0 引　言

船舶通信网络的安全性，直接影响船舶航行状态。船舶在通信网络的服务下，可与基站完成信息交互传递。如果船舶通信网络出现异常数据，那么船舶在接受航行指令时，信息便会出错，从而导致航行状态出现异常^[1]。由此可知，研究船舶通信网络异常数据检测方法，准确检测通信网络异常数据、有效剔除异常数据十分重要^[2]。

结合当下船舶通信网络的运行状况可知，船舶通信网络数据规模巨大，想在此种通信环境中，快速、准确检测通信网络异常数据，存在一定难度。周毅^[3]研究了船舶网络风暴抑制技术，此技术以广播/组播/单播风暴隔离的方式，控制船舶网络风险，此技术对船舶网络风暴控制效果较好，但使用存在局限，船舶通信网络环境复杂，除了网络风暴还存在多类入侵行为的风险，使用性能还有待优化。徐轶群等^[4]研究船舶无线通信网络可靠性影响因素，认为信号稳定性、金属环境、其他无线信号干扰都会影响网络数据状态，并认为想要解决此类问题，需使用合理的通信协议。但在现实生活中，出现船舶通信网络异常数据是不可避免的问题。随着网络入侵、攻击行为的智能化、多样化发展，目前并没有一个性能完善的通信协议，可保证网络不出现异常数据^[5-6]。

为此，本文研究新的船舶通信网络异常数据自动检测和剔除方法。此方法不同之处在于，其能够使用智能化分析方法，无需人工分析，由改进支持向量机、自适应级联陷波器，自动分类网络数据是否存在异常，从而自动检测异常数据，以滤波的方式剔除异常数据。

1 船舶通信网络异常数据自动检测与剔除 1.1 改进支持向量机的网络异常数据自动检测方法

支持向量机的数据分类能力、泛化性能较为显著，其使用过程中，可将船舶通信网络异常数据样本点和正常数据样本点之间距离最大化，设计船舶通信网络异常数据检测的超平面。超平面两侧的网络数据分为正常、异常2种，详情如图1所示。

设置船舶通信网络数据集合 $ A = \left\{ {{a_1},{a_2},...,{a_m}} \right\} $ 的异常检测决策函数为：

$ f\left( a \right) = {\varpi ^{\rm{T}}}\phi \left( a \right) - \beta。$

(1)

式中： $ \varpi $ 、 $ \beta $ 分别为异常检测决策函数的法向量、偏移项； $ \phi \left( a \right) $ 为船舶通信网络数据在高维空间中映射结果。

为高效、快速检测船舶通信网络异常数据，将支持向量机简化成求解式（2）所示二次规划问题：

$ \begin{gathered} \mathop {\min }\limits_{\varpi ,\gamma ,\beta } \frac{{\left\| \varpi \right\|_j^2}}{2} - \beta + \frac{1}{{um}}\sum\limits_{j = 1}^m {{\gamma _j}}，\\ {\rm{s.t.}}\; {\varpi ^{\rm{T}}}\phi \left( {{a_j}} \right) \geqslant {\beta _j},{\beta _j} \geqslant 0;j = 1,2,...,m。\\ \end{gathered} $

(2)

式中：γ_j、 $ m $ 分别为惩罚项、船舶通信网络训练数据集大小； $ u $ 表示正则化参数。

为求解式（2），使用拉格朗日乘数法，设计拉格朗日函数，详情如下式：

$ \begin{split} Z =& \frac{1}{2}\left\| \varpi \right\|_j^2 - \beta + \frac{1}{{um}}\sum\limits_{j = 1}^m {{\gamma _j} - } \sum\limits_{j = 1}^m {{\theta _j}\left( {{\varpi ^T}\phi \left( a \right) - \beta + {\gamma _j}} \right) }- \\ & \sum\limits_{j = 1}^m {{\theta _j}{\theta _i}}。\end{split} $

(3)

式中： $ {\theta _j} $ 、 $ {\theta _i} $ 均为拉格朗日乘子。设置式（3）对 $ \beta $ 、γ_j、 $ \varpi $ 的偏导数都是0，把此类关系导进式（3），便能获取式（2）的对偶形式：

$ \begin{gathered} \min \frac{1}{2}\sum\limits_{j,i = 1}^m {{\theta _j}{\theta _i}K\left( {{a_j},{a_i}} \right)} ，\\ {\rm{ s.t.}}\sum\limits_{j,i = 1}^m {{\theta _j} = 1,0 \leqslant {\theta _j} \leqslant \frac{1}{{um}}} 。\\ \end{gathered} $

(4)

使用支持向量机检测新的船舶通信网络异常数据时，决策函数引入核函数能够变换为：

$ f\left( a \right) = a' = {\varpi ^\text{T}}\phi \left( a \right) - \beta = \sum\limits_{j = 1}^m {{\gamma _j}K\left( {{a_j},{a_i}} \right) - \beta } ，$

(5)

$ K\left( {{a_j},{a_i}} \right) = {e^{ - c{{\left| {a - {a_j}} \right|}^2}}}。$

(6)

式中： $ c $ 为核函数的预定义参数； $ a' $ 为检测的异常数据。

惩罚项γ_j、核函数的预定义参数 $ c $ 的设置，对异常数据检测精度存在直接影响，为此，本文使用改进粒子群优化算法求解γ_j、 $ c $ 。将粒子群优化算法的粒子，设成惩罚项 $ {\gamma _j} $ 、核函数的预定义参数 $ c $ 的可行解，简称为支持向量机参数可行解，以寻优的方式，更新粒子位置与速度，提取支持向量机参数的最优解。

传统粒子群优化算法中，若粒子速度初始值 $ {V^{\left( 0 \right)}} = 0 $ ，那么全局最优粒子便会结束寻优，剩下各个粒子便停止γ_j、 $ c $ 的寻优检索，进入局部最优状态。为此，改进粒子群优化算法，将此时的最优位置粒子 $ o $ ，作为更新对象，其速度更新方法为：

$ V_o^{\left( {t + 1} \right)} = - y_o^{\left( t \right)} + q_g^{\left( t \right)} + {\xi ^{\left( t \right)}}{V^{\left( t \right)}} 。$

(7)

式中： $ {\xi ^{\left( t \right)}} $ 为比例因子； $ {V^{\left( t \right)}} $ 为更新前速度； $ y_o^{\left( t \right)} $ 、 $ q_g^{\left( t \right)} $ 分别为粒子 $ o $ 在第 $ t $ 次迭代时位置、最优位置。

支持向量机参数可行解粒子位置更新方法为：

$ y_o^{\left( {t + 1} \right)} = q_g^{\left( t \right)} + {\xi ^{\left( t \right)}}{V^{\left( t \right)}} 。$

(8)

使用改进粒子群优化算法，求解γ_j、 $ c $ ，步骤为：

步骤1　初始化粒子群速度和位置，各个支持向量机参数可行解粒子描述 $ {\gamma _j} $ 、 $ c $ 的可行解。

步骤2　设置 $ {\gamma _j} $ 、 $ c $ 的寻优适应度函数为：

$ \begin{split} G\left( {{o_j}} \right) = & \frac{1}{2}\sum\limits_{i,j = 1}^m \left( {{\theta _j} - {\theta _i}} \right)K\left( {{a_j},{a_i}} \right) + {\gamma _j}\sum\limits_{i,j = 1}^m {\left( {{\theta _j} - {\theta _i}} \right) } -\\ & \sum\limits_{i,j = 1}^m {\left( {{\theta _j} - {\theta _i}} \right)} 。\end{split} $

(9)

步骤3　结合粒子群算法，把每个粒子目前适应度 $ G\left( {{o_j}} \right) $ ，和此粒子自身最优适应度 $ G'\left( {{o_j}} \right) $ 进行对比，若 $ G\left( {{o_j}} \right) < G'\left( {{o_j}} \right) $ ，便设置 $ G\left( {{o_j}} \right) = G'\left( {{o_j}} \right) $ ，把粒子的目前位置，设成此粒子最佳位置。

步骤4　把每个可行解粒子的自身最佳位置的适应度，和全部粒子的最佳位置适应度对比。若前者小于后者，则设置两者数值相等，并把此时全部粒子的最佳位置，设成全部粒子的最佳位置。

步骤5　更新粒子速度与位置，并分析迭代次数是否为最大值。如果是，设置参数γ_j、 $ c $ ，将最佳位置的粒子所描述方案，作为参数γ_j、 $ c $ 的设定方案，输入支持向量机，训练支持向量机完毕，使用式（5）分类船舶通信网络数据，完成异常数据检测，输出异常数据检测结果 $ a' $ 。

1.2 基于自适应级联陷波器的异常数据剔除方法

把检测的船舶通信网络异常数据，和二阶格型陷波器相结合，设计用于剔除异常数据作用的自适应级联陷波器。设置s(t)、π(t)为代表船舶通信网络异常数据去噪前的数据序列、陷波器的输出频率。陷波器的处理方式为：

$ {a'_1}\left( {t + 1} \right) = {a'_1}\left( t \right) - \partial {Re} \left[ {\pi \left( t \right)a' \times \left( t \right)} \right]。$

(10)

式中: $ \partial $ 、 $ a' \times \left( t \right) $ 分别为 $ t $ 时刻的步长、陷波器对通信网络异常数据剔除结果； $ {a'_1}\left( t \right) $ 、 $ {a'_1}\left( {t + 1} \right) $ 分别为异常数据剔除前后的通信网络数据集合。

结合函数的相位响应特征、传输程度，设置正弦信、负噪声两者之和，作为网络输入信号，所以，船舶通信网络异常数据剔除时，式（10）不能同时去除异常数据，为此使用自适应级联陷波器，保证通信网络异常数据的剔除效果。图2为自适应级联陷波器结构。各个陷波器都属于独立个体，每级的异常数据信号只和同级陷波器存在关联，此设计可保证船舶通信网络异常数据的剔除效果。滤波器使用滤波有效剔除异常数据，由滤波器输入输出相减的方式，提取异常数据的理想高频分量信息，并把管理因子 $ \psi $ 导进船舶通信网络，此管理因子的区间是[0,0.5]，并在[0,0.5]之间输入正弦异常数据信号，将此信号和基函数匹配，匹配水平为：

$ \Omega = \frac{{{{a'}_1}\left( t \right) \cdot \int\nolimits_{ - \infty }^{ + \infty } {\eta \rm{d}t} }}{{{{a'}_1}\left( {t + 1} \right)}}。$

(11)

式中， $ d $ 、 $ \eta $ 分别为求导参数、正常通信网络数据，受异常数据干扰的频率特征。

设置2个随机的异常数据样本为 $ {a'_1} $ ，使用式（12）检索异常数据中高配比率的数据特征点对，使用自适应联级陷波器，对异常数据进行抑制，实现异常数据的全面剔除：

$ a' \times \left( t \right) = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^m {\Omega \cdot S - \frac{{{{a'}_1}}}{\partial }} }。$

(12)

式中， $ a' \times \left( t \right) $ 为剔除后船舶通信网络数据。

2 仿真实验 2.1 实验环境设置

将包含11305条船舶通信网络运行数据的测试数据集，作为本文方法的实验数据。在此数据集中，所用数据属于因网络攻击而出现的异常数据。为充分测试本文方法的使用性能，设置网络攻击的异常数据类型分别为物理攻击、语法攻击、黑客攻击，3种攻击行为下的异常数据来源不同，详情如表1所示。

2.2 船舶通信网络异常数据自动检测性能

本文方法对表1所示几种来源不同的异常数据检测效果如表2所示。可知，本文方法对表1所示几种来源不同的异常数据检测结果，与实际异常数据数目无差，说明本文方法可准确检测船舶通信网络异常数据。

2.3 异常数据剔除效果分析

异常数据检测后，本文方法对黑客攻击类异常数据的剔除效果如图3和图4所示。可知，本文方法对黑客攻击类异常数据的剔除效果可行，黑客攻击类异常数据剔除前，异常数据与正常数据混杂，若直接用于通信，会影响通信效果。本文方法对黑客攻击类异常数据的剔除后，船舶通信网络数据集合中不存在异常数据，本文方法对异常数据的剔除效果有效。

3 结　语

本文针对船舶通信网络异常数据检测问题，进行专题研究，研究新的船舶通信网络异常数据自动检测和剔除方法。此方法利用支持向量机显著的数据分类性能，在使用改进粒子群优化算法，训练优化支持向量机的基础之上，提高船舶通信网络异常数据检测性能，并在实验中证实本文方法对异常数据检测结果，与实际异常数据数目无差。另外，本文方法针对所检测异常数据，使用基于自适应级联陷波器的异常数据剔除方法，有效剔除了异常数据。