移动通信网络异常信号优化识别探讨
来源:用户上传
作者:
摘要：信息时代推动了网络技术发展步伐，在移动通讯网络中的应用越发自如。但影响移动网络安全运行的因素较多，还需加强对通信网络异常信号精准识别，通过分析网络信号样本信息，了解异常信号数据特征，确保用户信息安全，但传统网络信号识别方式弊端较多，无法有效识别异常信号，而其中DFI技术的应用则实现了异常信号优化识别，为移动通讯网络的稳定运行提供了基础保障。
关键词：优化识别;异常信号;移动通信网络
中图分类号：TP393 文献标识码：A
文章编号：1009-3044（2019）20-0036-02
开放科学（资源服务）标识码（OSID）：
基于现代信息技术的移动通信网络发展迅猛，研发了大量应用软件，为人们生产生活提供了巨大便利。但木马病毒传播与服务攻击等问题层出不穷，严重威胁用户信息安全。对此，准确识别网络异常信号、确保网络安全性与稳定运行显得尤为关键。本文主要对移动通信网络异常信号优化识别展开阐述，对异常信号识别原理与优化识别方法展开分析，希望对我国移动通信网络的现代化发展起到积极促进作用。
1 网络异常信号识别原理分析
识别异常信号时，提取网络异常信号数据特征，通过异常信号数据分类，设立异常信号识别模型，完成异常信号识别。在正常情况下，信号数据汇总周期最大数量值（M），可用网络信号数据长度（q+1）与2的比值获得，即M=（q+1）/2。利用各汇总周期中的信号数据离均差平方、组间离均差平方值，求出網络异常信号识别周期方差。在其基础上，设立信号识别模型，匹配各个待检测信号，将匹配后相同的信号，列入正常信号范畴内，不同的信号列入异常信号范围内，以此完成对异常信号的识别。从传统异常信号识别方法入手分析，由于受多种因素影响，导致无法准确提取异常信号数据特征。对此，漏判或误判等情况经常出现，严重降低了识别精准度。而DFI（深度/动态流检测算法）的应用，可进一步优化网络异常信号识别方法，对移动通信网络的健康发展起到了较大推动作用[1-2]。
2 基于DFI优化识别网络异常信号的方法分析
DFI是依据流量识别网络信号的技术，应用类型不同，数据流上状态以及会话连接状态也会存在差异。这种算法凭借自身独特优势，被广泛应用于各个领域，结合SVW算法识别网络异常信号效果更佳，准确度也随之增强。将该技术获取的异常信号离线训练数据传输至支持向量机内，构建最优分类面向基于SVW算法的识别控制模型，完成对异常数据的优化识别。
（1）网络信号分类
通过SVW分类器与支持向量机将数据包分成非移动通信网络流、移动通信网络流两类。在向量机二值分类的同时，完成多值分类操作，对网络信号按照不同类型进行归一处理。通过SVW的非线性转化操作，实现高维空间、输入空间的有效转换，并在高维空间内，完成信号最优分类面的求解。首先对多个维数信号样本数据进行标记，在超平面为零的情况下，完成两类样本的有效识别，以此了解域归类间隔最大的优化问题表征。当获得域的分类函数小于假设阈值时，归类为移动网络信号，反之则为非移动网络信号，以此完成信号数据的有效分类。
（2）提取信号特征
从SVM信号识别控制模型入手分析，通过该模型能够实现不明确网络信号数据、数字向量模式的有效转换。利用向量机分类器对数字向量模式分类，并向信号识别控制模块传递分类成果，最终实现信号控制处理。异常信号特征的提取过程如下：首先，识别目的与全部源，如果固定连接IP数、固定连接端口数目保持相同一致，将其归为正常网络信号一类，反之归为网络异常信号一类。其次，了解两类数据流源的不同，并通过三维特征向量提取算法，完成对异常网络信号的提取。
（3）识别通信网络异常信号
训练提取的异常信号特征向量。训练预处理特征向量，合理调控SVM技术参数，参照Vapnink含义，获取与其相符合的信号最优分类面。将SVM识别的网络信号分类面，定义为实际决策函数。并利用此函数预处理分析待预测的异常信号特征。如果此向量在已识别的网络记录表内标记，直接向信号控制模块传递，并列入正常网络信号范畴，反之列为异常网络信号范畴，以此实现对网络信号的识别[3]。
3 实验成果分析
将60万条网络数据记录，标记成3组识别控制数据，通过传统算法、本文算法完成异常信号识别实验，比较不同试验次数下的识别漏报率与精确度等结果。识别精准率是指准确分类样本数的比重，误报率是指误分成移动正常样本数目，占据全部非移动数样本数目的比重。漏报率是指正常网络样本数目，错分为非移动样本数目，占据非移动样本数的比重。
实验结果如下，从识别精准度入手分析，传统方法下，10次实验的识别精准度为83%，20次实验的识别精准度为81%，30次精准度为86%，40次精准度为82%，50次精准度为84%。本文方法下，10次实验的识别精准度为97%，20次实验的识别精准度为94%，30次精准度为93%，40次精准度为95%，50次精准度为94%。
从误报率入手分析，传统方法下，10次实验的识别误报率为0.09%，20次实验的识别误报率为0.11%，30次误报率为0.14%，40次误报率为0.02%，50次误报率为0.14%。本文方法下，10次实验的识别误报率为0.02%，20次实验的识别误报率为0.04%，30次误报率为0.05%，40次误报率为0.05%，50次误报率为0.06%。
从漏报率入手分析，传统方法下，10次实验的识别漏报率为0.09%，20次实验的识别漏报率为0.11%，30次漏报率为0.15%，40次漏报率为0.24%，50次漏报率为0.36%。本文方法下，10次实验的识别漏报率为0.02%，20次实验的识别漏报率为0.01%，30次漏报率为0.05%，40次漏报率为0.07%，50次漏报率为0.08%。 实验结果研究显示，本文算法的识别有效率，明显优于传统算法，切实发挥了DFI技术、SVW算法整合的优势，异常信号识别分类问题得以高效解决，以此准确获得信号数据包特性。
本文算法的整体优越性明显优于传统算法，更适用于网络异常信号的控制，试验次数不同，两种算法的识别结果也存在差异。从异常信号控制精确度入手分析，实验次数在22次至28次之间，传统方法识别控制精确度有明显高于本文算法，同时在第10次识别实验中，两种方法的识别控制度相同，但其他试验次数下的识别控制精确度，本文方法要明显高于传统方法，整体优越性明显突出。从控制误检率入手分析，传统方法在5-16次、22-31次、40-44次实验中的控制误检率低于本文方法，但在其他实验次数中，本文方法的控制误检率低于传统方法，整体性能优于传统方法，具有较高的应用价值。表示本文算法在识别控制中，利用支持向量机分类器，借助分类函数式，可有效展开对数字向量模式的分类，以此实现对网络信号的高效控制处理。
实验中可通過网络信号的全局、局部准确率角度，比对各算法在网络信号识别中的应用价值。局部准确率是指利用识别器，对任意某类目标信号流量的识别准确度，即定义为识别器对该种目标信号流量的识别准确度。假设第i种目标信号流量样本数目为Ni，分类器正确识别样本用Mi表示，局部准确率Pi公式如下：Pi=Mi/Ni。全局准确率是指正确识别目标信号流量样本数，在全部网络样本总数中的占比，P=[i=11Mi] /[i=11Ni]。做传统算法、改进算法的目标信号实时识别实验，发现在5-100次的迭代次数中，改进算法的全局准确率平均在85%左右，而传统算法全局准确率平均在18%左右。同时在5-100次的迭代次数中，改进算法的局部准确率平均在93%左右，而传统算法局部准确率平均在16%左右。可见基于机器学习的移动通信目标信号实时识别的改进算法，其信号实时识别精确度，要明显优于传统算法，目标信号识别有效性显著提升，对移动通信网络的发展起到了积极推动作用。
4 结束语
综上所述，本文在分析移动通信网络信号识别原理的同时，对SVW算法与DFI技术整合后的支持向量机技术，应用到了网络异常信号的识别控制中，并设立了网络信号识别模型，弥补了传统算法在识别异常信号的不同。通过对本文算法与传统算法的识别准确度分析，发现本文算法更适用于异常信号识别控制，提高识别精确度的同时，推动了通信网络技术的现代化发展。对此，值得我们近一步深入研究。
参考文献：
[1] 李恒， 孙慧芬， 赵正平， 等. 4G网络中负载均衡问题的优化案例分析和解决方案——移动通信课程改革校企合作案例[J]. 宜春学院学报， 2017（3）.
[2] 阮志扬.计算机网络通讯存在的问题及如何改进[J].计算机光盘软件与应用，2012（8）：66-67.
[3] 李尚坤， 李燕龙， 王俊义， 等. 基于时域有限差分和非参数核回归的室内移动通信干扰信号预测模型研究[J]. 计算机应用研究， 2017（4）.
[4] 穆荣宁.计算机网络通信安全与维护刍议[J].信息与电脑（理论版），2012（7）.
[5] 刘昱显， 来智勇， 石复习， 等. 基于桁架的多网络远程控制相机精准移动方法[J]. 现代电子技术， 2018，41（12）：14-17+21.
[6] 黄婷婷.网络通信安全分析及其安全防护措施[J].科技传播，2012（15）.
[7] 王熙.中国移动推新融合通信运营商去管道化再创新[J].通信世界，2018（18）：35.
[8] 曾屹.探究网络中多终端融合通信业务的实现[J].信息通信，2018（05）：230-231.
【通联编辑：代影】
转载注明来源:https://www.xzbu.com/8/view-15004409.htm
