系数很小，自第2个相关系数开始便会变大，这时需要去掉首阶分量实施信号重构；如果舰船通信网络信号信噪比较小，自首阶至第 $ h - 1 $ 阶的固有模态函数分量相应的相关系数便会逐渐变小，自第 $ h $ 阶开始，相关系数将逐渐变大，这时需要去掉前 $ h - 1 $ 阶分量实施信号重构。此过程便可完成舰船通信网络信号初步去噪^[10-11]。

将首次分解获取的噪声主导型固有模态函数分量实施二次集合经验模态分解，使用固有模态函数分量v_2j(m)，获取尺度指数β_2j。判断第二次去噪时有效分量主导型固有模态函数分量序数值为：

$ h_\delta ^* = \max \left\{ {{h_\delta }\left| {{\beta _{2j}} < {\varepsilon _\delta }} \right.} \right\}{v_{2j}}\left( m \right)，$

(2)

$ {\varepsilon _\delta } = 0.56{v_{2j}}\left( m \right) - 0.2{\beta _{2j}}{v_{2j}}\left( m \right) 。$

(3)

其中： $ \delta $ 为首次分解被去掉的噪声主导型固有模态函数分量序号； $ {h_\delta } $ 为每个噪声主导型固有模态函数分量的序数值； $ {\varepsilon _\delta } $ 为首次分解尺度指数。

为分析2次分解的固有模态函数分量的尺度关系，把2次分析获取的有效固有模态函数分量实施重构^[12]，则

$ x'\left( m \right) = r\left( m \right){\varepsilon _\delta } + \sum\limits_{j = p}^{{N_1} - 1} {{v_{1j}}\left( m \right){\varepsilon _\delta }} + {s_{{N_1}}}\left( m \right){\varepsilon _\delta }。$

(4)

其中： $ {s_{{N_1}}}\left( m \right) $ 为舰船通信网络信号余量； $ {N_1} $ 为分解的信号量； $ p $ 为有效信号分量；r(m)为固有模态函数分量集合。

1.2 舰船通信网络流量时间序列图的构建

设置舰船通信网络流量每个属性都属于一种随机事件，通过信息熵判断每个属性相应的流量集中与分散状态，获取舰船通信网络流量的粗粒度描述，构建舰船通信网络流量时间序列图描述属性之间的关系。

去噪后舰船通信网络信号 $ x'\left( m \right) $ 中，流量数据属性 $ R $ 的信息熵为：

$ R\left( S \right) = - x'\left( m \right)\sum\limits_{j = 1}^m {Q_j^2}。$

(5)

式中，Q^j为属性的某数值出现概率， $ m $ 为总实例量， $ j $ 为舰船通信网络流量数据编码。

信息熵可以充分描述不存在差异的属性中相应的流量数据的集中状态与分散状态，特别是舰船通信网络流量中，数据集中度较高，熵值较小，数据分散度较高，熵值较大。

使用属性1、属性2构建舰船通信网络流量的时间序列图，主要步骤如下：

1）点的描述。把信息熵信息实施归一化，把其数值映射至0~1之间，之后结合映射后数值分解成4种级别，级别信息如表1所示。将源/目的IP、源/目的端口的4个点依次设成 $ {A_1} $ ， $ {A_2} $ ， $ {B_1} $ ， $ {B_2} $ ，信息熵数值的级别是 $ i $ ， $ i $ 对应表1中的级别信息。某时刻舰船通信网络流量采样点中属性1、属性2的信息熵模式依次是 $ {A_{1i}} $ ， $ {A_{2i}} $ ， $ {B_{1i}} $ ， $ {B_{2i}} $ 。

2）边的描述。设置 $ t $ 时间段中属性1、属性2的信息熵依次是 $ {R^t}\left( {{A_{1i}}} \right) $ ， $ {R^t}\left( {{A_{2i}}} \right) $ ， $ {R^t}\left( {{B_{1i}}} \right) $ ， $ {R^t}\left( {{B_{2i}}} \right) $ 。设置2个属性点的边权重为：

$ {\varpi ^t}\left( {a,b} \right) = \frac{{{R^t}\left( {{A_{1i}}} \right) - {R^t}\left( {{A_{2i}}} \right)}}{{{R^t}\left( {{B_{1i}}} \right) - {R^t}\left( {{B_{2i}}} \right)}}。$

(6)

边权重可描述此边2个端点信息熵在 $ t $ 时间段采样点中的变化是否存在一致性。若两端点信息熵值整个时间序列中变化规律一致，则2个信息熵时间序列一致性较高，关联性显著。边的2个端点来自差异的时间序列，边权重的变动程度可描述2个时间序列的关联性：边权重变动程度较低，关联性显著；边权重变动程度显著，关联性不显著。

结合所述方法，在各个时刻采样点中均衍生无向赋权图，整个时间序列中时间序列图。

1.3 基于卷积神经网络的网络流量预测方法

将舰船通信网络流量时间序列分解成第2层舰船通信网络信号的近似信号施加序列 $ {B_2} $ 、首层细节信号的时间序列 $ {E_1} $ 、第2层细节信号的时间序列 $ {E_2} $ ，其中细节信号时间序列存在舰船通信网络流量的趋势信息与时间信息，可描述舰船通信网络流量的整体变化趋势，因此部分的流量预测十分关键。通过卷积神经网络预测不存在异常波动的近似信号时间序列的流量信息，可提高舰船通信网络流量估计精度。卷积神经网络的结构图如图1所示。

卷积神经网络输入层的数量如果设置不当，便会增加舰船通信网络流量估计耗时，降低估计精度。为此，使用相关性S(k)这一指标设置卷积神经网络输入层与输出层的具体信息：

$ S\left( k \right) = \frac{{F\left[ {\left( {{Y_t} - {\lambda _t}} \right)\left( {{Y_{t + h}} - {\lambda _{t + h}}} \right)} \right]}}{{{\theta ^2}}} 。$

(7)

式中： $ F $ ，Y_j依次为卷积神经网络输入层与输出层的具体信息期望值与随机变量值；λ_j为第 $ t $ 时刻的卷积神经网络输入层与输出层的具体信息预期值； $ {Y_{t + h}} $ ， ${\lambda _{t + h}}$ 依次为第 $ t + h $ 时刻的随机变量值与预期值。若S(K)在某时刻明显变小，代表目前值与 $ h $ 具有相关性， $ h $ 值就是输入层神经元数目。使用 $ h $ 值便可设置输入输出样本，将 $ {B_2} $ ， $ {E_1} $ ，第 $ {E_2} $ 实施训练。

舰船通信网络流量特征提取层神经元的数量设置方法为：

$ M = \sqrt {n + m} + b 。$

(8)

式中：n、m分别为输入神经元数量、输出神经元数量； $ b $ 属于常数，取值区间是1～10。

差异尺度下的舰船通信网络流量时间序列能够描述流量的随机成分，因为随机成分平稳性较差，使用本文卷积神经网络预测网络流量细节信号的流量信息，将预测值使用小波重构，获取最后的网络流量估计信息：

$ Y\left( t \right) = \sum\limits_{i = 0}^i {{E_i}\left( t \right)} {\text{ + }}{B_i}\left( t \right) 。$

(9)

其中：E_i(t)，B_i(t)依次为第 $ i $ 层 $ t $ 时刻的舰船通信网络流量时间序列、第 $ i $ 层 $ t $ 时刻的舰船通信网络近似信号的流量时间序列。

2 实验结果与分析

使用某舰船通信链路不同时间粒度的网络流量数据测试本文方法的估计效果，实验中主要使用图2所示的2种流量进行测试。

因为流量数据差异显著，为了优化本文方法在估计流量时的收敛效率，将其实施归一化处理，把该舰船通信链路不同时间粒度的网络流量数据归一化至0~1范围内。对2种工况的流量估计结果如图3所示。可知，2种工况中估计结果与实际值偏差极小，基本一致，本文方法可在不同工况中高精度估计舰船通信网络流量。

测试本文方法的抗扰性，在工况1中引入噪声，如图4所示，本文方法对其去噪后的结果如图5所示。从图4和图5可知，加入噪声的舰船通信网络流量信息与原始流量信息存在明显的差异，如果直接进行流量估计，估计误差极大，本文方法处理后的舰船通信网络流量虽然没有与原始舰船通信网络流量信息完全一致，但偏差较小，对流量估计不存在严重影响。由此可见，本文方法具有较好的流量去噪效果，抗扰性较好。

3 结　语

本文提出基于大数据驱动与分析的舰船通信网络流量智能估计方法，并在实验中证实了该方法对舰船通信网络流量的估计效果，验证本文方法具有可用性。