0 引　言

光通信网络在运行过程中，网络设备的各项性能指标也动态发生变换，通过监测指标的变化情况可以“感知”网络的运行情况。通信网络开始朝着设备多样化以及业务规模化的方向发展，同时语音以及图像等多媒体技术也开始加入其中。由于各种因素（如环境因素、设备老化等），网络中的断点问题时有发生，这不仅影响数据传输的效率，还可能引发更严重的通信故障。当通信网络发生断点故障时，会产生大量的告警信息，多个告警信息错综叠加，真正有利用价值的告警信息就会被淹没其中，为光通信断点检测技术带来了全新的挑战^{[1 − 2]}。因此，开发一种高效、准确的断点检测技术尤为重要。

国内相关专家也针对该方面的内容展开了大量研究。例如，金哲怡等^[3]提出通过多波长分组技术将不同波长的光分配给不同ONU组，避免用户间干扰。利用这些分组识别不同ONU组的状态。分析用户数量、传输脉冲功率和脉冲宽度等因素对系统性能的影响，检测光通信网络运行状态。但该方法对于频谱类噪声的抑制和处理能力有限，在噪声干扰严重的环境下，断点检测的精度受到影响。曾创展等^[4]利用区块链技术构建数据收集与存储架构，确保数据安全可靠。采用自编码器算法对数据进行异常检测，识别潜在故障。最后，将自编码器模型部署至区块链共识设备，形成闭环的异常检测机制，保障光通信网络的稳定运行。但该方法面对复杂的信息叠加情况，自编码器的性能受到影响，导致断点检测的准确性降低。刘永立等^[5]构建了数据传输模型，运用聚类算法提取异常数据特征，采用深度学习算法建立检测模型。通过遗传算法优化深度学习参数，提升检测效率与准确性，从而实现对光通信系统异常数据的检测。但该方法在噪声干扰下，会严重影响数据的统计特性，那么聚类算法无法准确提取出异常数据的特征，从而导致断点检测的误差增大。李东昆等^[6]采用改进K-means算法挖掘异常数据，利用t-近邻距离优化避免局部最优，通过自适应中值滤波去噪，再基于动态时间规整与小波变换构建检测模型。但该方法对数据模式的变化不够敏感，无法及时提取异常信息，从而使断点检测存在误差。

为进一步提升检测效果，提出基于免疫识别技术的舰船光通信网络断点检测技术。

1 舰船光通信网络断点检测方法 1.1 光通信网络信号去噪处理

信号预处理阶段的主要任务是对光通信网络信号进行去噪处理，以提高后续断点检测的准确性。利用小波变换对光通信网络信号进行去噪处理，将信号分配至对应的小波系数上，以减小噪声对断点检测的影响。选择适当的小波基函数和分解层数，对光通信网络信号进行小波变换，将信号分解到不同的小波系数上^[7]。小波变换能够有效地将信号中的高频噪声和低频有用信息分离，为后续去噪处理提供基础。根据小波系数的统计特性，设定合适的阈值，对小波系数进行阈值处理，以去除噪声成分。阈值去噪的关键在于选择合适的阈值和阈值函数，以在保证信号质量的同时最大限度地去除噪声。对去噪后的小波系数进行逆小波变换，重构出去噪后的光通信网络信号^{[8 − 9]}。重构后的信号将用于后续的免疫识别算法处理。

对光通信网络信号进行离散小波变换的离散化处理，有助于去除非平稳信号中频谱类噪声干扰，将信号分解为不同尺度和位置的小波系数，这些系数反映了信号在不同频率和时间窗内的特性。光通信网络信号h(t)的离散小波变换形式，如下式：

$ X\left( {{t_f}} \right)\left( {i,j} \right) = \int\limits_{i = 1} {h\left( t \right){B_{\left( {m,n} \right)}}\left( t \right)\mathrm{dt}}。$

(1)

式中：X(t_f)(i,j)为光通信网络信号在尺度i和时间位移j下的小波变换系数；t_f为变换类型；h(t)为原始的光通信网络信号；B_(m,n)(t)为光通信网络信号的基小波；m，n为滤波器的索引；t为时间变量。对小波系数进行阈值处理，将小于这些阈值的小波系数置为0，以去除噪声成分。此时，B_(m,n)(t)的计算过程如下式：

$ {B_{\left( {m,n} \right)}}\left( t \right) = {2^{ - \frac{m}{2}}}\left( {B - t - jT} \right)。$

(2)

式中：B为滤波数量；T为采样周期。

利用处理后的小波系数和相应的基小波函数进行逆变换，需要满足设定的小波逆变换约束条件e(t)，使重构后的信号e(t)尽可能地接近原始信号h(t)^[10]。则信号重构过程如下式：

$ e\left( t \right) = \left\{ \begin{gathered} \frac{1}{B}\sum\limits_{m,n} {{2^{ - \frac{m}{2}}}\left( {B - t - n} \right)} ，\\ \sum\limits_{} {{B_{\left( {m,n} \right)}}\left( t \right)} 。\\ \end{gathered} \right. $

(3)

通过上述操作实施光通信网络信号重构，保留了原始信号中的重要信息，并去除了大部分噪声。

1.2 基于免疫识别和决策树的光通信网络断点检测

将光通信网络信号去噪后，得到含有断点特征的光通信时域信号。免疫识别算法是一种基于生物免疫系统的智能算法，具有强大的信息挖掘和模式识别能力。为提取其中的断点信息，利用免疫算法提取特征对应的特征值，形成初始自体抗原数据，同时系统进一步分析自体抗原，寻找最优解^[11]，得到信号中的正常运行数据和异常运行数据，利用决策树的强大分类性能，对输入通信网络数据进行分析，判定网络异常，实现光通信网络的断点检测。

在光通信网络的断点检测中，抗原即为去噪后的信号，免疫识别算法根据去噪后的光通信网络信号生成一组初始抗体，这些抗体即为候选解^[12]。通过计算每个抗体与抗原之间的亲和度，算法可以评估每个抗体的有效性，并据此进行后续的克隆选择和交叉变异操作。不同抗体的亲和力B(h)计算式为：

$ B\left( h \right) = \frac{1}{{1 + {t_{\left( i \right)}}}} 。$

(4)

式中：t(i)为第i个抗体对应的采样周期。

克隆选择是模拟了生物免疫系统中的克隆扩增现象。根据亲和度的大小，免疫识别算法选择部分高亲和度的抗体进行克隆^[13]，以增加其在后续迭代中的比例，从而快速收敛到最优解，同时保持一定的多样性，以避免陷入局部最优。其中，为了获取抗原和抗体两者之间的理想的组合，需要获取最优解，进而计算抗原和抗体之间的结合强度k_(i)，如下式：

$ {k_{\left( i \right)}} = \sqrt {\sum\limits_m^{i = 1} {\left( {{N_{\left( i \right)}} + {N_{\left( j \right)}}} \right)} }。$

(5)

式中：N_(i)和N_(j)分别为第i个和第j个个体对应的DNA分子。

交叉和变异操作中，通过引入新的抗体来增加抗体的多样性，从而帮助算法跳出局部最优解，寻找全局最优解。在交叉操作中，算法将2个或多个抗体的部分基因进行交换，以生成新的抗体^[14]。而在变异操作中，算法则随机改变抗体的某些基因，以产生具有新特性的抗体，使得算法能够在更广泛的搜索空间中进行探索。交叉和变异操作过程中，通过计算确定亲和力最差的自体抗体数据，将这些自体抗体在集合中删除，以便于迭代中逐步减少不符合条件的计算目标，避免陷入局部最优。删除的总数$ q $的计算式为：

$ q = \frac{{\displaystyle\sum\limits_n^{j = 1} {{\rm sgn} \left( {B\left( h \right)} \right)} }}{{m \times n}}。$

(6)

在最后的迭代更新阶段，算法重复执行克隆选择、交叉变异等步骤，直到达到预设的迭代次数。通过不断的迭代更新，算法逐渐收敛到一组最优抗体，即最优解。这些最优解包括光通信网络信号中的正常运行数据和异常运行数据。

决策树方法是一种递归地划分数据空间的分类算法，通过节点和有向边组建的树型结构，树中不同节点分别代表任意一个对象属性，而每一个分支则代表对应的属性值，能够直观地展示数据之间的关联关系。利用决策树根据最优抗体（即最优解）划分数据空间，判断光通信网络是否存在异常^[15]，并输出断点检测结果。具体过程如下：

1）数据准备。将最优抗体（即最优解）作为训练数据，包括通信正常和断点情况下的正常运行数据和异常运行数据。

2）特征选择。从训练数据中提取特征，作为决策树的输入。特征的选择应能够反映光通信网络的状态变化，如信号强度、频率、相位等。

3）构建决策树。采用递归的方式构建决策树。首先，选择最优特征作为根节点；然后，根据特征值的不同，将数据划分为不同的子集；接着，对每个子集重复上述过程，直到满足停止条件（如子集的大小小于预设阈值或子集纯度达到预设要求）^{[16 − 17]}。

4）剪枝处理。对构建好的决策树进行剪枝处理，以去除冗余的节点和分支，提高决策树的泛化能力。剪枝处理可以采用预剪枝或后剪枝的方式。

5）断点检测。将待检测的光通信网络信号输入到决策树中，根据决策树的分类结果判断光通信网络是否存在异常。如果分类结果为异常，则输出断点检测结果；否则，继续监测。

2 实　验

实验采用法国OXXIUS公司的488 nm激光器作为光通信网络信号发射源，最大功率为50 MW，配有250 V视频信号放大。接收端采用R1527光电倍增管，配合1500 V高压电源，由LeCroy信号发生器，Hantek示波器实现信号输出。测试信号选择标准正弦信号与占空比为50%的方波信号，信号频率正弦最高频率10 MHz，方波最高频率2 MHz，系统带宽为8 MHz。构建的舰船光通信网络架构如图1所示。

在实验中，免疫算法种群大小为50，最大迭代次数为200，变异率为0.05，交叉率为0.8，选择压力为2.0，亲和度阈值为0.7，记忆库大小为10，克隆倍数为5，抗体浓度阈值为0.3，精英保留比例为0.1。决策树算法最小样本分裂数为20，最大树深度为10，最小叶子节点样本数为5，最大特征数为总特征数的平方根，基尼不纯度作为分裂标准，剪枝策略为预剪枝，剪枝强度为0.5，决策树数量为10。

传输音频信号在1 MHz以内。发射的音频信号如图2所示。

经过本文方法进行去噪处理后，得到的信号如图3所示。

对比图2和图3可知，本文方法可以有效地去除信号中的噪声，有效提取出包含主要信息的信号部分。进一步对信号进行分析，经过所提基于免疫识别的舰船光通信网络断点检测方法对断点异常运行数据的提取，得到断点异常运行数据如图4所示。

可知，断点异常运行数据呈现出明显的波动和突变特征，与正常通信数据形成了鲜明对比。这些异常数据不仅揭示了网络中的断点位置，还提供了断点发生前后的通信状态变化信息。通过对这些数据的深入分析，可以更准确地定位断点故障点。

选取精确率、召回率、误报率以及F₁分数作为测试指标，以文献[3]方法和文献[4]方法作为对比方法，验证不同方法下对舰船光通信网络的断点检测的效果，结果如图5所示。

可知，在3种方法中，本文方法的精确率、召回率以及F₁分数值均高于另外2种方法，平均为93.7%、95.2%和0.94，而且误报率明显更低一些，平均为0.1%，说明本文方法可以获取准确度更高的检测结果。

通过检测时间来计算不同方法的检测效率，详细的实验测试结果如表1所示。

分析表1，本文方法在检测时间上表现最优，平均检测时间为26.33 ms，相较于文献[3]方法的29.13 ms和文献[4]方法的31.87 ms，分别减少了约9.6%和17.5%。从各个测试对象编号的检测时间来看，本文方法均能在较短时间内完成检测任务，且波动范围较小，表明其具有良好的稳定性和可靠性。文献[3]方法和文献[4]方法虽然也能完成检测，但所需时间相对较长。综合来看，本文方法在检测效率上具有明显优势，更适用于对检测时间有较高要求的场景。

3 结　语

在光通信网络中，断裂面的存在会导致反射回的光信号携带断点特征，为有效检测断点，本文提出基于免疫识别的舰船光通信网络断点检测方法。该方法模拟生物免疫系统的识别机制，对反射回的光信号进行智能分析和识别，能够准确捕捉断点特征。实验测试结果表明，相较于传统检测方法，本文方法不仅显著提升了断点检测的准确性，还大幅缩短了检测时间，提高了检测效率。这一研究成果对于保障舰船光通信网络的稳定运行具有重要意义，有助于及时发现并修复网络中的断点故障，确保信息的畅通无阻。