0 引　言

通信网络是船舶进行信息传输、数据交换的主要工具，其不仅能够保证内部数据交换，还能够与外界交互。当前的船舶通信网络的通信模式呈现多设备、多区域以及多模式的物联网通信模式，该种模式的数据变化量较大^[1-2]，并且通信网络节点间的认证协议多样化，使得网络数据流传输过程中容易出现异常。该情况不仅会影响船舶与外界的实时通信质量，还会影响船舶通信网络的快速、安全工作^[3]。因此，如何提升船舶通信网络质量是当前亟待解决的问题。

为此，佟冬等^[4]将孪生神经网络用于识别网络通信异常数据这一问题中，此方法考虑到通信网络数据维度差异所潜在的问题，引入数据降维这一环节，可有效提升数据质量，从而保证孪生神经网络在识别通信异常数据时，识别结果具有可靠性，但其未曾重视权重对孪生神经网络稳定性存在的影响，如果权重设置不合理，包括孪生神经网络在内，大部分的神经网络模型均会出现震荡问题，此时的通信异常数据捕获结果，便存在一定误差，无法满足当前船舶通信网络需求。

赵英等^[5]将联邦学习技术与卷积神经网络相融，设计网络入侵检测分类模型，此模型在简单的训练处理下，便可用于网络入侵数据识别的二分类应用中，并取得了较好的应用效果，但该模型没有考虑通信网络数据中，除了通信数据，还存在大量冗余数据，在不对此类数据进行预处理的条件下直接用于异常检测，会导致检测精度受到负面影响。

结合存在的问题，本文研究基于改进神经网络的船舶通信网络异常数据识别方法。此方法不仅在识别之前对船舶通信网络数据进行预处理，保证数据质量，还使用粒子群算法调节模糊神经网络的连接权重，从而在保证模糊神经网络模型稳定可靠的前提下，有效识别船舶通信网络异常数据。

1 基于神经网络的船舶通信网络异常数据识别 1.1 船舶通信网络数据预处理

由于船舶通信网络数据在采集过程中会受通信设备本身以及外部环境条件的干扰，导致数据出现冗余情况^[6,7]，此时数据的平滑性受到影响，数据维度特征便会存在差异，所以需要将船舶通信网络数据执行预处理，保证数据平滑且维度一致，以此提高数据质量。设置船舶通信网络数据为x_i，选用统计极限值方法完成通信网络数据预处理，主要将通信网络数据映射至统一数据区间[0 1]，即

$ {x'_i} = \frac{{{x_i} - \min }}{{\max - \min }}。$

(1)

其中： $ {x'_i} $ 表示完成处理后船舶通信网络数据； $ \max $ 、 $ \min $ 分别为船舶通信网络数据的最大、小值；映射值分别为1，0。

因为采用模糊神经网络完成船舶通信网络异常数据识别，所以要求输入输出的形式均为多模态。为此，将 $ {x'_i} $ 执行切片处理，主要使用滑动窗口函数 $ {\rm{Slicing}}(\cdot) $ 完成， $ X = {\rm{Slicing}}\left( {{x'_i}} \right) $ ，处理后多模态通信网络数据 $ X $ 分为 $ {x'_i} $ ， $ {x'_j} $ 。

$ n $ 表示多模态通信网络数据的超参数。

1.2 基于联合关联规则的网络数据特征提取方法

设预处理后的通信网络数据集合 $ X $ 中，共存在 $ k $ 种特征属性：

$ X = s\left( k \right) + n\left( k \right) 。$

(2)

其中：s(k)是多模态通信网络数据特征属性参数，属于混合特征参数；n(k)为离散系数。

分解船舶通信网络数据集合的混合特征s(k)，使用联合关联规则，设计船舶通信网络数据的自相关特征分块函数，提取船舶通信数据混合特征S_i：

$ {S_b} = \sum\limits_{i = 1}^X {p\left( {{\omega _i}} \right)\left( {{s_i} - s} \right){{\left( {{s_i} - s} \right)}^{\rm{T}}}}，$

(3)

$ {S_\omega } = \sum\limits_{i = 1}^X {p\left( {{\omega _i}} \right)E\left[ {\frac{{\left( {{s_i} - s} \right){{\left( {{s_i} - s} \right)}^{\rm{T}}}}}{{{\omega _i}}}} \right]}，$

(4)

$ {S_i} = {S_b} + {S_\omega } 。$

(5)

其中： $ p\left( {{\omega _i}} \right) $ 为联合关联规则中，离散范围的规则向量集； $ E $ 为离散范围数； $ {S_b} $ ， $ {S_\omega } $ 依次为混合特征 $ s\left( k \right) $ 中第 $ b $ 类、第 $ \omega $ 类特征属性； $ {s_i} $ ， $ s $ 依次为第 $ i $ 个通信网络数据的特征值向量、多模态通信网络数据重心； $ {\omega _i} $ 为权重。

1.3 基于粒子群优化模糊神经网络的网络异常数据识别模型

针对船舶通信网络数据特征S_i，构建基于粒子群优化模糊神经网络的网络异常数据识别模型，用于识别船舶通信网络异常数据。因船舶通信网络异常状态不固定，如多种入侵行为下，通信网络会出现多种异常数据，数据类型的多样化特征导致数据类型存在模糊性，不可以直接使用二分类模型。为此，使用模糊神经网络模型，此模型的自学习能力显著，适用于船舶通信网络异常数据识别问题中。模糊神经网络包括输入、模糊化、推理、归一化、反模糊化及输出6层，不同之间通过神经元节点连接。其中，输入层输出的神经元就是模糊层的输入神经元，此神经元即为提取的通信网络数据特征S_i，层层相连，上一层的输出结果即为下一层的输入样本。输入层：此层输入的样本即为提取的船舶通信网络数据特征S_i。模糊层：划分船舶通信网络数据特征样本，将各个特征样本以隶属度函数为标准，归类至模糊子空间。将输入的R维船舶通信网络数据特征划分成N类，划分后的网络数据特征聚类中心数量是 $ R \times N $ 个，此时船舶通信网络数据特征聚类结果为：

$ \sigma _{ij}^2 = \displaystyle\sum\limits_{j = 1} {\dfrac{{{{\left\| {{S_j} - {c_{ij}}} \right\|}^2}}}{{{n_j}}}} 。$

(6)

其中：S_j，n_j和c_ij分别为第 $ j $ 维船舶通信网络数据特征、数据特征数量以及第 $ i $ 维第 $ j $ 类数据特征的聚类中心。

利用 $ \sigma _{ij}^2 $ 计算船舶通信网络数据特征的模糊隶属度值，此过程需要使用高斯函数：

$ u_j^{ji} = \exp {\left( {{S_j} + {c_{ij}}} \right)^2}/\sigma _{ij}^2。$

(7)

推理层：结合模糊层输出的数据特征模糊隶属度，构建模糊规则 $ {u_{qp}} $ ，以此将网络数据特征变换为模糊矢量，降低后续数据识别难度。

$ {u_{qp}} = \prod\limits_{j = 1}^R {u_j^{ji}} ，$

(8)

计算归一化层：将推理层设计的模糊规则实施归一化处理，以此保证模糊神经网络在识别船舶通信网络异常数据特征时可快速收敛，归一化输出为：

$ {\bar u_{qp}} = \frac{{{u_{qp}}}}{{\displaystyle\sum\nolimits_{j = 1}^{{n_j}} {{S_j}} }}，$

(9)

反模糊化层：以反模糊化的方式调整数据特征隶属度值，以此降低船舶通信网络数据特征分类难度，并将调整后隶属度值传输至输出层，此时设置反模糊化层与输出层的连接权矩阵是 $ {\boldsymbol{W}} $ 。

输出层：输出层使用Softmax分类器，输出船舶通信网络异常数据识别结果。Softmax分类器能够解决通信网络多种异常数据识别问题：

$ {\rm{Softmax}}\left( {\sigma _{ij}^2} \right) = {\rm{Softmax}}\left( {W \cdot {{\bar u}_{qp}} + \varOmega } \right)。$

(10)

其中： $ {\rm{Softmax}}\left( {\sigma _{ij}^2} \right) $ 为通信网络数据特征识别结果，可实现船舶通信网络多种类型异常数据识别； $ \varOmega $ 为偏置。

神经网络对反模糊化层与输出层的连接权矩阵 $ W $ 存在高度敏感性，微弱的变化也会导致网络出现震荡问题.为此，使用粒子群算法调节连接权重，以此保证模糊神经网络的稳定性。将提取的数据特征中某部分数据特征设成第 $ j $ 个训练样本，构建连接权矩阵 $ W $ 和粒子维度之间映射，各个粒子的维度信息即为连接权矩阵 $ W $ 的可行解。运算模糊神经网络输出的均方误差 $ MESE $ ，将其设成粒子群算法的适应度函数：

$ G = MESE = \frac{1}{{2m}}\sum\limits_{j = 1}^{{n_j}} {\sum\limits_{h = 0}^R {\left( {{\rm{Softmax}}\left( {\sigma _{ij}^2} \right) - {k_{h,j}}} \right)} } 。$

(11)

式中： $ {\rm{Softmax}}\left( {\sigma _{ij}^2} \right) $ ， $ {k_{h,j}} $ 依次为模糊神经网络的实际输出结果、第 $ j $ 个训练样本在输出层 $ h $ 的期望输出结果；n_j为第 $ j $ 个训练样本中通信网络数据特征量。

一般情况下，船舶通信网络异常数据和其上一时间的异常数据具有一定相关性，为简化船舶通信网络异常数据识别建模过程，将前 $ m $ 个时间的船舶通信网络异常数据当作影响因素，第 $ t $ 和 $ t - 1 $ 时间的船舶通信网络数据特征分别设成S_i(t)和S_i(t−1)，则第 $ t + 1 $ 时间的船舶通信网络数据特征输入样本表示为 ${S_i} = \{ {S_i}\left( t \right), {S_i}\left( {t - 1} \right), \cdots ,{S_i}\left( {t - m + 1} \right)\}$ 。将其设成基于粒子群优化模糊神经网络的网络异常数据识别模型的识别样本。

首先训练模糊神经网络，依据模糊神经网络训练误差，使用粒子群算法调整模糊神经网络的连接权矩阵 $ {\boldsymbol{W}} $ ，最后在训练误差满足异常数据识别需求后，建立基于粒子群优化模糊神经网络的网络异常数据识别模型，识别船舶通信网络异常数据类型。

2 实验结果与分析

以某船舶通信网络为实验对象，该船舶通信网络由综合导航控制台、服务器、气象仪、磁罗经、电罗经、导航雷达以及RS485通信总线构成，利用服务器和RS485通信总线连接地面站数据中台，该数据中台与短波通信系统、卫星通信系统以及自组网通信系统相连，实现船舶与地面之间的通信。设置RBF神经网络模型的学习率为0.5，动量因子数值为0.05，高斯函数中心值区间为−1～10之间。在上述实验环境下，对本文方法展开验证。

船舶通信网络数据的预处理是识别其异常类型的基础。以某一条船舶通信网络数据为实验对象，使用本文方法对其进行冗余预处理，结果如图1所示。分析图1可知，该条通信网络数据在预处理前，其响应幅值曲线上存在干扰点数据点，响应幅值曲线不够平滑。而经过本文方法对其进行预处理后，该条通信网络数据的响应幅值曲线呈现平滑状态，曲线上的干扰数据点均被去除。上述结果说明：本文方法可有效去除船舶通信网络数据内存在的冗余数据，具备较好的预处理效果。

以预处理后的该条船舶通信网络数据为实验对象，使用本文方法提取数据特征。测试一段时间内，本文方法提取船舶通信网络数据的响应幅值，将其作为网络数据的特征，测试本文方法的数据特征提取效果，结果如图2所示。分析图2可知，该条船舶通信网络数据在时间为2.6 min左右之前时，其响应幅值在0.5 db左右呈现轻微波动趋势，当时间超过2.6 min后，该条舰通信网络数据的响应幅值呈现骤降趋势，说明在该时刻后，该条数据出现异常情况，随着时间的持续增加，该条数据的响应幅值又恢复到0.5 db左右。使用本文方法提取该船通信网络数据特征时，其响应幅值的数值在曲线波谷处与其实际值存在偏差，但偏差数值极小。结果说明，本文方法可有效提取船舶通信网络数据特征，且提取结果较为精准。

利用本文方法识别出实验船舶通信网络的异常数据结果，用表1描述。通过表1可以看出，本文方法能够有效识别不同类型船舶通信网络数据中的异常数据，并能够精准识别出异常数据所属类型，识别效果较好。

为验证本文方法的性能，以DA（Detec-tion Accuracy），TPR（True Positive Rate），PRE（Precision）为指标评价船舶通信网络异常数据的识别结果，结果如图3所示。其中DA表示全部实验船舶通信网络样本数据内被正确识别的样本数占总样本数的比例；TPR表示实验样本数据内被识别为船舶通信网络异常数据的样本量占总样本数的比例；PRE为识别精度。通过图3可以看出，在船舶通信网络数据异常量不断提升的情况下，本文方法各项指标均呈缓慢上升态势，表示数据异常量在一定区域内的提升能够有效提升船舶通信网络异常数据的识别效果，各项指标的数值均高于0.95，表示本文方法具有较好的船舶通信网络异常数据识别效果。

3 结　语

本文研究基于神经网络的船舶通信网络异常数据识别方法，通过船舶通信网络进行数据预处理、提取船舶通信网络数据特征、异常数据识别。在异常数据识别这一步骤，使用粒子群算法调节模糊神经网络的连接权重，保证模糊神经网络模型稳定后，将船舶通信网络数据特征集，输入训练好的模糊神经网络模型，就能够获取船舶通信网络异常数据识别结果。实验验证该方法所识别船舶通信网络异常数据的精度高，可有效应用于实际船舶通信网络安全防护。