基于孿生神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲

佟 冬，張珠玲

(1.吉林建筑科技學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，吉林 長春 130000；2.吉林大學(xué)通信工程學(xué)院，吉林 長春 130000)

1 引言

通信技術(shù)推動(dòng)物聯(lián)網(wǎng)逐步成為一種新的信息技術(shù)，并日益演變?yōu)樯鐣?huì)生活與工作的主要組成部分。物聯(lián)網(wǎng)技術(shù)的興起與普及，代表以數(shù)據(jù)為中心的時(shí)代已來臨。物聯(lián)網(wǎng)數(shù)據(jù)規(guī)模龐大，其中不乏異常數(shù)據(jù)與冗余數(shù)據(jù)的存在，此類數(shù)據(jù)不僅會(huì)降低數(shù)據(jù)質(zhì)量，而且將阻礙物聯(lián)網(wǎng)技術(shù)的進(jìn)一步發(fā)展[1]。隨著物聯(lián)網(wǎng)技術(shù)[2]的飛速發(fā)展與廣泛應(yīng)用，各領(lǐng)域人員對(duì)該項(xiàng)技術(shù)的要求也越來越高。物聯(lián)網(wǎng)通信設(shè)備數(shù)量較多、規(guī)模較大，數(shù)據(jù)量也呈數(shù)倍增長趨勢，存在嚴(yán)重網(wǎng)絡(luò)安全隱患問題。通過去除物聯(lián)網(wǎng)中含有的異常數(shù)據(jù)，能夠大概率降低物聯(lián)網(wǎng)通信網(wǎng)絡(luò)安全問題。為此，眾多學(xué)者與相關(guān)研究人員對(duì)物聯(lián)網(wǎng)通信安全問題進(jìn)行了很多研究，并取得了一定成果。

金鵬等人[3]提出一種基于深度信念網(wǎng)絡(luò)的通信傳感器網(wǎng)絡(luò)異常數(shù)據(jù)檢測方法。該方法首先對(duì)通信數(shù)據(jù)的高維度數(shù)據(jù)進(jìn)行降維處理，將QSSVM與滑動(dòng)窗口相融合，完成異常數(shù)據(jù)的檢測。該方法操作速度較快，但在通信異常數(shù)據(jù)檢測中未過多考慮數(shù)據(jù)量的問題，存在檢測精度較低的問題。李永飛等人[4]為實(shí)現(xiàn)物聯(lián)網(wǎng)異常數(shù)據(jù)監(jiān)測，為了彌補(bǔ)通信節(jié)點(diǎn)地理位置缺陷問題，引入聚類分析策略，根據(jù)輪廓系數(shù)，提出一種以過往監(jiān)測數(shù)據(jù)為依據(jù)的物聯(lián)網(wǎng)監(jiān)測點(diǎn)邏輯相鄰關(guān)系判別方法。該方法采用聚類方法將通信節(jié)點(diǎn)進(jìn)行聚類，確定聚類中的簇，根據(jù)輪廓系數(shù)確定通信節(jié)點(diǎn)數(shù)據(jù)之間的關(guān)系，借助邏輯相鄰關(guān)系確定節(jié)點(diǎn)是否存在異常。該方法可有效確定物聯(lián)網(wǎng)節(jié)點(diǎn)異常程度，但操作過程較復(fù)雜，存在效率低的問題。

基于上述方法中存在的不足，本文引入孿生神經(jīng)網(wǎng)絡(luò)，構(gòu)建一種物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲方法。通過將追蹤問題變換為目標(biāo)與探索范圍中特征空間相似度計(jì)算問題，提升異常數(shù)據(jù)捕獲精度與效率；通過標(biāo)簽約束策略，將二維數(shù)據(jù)轉(zhuǎn)變成三維恒定空間，降低通信運(yùn)算復(fù)雜度。與傳統(tǒng)方法相比所提方法有效提升了物聯(lián)網(wǎng)通信數(shù)據(jù)異常捕獲精度及效率，具有一定可行性。

2 孿生神經(jīng)網(wǎng)絡(luò)異常數(shù)據(jù)捕獲模型構(gòu)建

2.1 孿生神經(jīng)網(wǎng)絡(luò)

孿生神經(jīng)網(wǎng)絡(luò)通常由孿生卷積神經(jīng)網(wǎng)絡(luò)的特征提取單元與區(qū)域推薦網(wǎng)絡(luò)單元構(gòu)成[5]，如圖1所示。

圖1 孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖1 中，特征提取單元包括模板分支與檢測分支，主要功能為網(wǎng)絡(luò)訓(xùn)練、縮短檢測時(shí)間；區(qū)域推薦網(wǎng)絡(luò)單元為分類網(wǎng)絡(luò)與回歸網(wǎng)絡(luò)，負(fù)責(zé)線性微調(diào)候選目標(biāo)區(qū)域，輸出結(jié)果。

2.2 異常數(shù)據(jù)捕獲模型構(gòu)建

為便于捕獲異常數(shù)據(jù)，本文改進(jìn)孿生神經(jīng)網(wǎng)絡(luò)，去除網(wǎng)絡(luò)Alex Net[6]框架中兩個(gè)卷積層與全連接層，通過卷積核卷積、Relu函數(shù)激活以及池化[7]等相關(guān)處理，拓展物聯(lián)網(wǎng)通信信道數(shù)量，根據(jù)多層卷積取得數(shù)據(jù)信息特征，將訓(xùn)練參數(shù)存儲(chǔ)于模板分支中，再與檢測分支共同作用，卷積處理輸出數(shù)據(jù)特征，融合模板參數(shù)與待捕獲數(shù)據(jù)特征，數(shù)據(jù)檢測、識(shí)別與捕獲均在區(qū)域推薦網(wǎng)絡(luò)中實(shí)現(xiàn)。

在各卷積層后邊添加SE-Network形成SE-CNN構(gòu)架，加強(qiáng)物聯(lián)網(wǎng)可用信道路徑。假定輸入通信數(shù)據(jù)特征為X∈RW′*H′*C′，經(jīng)卷積核vc處理后得到特征圖U∈RW*H*C，則信道C中的特征圖感受野uc為

(1)

在全局平均池化層降維處理數(shù)據(jù)特征，通過轉(zhuǎn)變各二維特征信道為一個(gè)實(shí)數(shù)，即

(2)

經(jīng)信道篩選，由sigmoid函數(shù)[8]σ(·)明確各信道權(quán)值，即

wi=Fex(Z，W)=σ(W2δ(W1Z))

(3)

其中，運(yùn)行結(jié)果為Z，卷積層參數(shù)分別為W1、W2，δ(·)代表Relu函數(shù)。

按照加權(quán)形式在數(shù)據(jù)特征上重新標(biāo)記輸出權(quán)值，加強(qiáng)可用信道與特征圖的表征性能，完成異常數(shù)據(jù)捕獲模型的構(gòu)建，即

c=Fscale(uc，wi)=uc*wi

(4)

通過分析孿生神經(jīng)網(wǎng)絡(luò)的基本功能，借助全局平均池化層降維處理數(shù)據(jù)特征，并標(biāo)記輸出數(shù)據(jù)的權(quán)值，完成異常數(shù)據(jù)捕獲模型的構(gòu)建。

3 物聯(lián)網(wǎng)通信異常數(shù)據(jù)處理與捕獲

3.1 物聯(lián)網(wǎng)通信數(shù)據(jù)特征降維

為實(shí)現(xiàn)物聯(lián)網(wǎng)通信異常數(shù)據(jù)的識(shí)別特征，降低識(shí)別難度，需先對(duì)其展開降維處理。在物聯(lián)網(wǎng)物理設(shè)備共通點(diǎn)基礎(chǔ)上，令網(wǎng)內(nèi)硬件拓?fù)浼軜?gòu)的三維節(jié)點(diǎn)均位于正?？臻g區(qū)域中，各硬件間物理相關(guān)性為概率分布[9]形式，故障幾率約等于異常幾率。

若物聯(lián)信道流量特征為M，則采用下列數(shù)據(jù)通信時(shí)長，描述物聯(lián)網(wǎng)通信的信道狀態(tài)，即

(5)

通信設(shè)備信道寬度影響物聯(lián)網(wǎng)流量特征分布，各設(shè)備受不同信道干擾程度不相同。基于此，設(shè)定損耗為評(píng)估指標(biāo)。假設(shè)自消耗參數(shù)m的常取值為1，特征矩陣為BH，故評(píng)估指標(biāo)表達(dá)式為

(6)

物聯(lián)網(wǎng)硬件拓?fù)淇蚣茉O(shè)備故障呈概率分布狀態(tài)，將設(shè)備看作不同節(jié)點(diǎn)，假設(shè)V表示可衡量各硬件空間體積，設(shè)備最低硬件掃描半徑為R，此時(shí)物聯(lián)網(wǎng)節(jié)點(diǎn)故障概率分布表達(dá)式為

(7)

式(7)說明R半徑圓形范圍中存在一個(gè)以上硬件設(shè)備。

引入最優(yōu)歸類理論的分類型矩陣[10]，采用下列計(jì)算公式求解全部節(jié)點(diǎn)的融合中心間距為

(8)

利用粒子群算法[11]的標(biāo)簽約束策略，將二維數(shù)據(jù)轉(zhuǎn)化到三維恒定空間，降低通信運(yùn)算復(fù)雜度。經(jīng)融合矩陣濾除冗余數(shù)據(jù)后，得到

P=D-1A

(9)

假定基礎(chǔ)簇為粒子群算法，粒子分類系數(shù)為{c1，c2}，0到1之間的正態(tài)分布為{r1，r2}，則明確粒子群粒子參數(shù)為

(10)

3.2 物聯(lián)網(wǎng)通信異常數(shù)據(jù)類別劃分

若物聯(lián)網(wǎng)通信中產(chǎn)生的異常數(shù)據(jù)集及其特征集分別為zj、bj，兩者間關(guān)系為

(11)

其中，異常數(shù)據(jù)特征bj的取值大于0。

采用下列函數(shù)方程實(shí)施數(shù)據(jù)再次過濾與解析，即

(12)

轉(zhuǎn)變數(shù)據(jù)種類劃分問題為三維空間部署問題，解得最佳種類劃分結(jié)果為

(13)

三維空間部署問題約束條件方程組表示為

(14)

其中，k=1，2，…，m。

利用超平面[12]劃分異常數(shù)據(jù)種類，并完成最佳超平面問題到極值問題的轉(zhuǎn)變，采用下列表達(dá)式界定最優(yōu)種類劃分結(jié)果中的最佳數(shù)據(jù)集，即

(15)

根據(jù)約束條件方程組(14)，得到異常數(shù)據(jù)種類劃分的目標(biāo)函數(shù)為

g(y)=sgn{(x**y)+c*}

(16)

在此基礎(chǔ)上，將標(biāo)簽約束策略設(shè)定為物聯(lián)網(wǎng)數(shù)據(jù)種類劃分的另一約束條件，得到目標(biāo)函數(shù)的約束條件方程組為

(17)

結(jié)合約束條件方程組，二次求解目標(biāo)函數(shù)特征，實(shí)現(xiàn)物聯(lián)網(wǎng)通信異常數(shù)據(jù)類別劃分，即

(18)

3.3 物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲實(shí)現(xiàn)

根據(jù)上述劃分的異常數(shù)據(jù)結(jié)果，將物聯(lián)網(wǎng)異常數(shù)據(jù)捕獲問題轉(zhuǎn)換為數(shù)據(jù)相似度度量問題，利用孿生神經(jīng)網(wǎng)絡(luò)捕獲異常物聯(lián)網(wǎng)通信數(shù)據(jù)。

經(jīng)訓(xùn)練分類后的各異常數(shù)據(jù)集合，獲取映射函數(shù)為f(ζ，ξ)，根據(jù)待捕獲的異常數(shù)據(jù)ζ與候選數(shù)據(jù)ξ，對(duì)映射函數(shù)f(ζ，ξ)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，若兩數(shù)據(jù)具有相同屬性，則映射函數(shù)f(ζ，ξ)將具有較高相似度值；反之，則映射函數(shù)f(ζ，ξ)的相似度值較低。

待捕獲數(shù)據(jù)ζ與候選數(shù)據(jù)ξ具備相同孿生神經(jīng)網(wǎng)絡(luò)提取特征φ(ζ)與φ(ξ)，若利用相似度度量函數(shù)g評(píng)估兩特征之間的相似性，則映射函數(shù)f(ζ，ξ)為

f(ζ，ξ)=g(φ(ζ)，φ(ξ))

(19)

將物聯(lián)網(wǎng)通信數(shù)據(jù)輸入到孿生神經(jīng)網(wǎng)絡(luò)中，假定初始數(shù)據(jù)集內(nèi)待捕獲的異常數(shù)據(jù)特征為(w，h)，特征補(bǔ)償為pz，則初始數(shù)據(jù)集中待捕獲數(shù)據(jù)屬性Sz為

Sz=(w+2pz)*(h+2pz)

(20)

由待捕獲物聯(lián)網(wǎng)異常數(shù)據(jù)產(chǎn)生的候選數(shù)據(jù)特征為(wz，hz)，特征補(bǔ)償為px，其中心位置與待捕獲數(shù)據(jù)一致，即

(21)

式中，A、B表示與數(shù)據(jù)特征相關(guān)的矩陣函數(shù)。

故推導(dǎo)出下列候選數(shù)據(jù)屬性Sx界定式為

Sx=(wz+px)*(hz+px)

(22)

在孿生神經(jīng)網(wǎng)絡(luò)模型中無全連接層，故將卷積層的輸出數(shù)據(jù)設(shè)定成提取到的數(shù)據(jù)特征。根據(jù)孿生神經(jīng)網(wǎng)絡(luò)提取特征，度量待捕獲數(shù)據(jù)與候選數(shù)據(jù)之間的相似度。利用交叉相關(guān)層度量相似度，得到

f(ζ，ξ)=φ(ζ)*φ(ξ)+b

(23)

式中，一維實(shí)數(shù)矢量為b。

若孿生神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)為v，標(biāo)簽數(shù)據(jù)為y∈{1，-1}，則應(yīng)用下列l(wèi)ogistic損失函數(shù)訓(xùn)練網(wǎng)絡(luò)模型為

l(y，v)=log(1+exp(-yv))

(24)

結(jié)合式(23)，當(dāng)物聯(lián)網(wǎng)通信過程中的異常數(shù)據(jù)特征數(shù)量為D時(shí)，完成異常數(shù)據(jù)捕獲，即

(25)

4 仿真分析

4.1 仿真方案

為驗(yàn)證所提方法的物聯(lián)網(wǎng)通信數(shù)據(jù)異常數(shù)據(jù)捕獲效果，進(jìn)行仿真分析。實(shí)驗(yàn)在Matlab軟件中進(jìn)行，仿真操作系統(tǒng)為Windows 10 系統(tǒng)，運(yùn)行內(nèi)存為16 GB 。仿真中物聯(lián)網(wǎng)通信異常數(shù)據(jù)特征提取框架設(shè)計(jì)如表1 所示。

表1 物聯(lián)網(wǎng)通信異常數(shù)據(jù)特征提取框架

選取的仿真通信數(shù)據(jù)集情況如表2所示。

表2 通信數(shù)據(jù)集

在上述仿真環(huán)境及參數(shù)設(shè)定基礎(chǔ)上，仿真采用所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系的判定方法對(duì)比捕獲樣本異常數(shù)據(jù)的精度和捕獲耗時(shí)，驗(yàn)證所提方法的有效性。

4.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證所提方法在物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲中的有效性，實(shí)驗(yàn)分析了所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系判定方法對(duì)樣本數(shù)據(jù)異常的捕獲精度，實(shí)驗(yàn)結(jié)果如圖2 所示。

圖2 不同方法捕獲異常數(shù)據(jù)精度分析

分析圖2 結(jié)果可以看出，隨著仿真迭代次數(shù)的不斷改變，所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系判定方法在捕獲異常樣本數(shù)據(jù)的精度發(fā)生了改變。其中，所提方法捕獲精度最高，且始終在90%以上，而其它兩種方法的捕獲精度始終低于所提方法，驗(yàn)證了所提方法可以有效捕獲異常數(shù)據(jù)。

在保證樣本異常數(shù)據(jù)捕獲精度的基礎(chǔ)上，仿真進(jìn)一步分析了三種方法在捕獲異常通信數(shù)據(jù)的耗時(shí)，仿真結(jié)果如圖3 所示。

圖3 不同方法捕獲異常數(shù)據(jù)耗時(shí)分析

分析圖3 中數(shù)據(jù)可以看出，隨著仿真迭代次數(shù)的不斷改變，所提方法在對(duì)樣本異常數(shù)據(jù)進(jìn)行捕獲時(shí)的耗時(shí)較短，且始終在2 s以下，相比之下其它兩種方法的捕獲耗時(shí)較長，且遠(yuǎn)高于所提方法，由此可以看出所提方法在對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲時(shí)的速度較快，工作效率較高。

5 結(jié)束語

針對(duì)物聯(lián)網(wǎng)通信中存在的異常數(shù)據(jù)，本文引入孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)了一種新的物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲方法。通過分析孿生神經(jīng)網(wǎng)絡(luò)的基本原理基礎(chǔ)上，構(gòu)建異常數(shù)據(jù)捕獲模型，并對(duì)物聯(lián)網(wǎng)通信中異常數(shù)據(jù)進(jìn)行降維處理，實(shí)現(xiàn)了物聯(lián)網(wǎng)通信異常數(shù)據(jù)的捕獲。與傳統(tǒng)方法相比本文方法具有以下優(yōu)勢：

1)采用所提方法對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲的精度始終高于90%，具有一定可信度；

2)采用所提方法對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲的耗時(shí)始終低于2 s ，捕獲速度較快。

雖然現(xiàn)階段本文方法取得了一定成果，但仍然存在諸多不足，未來將在物聯(lián)網(wǎng)通信數(shù)據(jù)規(guī)模上對(duì)所提方法進(jìn)行改進(jìn)，以提升方法的有效性。