0 引　言

在海洋环境中，舰船通信面临着诸多复杂且严峻的挑战，其中海洋信道受湍流效应干扰是影响通信质量的关键因素之一。海洋湍流效应会导致信道特性发生快速且不规则的变化，使得在舰船跳频/扩频体制下通信数据呈现出非平稳随机特性^[1]。在通信系统中，信道均衡度是衡量信道传输质量的重要指标，反映了信号在传输过程中受到的失真程度。然而，由于通信数据呈现非平稳随机特性，信道状态时刻处于动态变化之中，传统的特征提取方法难以在非平稳状态下有效提取数据的时序信道均衡度特征，导致信号在传输过程中出现严重的失真和误码，进而降低数据传输的稳定性^[2]。鉴于上述问题，开展舰船通信大数据异常探测研究具有重要的现实意义。

李费旭等^[3]将改进长短期记忆（Long Short-Term Memory，LSTM）算法应用于船体监测数据异常处理中。该研究利用门控机制捕捉船体监测数据的动态变化模式和长期依赖关系，能够精准识别数据中的异常。通过在线学习数据分布变化，满足具有动态特性的船体监测数据的异常监测需求。但是将该方法应用于资源受限的小型船舶系统时，需要额外部署边缘计算设备。且在船舶运行初期，容易由于数据不足影响异常检测性能。彭耀武等^[4]结合BO-GRU和AKDE识别船舶异常行为。该研究通过贝叶斯算法优化GRU网络参数，充分捕捉船舶运动规律，可在不同置信度下的轨迹特征波动区间内及时发现异常行为。该研究将船舶航向、速度、位置等多维度特征结合，能够更全面地识别船舶异常行为。但是该方法依据船舶运动数据进行异常分析，未考虑海洋环境因素对船舶行为的影响。在复杂海洋环境中，船舶容易由于环境因素偏离正常模式，影响异常检测性能。张俊峰等^[5]充分考虑了异常数据及船舶行为，研究在线AIS轨迹压缩算法。在船舶航行过程中，该算法能够实时处理AIS数据流，逐点分析轨迹数据，及时发现异常行为，满足海洋环境的动态变化需求。但在轨迹变化过于频繁或数据噪声过大的极端情况下，该算法容易丢失与异常行为相关的特征。且AIS数据容易因信号遮挡而稀疏，影响异常检测效果。张浩晢等^[6]将增强Bi-LSTM算法应用于船舶运动模型辨识中。该算法利用正向和反向2个LSTM层，同时处理船舶运动数据的前向和后向时间依赖关系。该方法能够捕捉船舶运动受风、浪、流等多因素影响的规律，提高辨识准确性，避免因截断数据导致的辨识误差。但是船舶运动模型辨识需要大量标注数据，对于完全未知的工况，其辨识能力受限。

舰船通信过程受复杂环境影响展现出非线性特性，长短期记忆网络能够精准捕捉舰船通信数据的时序特征，从而实现精准的舰船通信大数据异常检测^[7]，因此提出一种基于LSTM的舰船通信大数据异常探测方法，能够有效识别舰船通信大数据异常情况，有助于实现舰船安全的实时监控。

1 舰船通信大数据异常探测方法设计 1.1 大数据平台舰船-岸端数据传输信道系数计算

舰船通信大数据平台主要基于互联网，依据分布式存储、云计算等技术实现舰船数据的共享与融合，进一步进行舰船数据的存储和分析过程，为舰船运营过程的管理和分析提供良好的数据支持。实际的舰船通信大数据平台架构如图1所示。

可知，舰船端负责对舰船运行相关数据进行采集和收集，通过岸端通信层将获取的舰船相关数据传输出去，在舰船数据层、运维层和应用层，分别实现舰船运行相关数据的云存储、云计算处理、舰船通信网络状态评估、远程监控等功能，最终通过PC端等终端设备对舰船相关数据进行分析和管理，并将结果显示出来。

在上述舰船通信大数据平台架构中，由于舰船运行环境可能包括雷电、暴雨等恶劣天气情况，导致舰船数据传输过程中存在大量干扰，影响舰船通信大数据平台运行的稳定性，甚至导致舰船数据传输中断，故实现舰船通信大数据异常检测具有重要意义。

针对舰船通信大数据平台架构，对舰船端与岸端之间舰船运行相关数据传输的舰船通信大数据信道模型进行构建。设$ {Z_{sh,t}} $、$ {Z_{co,t}} $分别为$ t $时刻舰船端数据发送节点坐标、$ t $时刻岸端数据接收节点坐标；$ {h_{sh - co,t}} $为$ t $时刻舰船端与岸端的水平高度差，则舰船运行相关数据传输的距离$ {d_t} $表示为：

$ {d_t} = {\left( {{{\left\| {{Z_{co,t}} - {Z_{sh,t}}} \right\|}^2} + {h_{sh - co,t}}^2} \right)^{\frac{1}{2}}}。$

(1)

对舰船通信大数据平台信息吞吐量$ {G_{\max }} $进行计算，表示为：

$ {G_{\max }} = \lambda {\log _2}\left( {1 + {P_s}/{P_n}} \right)。$

(2)

式中：$ \lambda $为舰船通信大数据平台信道带宽；$ {P_s} $为平均舰船数据信号功率；$ {P_n} $为平均噪声功率；$ {P_s}/{P_n} $为舰船通信大数据平台舰船数据传输信噪比。

设舰船通信大数据平台时序变化的信道符合自由空间路径损耗，对舰船通信大数据平台舰船端与岸端进行数据传输的信道系数$ {\mu _t} $进行计算，表示为：

$ {\mu _t} = {G_{\max }}{\eta _0}/\left( {{d_t}^2 + {h_{sh - co,t}}^2} \right)。$

(3)

式中：$ {\eta _0} $为舰船通信大数据平台中舰船端与岸端参考距离下的参考信道功率值。

1.2 时序信道均衡度提取下大数据异常LSTM检测

设舰船端传输舰船数据的最大传输功率为$ {P_{sh}}^{\left( {\max } \right)} $，对舰船通信大数据平台参考接收舰船数据的信噪比$ {\chi _0} $进行计算，表示为：

$ {\chi _0} = {\mu _t}{P_{sh}}^{\left( {\max } \right)}{\eta _0}/{\sigma ^2}。$

(4)

式中：$ {\sigma ^2} $为自由空间路径损耗模型的方差值。

$ t $时刻舰船通信大数据平台舰船端与岸端传输舰船数据量$ {B_t} $表示为：

$ {B_t} = \lambda {\log _2}\left[ {1 + {\chi _0}/\left( {{d_t}^2 + {h_{sh - co,t}}^2} \right)} \right]。$

(5)

在舰船通信大数据平台舰船数据通信过程中，信道均衡参数变化能够有效反映出反映通信信道的稳定性，因此选取信道均衡参数作为舰船通信大数据异常检测的特征。依据得到的$ t $时刻舰船端与岸端传输舰船数据量，对$ t $时刻舰船通信大数据平台通信信道的均衡度$ {k_t} $进行计算，表示为：

$ {k_t} = {B_t} + {f_t}\partial U/\partial V。$

(6)

式中：$ {f_t} $为$ t $时刻舰船通信大数据平台通信频率，$ \partial U $、$ \partial V $均为舰船通信大数据平台舰船通信参数。

实际的舰船通信环境受电磁干扰、设备噪声等因素干扰，环境复杂且具有非线性，长短期记忆（LSTM）神经网络能够有效适应复杂舰船通信环境，实现有效的舰船通信大数据异常检测^[8]。

构建LSTM网络模型，将获取的时序舰船通信大数据平台通信信道的均衡度作为模型输入，分别依据LSTM网络模型的输入、遗忘、输出门进行处理，最终实现舰船通信大数据异常检测。LSTM网络模型实现舰船通信大数据异常检测结构如图2所示。

可知，舰船通信大数据异常检测LSTM网络模型中，$ {k_t} $表示输入的$ t $时刻舰船通信大数据平台通信信道的均衡度，$ {h_{t - 1}} $、$ {h_t} $分别表示$ t - 1 $时刻、$ t $时刻LSTM网络神经元输出，$ {C_{t - 1}} $、$ {C_t} $分别表示$ t - 1 $时刻、$ t $时刻LSTM网络记忆单元备选信息，$ \mathrm{sigmoid} $、$ \mathrm{tanh} $分别表示sigmoid激活函数、tanh激活函数，$ {Y_F}\left( t \right) $、$ {Y_I}\left( t \right) $、$ {Y_O}\left( t \right) $、$ {C'_t} $分别表示LSTM网络$ t $时刻遗忘门、输入门、输出门输出信息、$ t $时刻备选更新信息。

针对舰船通信大数据异常检测LSTM网络模型结构，对LSTM网络模型实现舰船通信大数据异常检测的流程进行详细分析，LSTM网络模型各个部分的具体内容为：

1）将$ t $时刻舰船通信大数据平台通信信道的均衡度$ {k_t} $输入至LSTM网络输入门，进行有效数据筛选、构建候选信息，两步骤分别依据sigmoid激活函数、tanh激活函数表示为：

$ Y_I\left(t\right)=\mathrm{sigmoid}\left(\omega_I\left[h_{t-1},k_t\right]+\delta_I\right)，$

(7)

$ C'_t=\mathrm{tanh}\left(\omega_C\left[h_{t-1},k_t\right]+\delta_C\right)。$

(8)

式中：$ {Y_I}\left( t \right) $、$ {C'_t} $分别为$ t $时刻输入门的输出、$ t $时刻备选更新信息；$ {\omega _I} $、$ {\omega _C} $分别为LSTM网络输入门、记忆单元权值向量；$ {\delta _I} $、$ {\delta _W} $分别为LSTM网络输入门、记忆单元偏置向量；$ {h_{t - 1}} $为$ t - 1 $时刻神经元的输出值。

2）依据LSTM网络遗忘门对前一时刻神经元的输出信息保留或舍弃，依据信息保留或舍弃结果对现时刻状态进行更新，表示为：

$ Y_F\left(t\right)=\mathrm{sigmoid}\left(\omega_F\left[C'_t,Y_I\left(t\right),h_{t-1},k_t\right]+\delta_F\right)。$

(9)

式中：$ {\omega _F} $、$ {\delta _F} $分别为LSTM网络遗忘门的权值向量、偏置向量。

3）将舰船通信大数据平台通信信道的均衡度输入LSTM网络模型中，依据输入门、遗忘门处理，最终输入到输出门进行处理后，输出结果表示为：

$ Y_O\left(t\right)=\mathrm{sigmoid}\left(\omega_O\left[Y_F\left(t\right),h_{t-1},k_t\right]+\delta_O\right)。$

(10)

式中：$ {\omega _O} $、$ {\delta _O} $分别为LSTM网络输出门的权值向量、偏置向量。

依据舰船通信大数据异常检测LSTM网络模型输入、遗忘、输出门的处理，更新输入的舰船通信大数据平台通信信道的均衡度记忆单元状态，表示为：

$ {C_t} = {C_{t - 1}}{Y_F}\left( t \right) + {Y_I}\left( t \right){C{'}_t} 。$

(11)

式中：$ {C_{t - 1}} $为$ t - 1 $时刻的舰船通信大数据平台通信信道的均衡度记忆单元状态。

依据tanh激活函数将记忆单元状态进行归一处理后，与LSTM网络输出门输出的结果$ {Y_O}\left( t \right) $相乘，得到最终的输出，表示为：

$ h_t=Y_O\left(t\right)\mathrm{tanh}C_T 。$

(12)

依据上述过程，最终输出LSTM网络得到的舰船通信大数据异常探测结果。

上述方法的整体流程步骤如图3所示。

2 实验分析

为验证舰船通信大数据异常检测的有效性，以鲁辽航线船舶为例进行研究，该航线5G网络覆盖范围已超过2×10⁴ km²，能够确保舰船通信大数据平台舰船端与岸端之间通信稳定性。

舰船相关规模参数情况如表1所示。

基于试验航线的5G网络覆盖，构建舰船通信大数据平台，通过本文方法实现舰船通信大数据异常检测，最终通过舰船通信大数据平台的数据中心可视化页面显示结果，如图4所示。

可知，通过本文方法能够实现舰船通信大数据异常检测，且最终结果可通过舰船通信大数据平台可视化页面显示。通过本文方法能够有效检测出舰船通信大数据异常状态，有助于提升舰船通信大数据传输的稳定性，从而有效反映出舰船运行的实际状态。

通过本文方法进行舰船通信大数据异常检测，依据实时采集的舰船通信大数据平台通信信道的均衡度，通过本文方法能够有效捕捉其中的微小变化情况，从而实现精准的舰船通信大数据异常检测，得到的结果如图5所示。

可知，通过本文方法能够有效提取图5(a)所示初始舰船通信大数据平台通信信道均衡度中的微小特征，从而实现精准的舰船通信大数据异常检测，有助于提升舰船通信大数据平台运行稳定性，确保舰船数据的可靠传输。

采用本文方法进行舰船通信大数据异常检测并对异常情况进行舰船通信大数据平台运维，对依据本文方法进行舰船通信大数据异常检测后的舰船大数据通信带宽、时延、吞吐量、丢包率情况进行统计，评估数据传输稳定性。将本文方法与中引言文献[4]提及的BO−GRU和AKDE方法、文献[5]提及的AIS轨迹压缩方法以及文献[6]提及的Bi-LSTM方法得到的结果进行对比，如表2所示。

可知，对比BO−GRU和AKDE方法、AIS轨迹压缩方法以及Bi−LSTM方法实现的舰船通信大数据异常检测，本文方法具有显著优势。依据本文方法检测的舰船通信大数据异常结果进行运维后，舰船大数据通信带宽、吞吐量显著提升，传输时延、丢包率有效降低情况，舰船数据传输稳定性提升至98.5%以上，有效证明了本文方法实现的舰船通信大数据异常检测能够确保舰船数据传输稳定。

3 结　语

通信数据异常探测在舰船管理中具有重要意义。本文提出的基于LSTM的舰船通信大数据异常检测方法，通过构建舰船−岸端数据传输信道模型，提取时序信道均衡度作为关键特征，并利用LSTM的门控机制处理时序依赖关系，实现了对舰船通信大数据异常的精准检测。实验结果表明，本文方法在鲁辽航线舰船通信大数据平台中表现优异，具体结论如下：

1）检测性能优势。与BO−GRU和AKDE方法、AIS轨迹压缩方法以及Bi−LSTM方法相比，本文方法在带宽（710.21 Mbit/s）、时延（9.61 ms）、吞吐量（4.65 Mb/s）、丢包率（1.5%）等关键指标上均显著优于对比方法，数据传输稳定性提升至98.74%，验证了LSTM在复杂海洋通信环境中的适应性。

2）特征提取能力。通过LSTM模型对时序信道均衡度特征的深度挖掘，能够敏锐捕捉通信数据中的微小异常波动，有效解决了传统方法在非平稳随机特性下特征提取不足的问题。

3）实际应用效果。基于异常检测结果进行运维优化后，舰船通信带宽和吞吐量显著提升，时延和丢包率大幅降低，为舰船通信系统的稳定运行提供了可靠保障。