舰船科学技术  2023, Vol. 45 Issue (10): 131-134    DOI: 10.3404/j.issn.1672-7649.2023.10.025   PDF    
基于数据驱动的舰船通信网络异常行为检测方法
莫凡, 梁丽莎     
湛江科技学院 智能制造学院,广东 湛江 524094
摘要: 为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能
关键词: 数据驱动     舰船通信     网络     异常行为     聚类检测    
A data-driven method for detecting abnormal behavior in ship communication networks
MO Fan, LIANG Li-sha     
School of Intelligent Manufacturing, Zhanjiang University of Science and Technology, Zhangjiang 524094, China
Abstract: In order to improve the ability to identify abnormal behaviors in ship communication networks, a data-driven method for detecting abnormal behaviors in ship communication networks is proposed. The node coverage model of the ship communication network is constructed using the shortest path and maximum coverage optimization method. The minimum interval equalization technology is used to control the channel balance of the ship communication network, extract the channel transmission information characteristics of the ship communication network, analyze the behavioral characteristic parameters of the ship communication network, and combine spectral component fusion and fusion clustering processing methods to achieve data-driven control of abnormal behavior in the ship network, Based on data-driven graph model parameter identification and anomaly spectrum feature clustering analysis, abnormal behavior detection of ship communication networks is achieved. Testing has shown that this method detects and processes abnormal behavior in ship communication networks, improving channel equalization performance
Key words: data-driven     ship communication     network     abnormal behavior     cluster detection    
0 引 言

随着无线通信组网技术的发展,采用无线通信技术建立舰船通信网络,提高舰船数据准确收发转换能力。然而,在舰船通信中,节点之前的干扰和误码等因素,导致舰船通信异常,需要结合舰船通信网络异常特征分析方法,建立舰船通信网络异常行为检测模型,分析舰船通信网络异常行为导致舰船通信中断和失效的原因,提高舰船通信网络异常检测能力。构建优化的舰船通信网络异常行为检测模型,在舰船军用通信方面具有重要意义[1]

对舰船通信网络异常行为检测建立在对网络通信节点的优化覆盖基础上,通过组网节点的效能参数分析,结合网络节点的覆盖参数分析和可靠性节点分析,实现对舰船通信网络特征分析和行为参数分析[2]。传统方法中,对舰船通信网络异常行为检测方法主要有基于波比特分块检测的舰船通信网络异常检测方法[3]、增益调节控制方法等[4]。采用基于电磁耦合调制的舰船通信网络异常检测方法,结合多径干扰抑制,采用载波调制技术实现通信信道分布式融合,根据信道均衡调度能力,实现对舰船网络节点异常检测。但当前方法对舰船通信网络异常行为检测误差较大,实时通信能力不好。针对上述问题,本文提出基于数据驱动的舰船通信网络异常行为检测方法。首先构建舰船通信网络的节点覆盖模型,然后采用谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。最后,通过仿真测试进行性能验证。

1 舰船无线通信组网节点部署和行为参数采集 1.1 舰船无线通信组网节点部署

为了实现基于数据驱动的舰船通信网络异常行为检测,采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型[5],构建节点分布模型如图1所示。

图 1 舰船通信网络的节点覆盖模型 Fig. 1 Node coverage model of ship communication network

图1所示的节点分布模型中,采用无线传感节点采集,分析舰船编队节点移动性特征,结合通信组网节点的优化部署设计,通过自组网的形式交互状态特征分析,得到通信拓扑控制支配点集在 $ m $ 个终端链路的传输链路分配函数为:

$ \begin{split} {R_w}\left( l \right) = & E\left[ {w\left( k \right){w^{\rm{H}}}\left( {k + l} \right)} \right] =\\ & \int_{ - \pi }^{\text π} {\left[ {{\delta _l}.\frac{1}{{\Delta \sqrt {2{\text π} } }}{e^{{{ - {{\left( {\theta - {\theta _0}} \right)}^2}} \mathord{\left/ {\vphantom {{ - {{\left( {\theta - {\theta _0}} \right)}^2}} {2{\Delta ^2}}}} \right. } {2{\Delta ^2}}}}}} \right]} a\left( \theta \right){{\rm{a}}^{\rm{H}}}\left( \theta \right){\rm{d}}\theta 。\end{split} $ (1)

式中: $ {\theta _0} $ $ \Delta $ 两个参数分别表示舰船编队拓扑总代价系数和偏移; $ w\left( k \right) $ 为学习权重; $ k $ 为编队跟随的航向分量; $ l $ 为舰船网络通信的带宽; $ a\left( \theta \right) $ 为舰船网络通信的加权通信链路拓扑; ${{\boldsymbol{a}}^H}\left( \theta \right)$ $ a\left( \theta \right) $ 的酉矩阵; $ {\delta _l} $ 为动态分量,加权通信链路拓扑图模型为:

$ x(t) = {Re} \{ {a_n}(t){e^{ - j2{\text π} {f_c}{\tau _n}(t)}}{s_l}(t - {\tau _n}(t)){e^{ - j2{\text π} {f_c}t}}\}。$ (2)

式中: ${a_n}(t)$ 为终端通信接入网中的核心站点的增益幅值; ${\tau _n}(t)$ 为舰船终端通信接入的时延; ${f_c}$ 为联合自相关匹配特征值; ${s_l}$ 为单点失效函数。

利用星型和链路型的组网方式方法,得到通信节点效用函数如下:

$ c(\tau ,t) = \sum\limits_n {{a_n}(t){e^{ - j2{\text π} {f_c}{\tau _n}(t)}}\delta (t - {\tau _n}(t))} 。$ (3)

式中, $ {a_n}(t) $ 为SDH 设备通过 GE 口进行互联的覆盖度幅值。

链路长度和相位表示为:

$ L = \sqrt {{{\left( {\overline {{p_0}s'} } \right)}^2} + {{\left( {\overline {{p_0}{s_j}} } \right)}^2} - 2\left( {\overline {{p_0}s'} } \right) \times \left( {\overline {{p_0}{s_j}} } \right) \times \cos \angle {s_j}{p_0}s'} ,$ (4)
$ \varphi = \arccos \left( {\frac{{{{\left( {\overline {{p_0}{s_j}} } \right)}^2} + {{\left( {\overline {{s_j}s'} } \right)}^2} - {{\left( {\overline {{p_0}s'} } \right)}^2}}}{{2\left( {\overline {{s_j}s'} } \right) \times \left( {\overline {{p_0}{s_j}} } \right)}}} \right) 。$ (5)

式中: $ {p_0} $ 为链路组成的通信图模型分布功率谱; $ {s_j} $ 为通信距离; $ s' $ 为通信开销。由此建立舰船无线通信组网节点部署模型,根据节点部署进行组网通信的异常特征分析。

1.2 舰船无线通信组网节点定位

采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡控制方法,得到通信网络的异常动态分布集为:

$ {\left( {\overline {ps'} } \right)^2} + {\left( {\overline {p{p_1}} } \right)^2} - 2\left( {\overline {ps'} } \right) \times \left( {\overline {p{p_1}} } \right) \times \cos \angle s'pp' = {\left( {\overline {{p_1}s'} } \right)^2}。$ (6)

舰船编队信息交互拓扑图模型中,转发区域集为 $ \Delta {A_1} = GF{A_1},\Delta {B_1} = GF{B_1}{\kern 1pt} $ ,由于通信链路的选择不同,得到空间分配的均衡控制模型参数可表示为:

$ \overline {ps'} = \overline {p{p_1}} \times \cos \angle s'pp' + \sqrt {{{\left( {\overline {{p_1}s'} } \right)}^2} + {{\left( {\overline {p{p_1}} } \right)}^2} \times {{\sin }^2}\angle s'pp'}。$ (7)
$ \overline {{p_0}s'} = \overline {ps'} + \overline {{p_0}p}。$ (8)

将整个编队视为单个整体,在有限的网络拓扑结构中,得到舰船通信组网节点之间的几何测度距离,其计算公式如下:

$ d(i,j) = \sqrt {{{({x_i} - {x_j})}^2} + {{({y_i} - {y_j})}^2}} 。$ (9)

式中: $ {x_i},{y_i},{x_j}{y_j} $ 分别自组网编队的动力学模型参数和几何跟踪参数; $ d\left( {i,j} \right) $ 为总势能最小的状态分布聚类,得到异常行为特征分布的稳态增益为:

$ z_k^i = h_{_k}^i({x_k},{u_k}) + v_{_k}^i{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} ,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i = 1,2,...,M 。$ (10)

式中: $ i(i = 1,2,...,M) $ 为舰船通信自组网交互编队控制所需的时间; $ h_{_k}^i $ 为总势能最小的状态参数; $ v_{_k}^i $ 为自组网交互反馈系数,由此得到舰船通信的行为数据驱动模型描述为:

$ x(k + 1) = A(k)x(k) + \Gamma (k)w(k) ,$ (11)
$ {z_i}(k) = {H_i}(k)x(k) + {u_i}(k),\quad i = 1,2, \cdots ,N 。$ (12)

式中: $ {\boldsymbol{x}}(k) \in {{\boldsymbol{R}}^{n \times 1}} $ 为期望编队结构编码序列; $ {\boldsymbol{A}}(k) \in {{\boldsymbol{R}}^{n \times n}} $ 为通信组网节点之间的碰撞检测节点集; $ {\boldsymbol{\varGamma }}(k) $ 为损失特征分布集。

采用异构模型动态分配的方法,利用 $ {z_{k + 1}} $ 对估计进行更新得到:

$ \hat x_{k + 1}^ + = \hat x_{k + 1}^ - + {K_{k + 1}}\left( {{z_{k + 1}} - \hat x_{k + 1}^ - } \right) 。$ (13)

通过双向链路 $\left( {k,i} \right)$ 进行舰船通信网络的异常行为动态监测。

2 舰船通信网络异常行为检测 2.1 舰船无线通信组网异常节点行为特征提取

基于周围相邻节点的位置信息参数,分析整个编队组成的网络拓扑图的连通性,分析目标点信息或路径信息等任务信息分配模型,通过舰基无线通信组网分布式组合序列重组,进行通信信道均衡配置,节点间的移动特征分布函数为 $ Z $ ,采用四元组表示为: $ \{ {S_1},{S_2}, \cdots ,{S_L}\} $ ,舰船通信网络异常行为分布网络拓扑图的连通性用图模型表示为 $ G = (V,E) $ ,设计舰船通信网络异常行为分布无向图 $ G = (V,E,W) $ ,用 $ {d_G}(u,v){\text{ }} $ 表示图G中从uv最小跳数,连通图 $ G $ 中, $ V $ 表示编队变化较大的情况下舰船通信组网的节点集, $ {V^2} $ 表示任意两点边集,得到网络拓扑图的连通性信息覆盖集 $ {S_i}(i = 1,2, \cdots ,L) $ 满足以下条件:

$ {S_i} \cap {S_j} = \varphi , \forall i \ne j ,$ (14)
$ \cup _{i = 1}^L{S_i} = V - \{ {\rm MIS}\} 。$ (15)

式中: $ {\rm {MIS}} $ 为编队控制对时延的动态学习参数;S产生的消息量的个数。

采用图2所示的模型结构,进行信道均衡配置,提高通信网络的异常特征检测识别能力。

图 2 舰船无线通信组网的信道配置模型 Fig. 2 Channel configuration model for ship wireless communication networking

根据图2所示的舰船无线通信组网的信道配置模型,采用数据驱动控制,得到输入通信传递模型分布的功率因素为 $ {p_i} $ $ {p_k} $ $ {p_{k + 1}} $ ,异常行为特征检测的聚类信息为 $ {r_i} $ $ {r_k} $ $ {r_{k + 1}} $ ,舰船通信网络的异常链路分布的比特率:

$ r\left( t \right) = \frac{1}{2}\log \left( {1 + p\left( t \right)} \right)。$ (16)

式中, $ p\left( t \right) $ 为节点链路分布的带宽。

通过对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法进行特征检测。

2.2 通信信道均衡处理及异常检测

采用可重构智能链路拓扑结构组合控制的方法,建立舰船通信网络的信道传输层次化分析模型,采用结构化调度和扩频处理,得到舰船通信网络的异常行为分布在邻域 $ neighbor\left({L}_{i}\right)=\left\{{L}_{i1},{L}_{i2}\right\} $ 范围内的特征量,根据前L层的子载波反馈结果,得到信道均衡配置输出模型描述为:

$ \begin{gathered} i_1 = \left\{ \begin{gathered} i - 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i \ne 1,\\ {C_{L{\kern 1pt}, {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i = {\kern 1pt} {\kern 1pt} 1}} ,\\ \end{gathered} \right. \\ i_2 = \left\{ \begin{gathered} i + 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i \ne {C_L} ,\\ 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i = {C_L}。\\ \end{gathered} \right. \\ \end{gathered} $ (17)

考虑舰船通信网络中电磁场空间分布特性,信息加载在集合码组内的扩频序列为 ${c^{'}}(t)$ ,时间延迟为 $ {\tau _l} $ ,此时网络异常行为特征点的衰减项满足 $ {c_j}{T_c} < {T_f} $ $ \forall j \in [0,{N_f} - 1] $ ,选取网格单元序列 $ {g_0},{g_1}, \cdots ,{g_p} $ ,检测到的异常行为分布的峰值位置为 $ {P_n} = \displaystyle\frac{{{P_0}}}{\delta } $

根据上述分析,实现对舰船无线通信组网的异常行为检测,实现流程如图3所示。

图 3 舰船无线通信网络异常检测实现流程 Fig. 3 Implementation process for anomaly detection in ship wireless communication network
3 仿真实验与结果分析

在进行舰船通信网络数据传输仿真测试中,对舰船通信网络的数据采样的阵元数为38,舰船通信网络的无线通信结的配置的周期为24 ms,阵元传输带宽为1.5 dB,接收器中心位于(1.4 m, 2.4 m, 2.5 m),通信节点的拓扑个数为200,根据上述参数设定,得到舰船通信网络行为特征分布如图4所示。

图 4 舰船通信网络行为特征提取 Fig. 4 Feature extraction of ship communication network behavior

图4的舰船通信网络行为特征监测结果为测试对象,进行异常检测,结合谱分量融合和融合聚类结果,得到异常行为检测结果如图5所示。

图 5 异常行为检测结果 Fig. 5 Abnormal behavior detection results

分析可知,本文方法对舰船通信网络异常行为检测的聚类性较好,测试异常检测后输出的误码率,得到对比结果见表1。分析得知,本文方法提高了舰船通信的准确性,降低输出误码率。

表 1 误码率测试 Tab.1 Error rate test
4 结 语

建立舰船通信网络异常行为检测模型,分析舰船通信网络异常行为导致舰船通信中断和失效的原因,提高舰船通信网络异常检测能力。本文提出基于数据驱动的舰船通信网络异常行为检测方法,采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,结合谱分量融合和融合聚类处理方法进行特征检测。研究得知,本文方法提高了通信的可靠性,降低误码率。

参考文献
[1]
马志峰, 于俊洋, 王龙葛. 多样性表示的深度子空间聚类算法[J]. 计算机应用, 2023, 43(2): 407–412.
[2]
肖振宇, 刘珂, 朱立鹏. 无人机机间毫米波阵列通信技术[J]. 通信学报, 2022, 43(10): 196-209.
[3]
苏燕, 黄小华. 基于MPC 8247的舰载火控计算机串行通信模块设计[J]. 舰船科学技术, 2022, 44(8): 131-134. DOI:10.3404/j.issn.1672-7649.2022.08.027
[4]
秦宁宁, 余颖华, 吴德恩. 移动混合传感网中节点自主部署算法[J]. 电子与信息学报, 2016, 38(7): 1838–1842.
[5]
娄柯, 崔宝同, 李纹. 基于蜂拥控制的移动传感器网络目标跟踪算法[J] 控制与决策, 2013, 28(11): 1637–1642.