基于機器學習的5G通信目標信號識別方法

王天順，付麗方

（鄭州升達經(jīng)貿(mào)管理學院 信息工程學院，河南 鄭州 451191）

0 引 言

5G通信目標信號識別通常采用理論決策和模式識別兩種方法。一般情況下，基于假設檢驗的理論決策方法根據(jù)信號的統(tǒng)計特性和代價函數(shù)最小的原則來計算測試量（主要特征），閾值的設置是理論決策方法的核心[1]。在這兩種方法中，理論決策方法具有較強魯棒性，但并不實用，而模式識別方法雖然識別范圍廣，但受到噪聲影響較大[2-4]。針對這一問題，提出了一種基于機器學習的5G通信目標信號識別方法研究，解決了在復雜電磁環(huán)境下的通信目標信號識別問題，提高了信號識別精度。

1 基于機器學習信號識別原理

因為5G通信不能描述攻擊持久性，所以不能反映攻擊場景的特點，由此擴展了網(wǎng)絡攻擊信息層次。該層次需要分層分析攻擊場景，并基于場景因素擴展攻擊層次，主要擴展為目標層、因素層以及原子層3個部分[5]。采集5G通信攻擊信息，并消除其中的冗余信息，將有價值的信息存儲與知識庫中，通過誘導處理解決通信網(wǎng)絡信息受攻擊問題，由此實現(xiàn)通信攻擊信息識別。

2 5G通信目標信號分析與特征提取

2.1 5G通信目標信號分析

分析5G通信中的所有信號時可以將信號分解成若干特征尺度的函數(shù)，但需要滿足下列條件，一是極值與過零點數(shù)目相同或差最多不能超過1，二是數(shù)據(jù)極端值的平均值在任何一點上都為0?；诖?，給出了如下的信號模態(tài)分解方法，首先擬合信號各極值點，分析上下包絡線，求得擬合信號與包絡線的均值，其次通過重復以上步驟，將得到的差分作為新的擬合信號，直至其滿足特征模態(tài)函數(shù)的條件，即第一次分解的PF分量與差分一致，也就是特征尺度的最小分量，最后將原信號的PF分量分類，得到擬合后的信號。不斷重復上述步驟能夠得到特征尺度不同的PF分量，直至出現(xiàn)符合要求的單調(diào)信號。但使用以上方法分解多個諧波分量時，干擾將引起相位跳躍，而且由于噪聲影響將引入異常信號，這時形成的高頻信號使模態(tài)分解過程發(fā)生混疊，因此需要提取干擾信號的特征。

2.2 特征提取與預處理

在5G通信網(wǎng)絡中引入異常信號后，正常信號與異常信號混疊。對不受噪聲影響的正常信號進行傅里葉變換處理，由于提取干擾信號特征時所獲得的信號具有多樣性，無法用相同的信號檢測，因此使用傅里葉技術處理信號時應重新選擇新的信號，為識別具有抗干擾能力的信號提供準確數(shù)據(jù)。受到的噪聲干擾信號為：

式中，s表示受到噪聲干擾信號譜寬；φ表示受到噪聲干擾信號提取所需參數(shù)；λ(x)表示提取頻率；x0表示信號提取時延參數(shù)。按式（1）選取最佳視窗標準在時域和頻域信號變換參數(shù)達到最大值時可獲得最佳信號窗。

3 信號識別

通過對5G通信目標信號的分析與特征提取，結合機器學習方法跟蹤與識別5G通信目標信號，為模擬人類識別過程提供技術支持。獲取新的信號特征后，確定該信號的優(yōu)先傳輸路徑，觀察不同通信信號之間的相似性，其相似度為：

式中，fi(a)為通信信號相似性分析模型；ω為信號權重；n為通信接收信號數(shù)量；i表示信號分量，由此式可求得通信信號的相似程度。通過相似性分析可以精準確定5G通信信號的傳輸路徑，即發(fā)送路徑、傳輸路徑以及接收路徑，使用通信信號相似度分析模型函數(shù)fi(a)，由此識別這3條路徑中的通信目標信號。

基于5G通信目標信號識別方法能夠跟蹤5G通信目標信號，由此獲得新的特征，及時判斷和計算信號相似性，顯示新接收到的通信信號特征，分析其是否可靠，如果可靠，則可以將其視為可靠性最高的通信信號特征，由此完成信號識別。

4 對比實驗

為了驗證基于機器學習的5G通信目標信號識別方法研究的合理性，進行實驗驗證分析。

4.1 實驗參數(shù)設置

設置對比實驗，將本文方法與理論決策法和模式識別法相對比，采用MATLAB軟件進行仿真實驗，設信號采集頻率為50 kHz，信號窗大小為35維，長度為40 ms，分幀200幀，噪聲為加性高斯白噪聲，選取120個實驗數(shù)據(jù)，分別用3種方法對比抵御網(wǎng)絡攻擊程度。

4.2 實驗結果與分析

在噪聲環(huán)境下，5G通信網(wǎng)絡受到來自不同方向的攻擊導致網(wǎng)絡存在一定脆弱性，分別使用理論決策法、模式識別法以及基于機器學習識別法對比分析抵御網(wǎng)絡攻擊程度，結果如圖1所示。

圖1 3種方法抵御網(wǎng)絡攻擊程度對比分析

由圖1可知，在實驗數(shù)據(jù)為40個時，理論決策法抵御網(wǎng)絡攻擊程度為40%，模式識別法抵御網(wǎng)絡攻擊程度為30%，基于機器學習識別法抵御網(wǎng)絡攻擊程度為78%。在實驗數(shù)據(jù)為120個時，理論決策法抵御網(wǎng)絡攻擊程度為58%，模式識別法抵御網(wǎng)絡攻擊程度為50%，基于機器學習識別法抵御網(wǎng)絡攻擊程度為90%。由此可知，使用基于機器學習識別法抵御網(wǎng)絡攻擊程度較強。為進一步驗證該方法合理性，需對比分析3種方法識別精準度，結果如表1所示。通過分析表1可知，理論決策法識別精準度最高為0.60，最低為0.47，模式識別法識別精準度最高為0.64，最低為0.39，基于機器學習識別法識別精準度最高為0.98，最低為0.94。說明基于機器學習識別法識別精準度受噪聲影響較小，具有良好識別效果。

表1 3種方法識別精準度

5 結 論

為了高效識別5G通信目標信號，提出了基于機器學習的5G通信目標信號識別方法，并在通信網(wǎng)絡環(huán)境中得以實現(xiàn)。針對網(wǎng)絡大數(shù)據(jù)的特點，通過研究通信攻擊信息識別和機器學習，選擇最優(yōu)的識別方法，保證了網(wǎng)絡攻擊信息識別的最高準確性。試驗表明，該方法不僅降低了網(wǎng)絡攻擊的效率，而且能夠準確識別出通信信號。