基于機(jī)器學(xué)習(xí)的艦船通信網(wǎng)絡(luò)故障檢測(cè)方法

潘志安，龐國(guó)莉，王小英

(防災(zāi)科技學(xué)院 信息工程學(xué)院，河北 三河 065201)

0 引 言

艦船信息傳輸?shù)年P(guān)鍵是艦船通信網(wǎng)絡(luò)。艦船通信網(wǎng)絡(luò)可確保艦船航行過程中，艦船內(nèi)部與外部間信息的安全交互[1]。當(dāng)艦船通信網(wǎng)絡(luò)出現(xiàn)故障時(shí)，則會(huì)導(dǎo)致艦船不能及時(shí)接收航行相關(guān)信息，影響航行安全[2,3]。為此，研究高效、精準(zhǔn)的艦船通信網(wǎng)絡(luò)故障檢測(cè)方法非常重要。朱圳等[4]通過分析原始通信網(wǎng)絡(luò)數(shù)據(jù)，挖掘數(shù)據(jù)內(nèi)的潛在特征，通過LightGBM 算法，對(duì)挖掘的潛在特征實(shí)施重要性評(píng)估，篩選較為重要的通信網(wǎng)絡(luò)數(shù)據(jù)特征，在集成學(xué)習(xí)模型內(nèi)輸入篩選獲取的重要特征，輸出通信網(wǎng)絡(luò)故障檢測(cè)結(jié)果。該方法的通信網(wǎng)絡(luò)故障檢測(cè)精度較高。陳紅紅等[5]在螢火蟲算法內(nèi)，引入萊維飛行，對(duì)該算法進(jìn)行改進(jìn)，通過極限學(xué)習(xí)機(jī)建立通信網(wǎng)絡(luò)故障檢測(cè)目標(biāo)函數(shù)，利用改進(jìn)螢火蟲算法優(yōu)化目標(biāo)函數(shù)，得到通信網(wǎng)絡(luò)故障檢測(cè)結(jié)果[5]。該方法可有效檢測(cè)通信網(wǎng)絡(luò)故障，且故障檢測(cè)準(zhǔn)確率較高。但這2 種方法均需要大量故障標(biāo)簽數(shù)據(jù)，而實(shí)際艦船通信網(wǎng)絡(luò)中，獲取大量故障標(biāo)簽數(shù)據(jù)并非易事，從而影響故障檢測(cè)效果。機(jī)器學(xué)習(xí)是指令計(jì)算機(jī)具備人的學(xué)習(xí)能力，可在海量繁瑣的數(shù)據(jù)內(nèi)，學(xué)習(xí)到有價(jià)值的知識(shí)[6]，在原始數(shù)據(jù)樣本較少情況下，依舊具備較優(yōu)的學(xué)習(xí)能力，提升故障檢測(cè)效果。常見的機(jī)器學(xué)習(xí)算法有Softmax 回歸與神經(jīng)網(wǎng)絡(luò)等。本文，研究基于機(jī)器學(xué)習(xí)的艦船通信網(wǎng)絡(luò)故障檢測(cè)方法，提升故障檢測(cè)效果。

1 艦船通信網(wǎng)絡(luò)故障檢測(cè)方法

1.1 基于自編碼神經(jīng)網(wǎng)絡(luò)的艦船通信網(wǎng)絡(luò)故障檢測(cè)

利用常見機(jī)器學(xué)習(xí)算法內(nèi)的自編碼(auto encoder，AE) 神經(jīng)網(wǎng)絡(luò)，對(duì)艦船通信網(wǎng)絡(luò)，實(shí)施故障檢測(cè)。AE 內(nèi)輸入層為O1、隱層O2、輸出層是O3。O1、O3內(nèi)神經(jīng)元數(shù)量一致，均為m個(gè)。O2內(nèi)神經(jīng)元數(shù)量為n，且n≤m。O1至O2的變換過程是編碼，在O1內(nèi)輸入原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本x，作為O2的輸入，O2的輸出結(jié)果為：

其中：S(·)為編碼時(shí)的Sigmoid 函數(shù)；wO2和bO2分別為O2的權(quán)重、偏置；u為艦船通信網(wǎng)絡(luò)故障特征。

O2至O3的變換過程是解碼，在O3內(nèi)輸入u，O3的輸出結(jié)果為：

其中：S′(·)為解碼時(shí)的Sigmoid 函數(shù)；wO3和bO3分別為O3的權(quán)重、偏是；y為艦船通信網(wǎng)絡(luò)故障檢測(cè)結(jié)果。

預(yù)訓(xùn)練AE，就是尋找最佳wO2，bO2，wO3，bO3，y與x間是誤差降至最低，即損失函數(shù)Q(w,b) 降至最小。Q(w,b)的計(jì)算公式為：

式中：H為原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本數(shù)量；xi和yi分別為第i個(gè)樣本的輸入與輸出向量；η為AE 的網(wǎng)絡(luò)層數(shù)；nl為第l層神經(jīng)元數(shù)量；為第l層第j個(gè)神經(jīng)元和第l+1層第a個(gè)神經(jīng)元間的權(quán)值；γ為權(quán)值衰減系數(shù)。

1.2 基于相關(guān)性稀疏自編碼神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)

在AE 的隱層內(nèi)，添加稀疏性限制，令大多數(shù)隱層神經(jīng)元處于非激活狀態(tài)，提升艦船通信網(wǎng)絡(luò)故障特征提取效果。損失函數(shù)Q(w,b)中添加稀疏懲罰項(xiàng)，公式如下：

式中：β為稀疏懲罰項(xiàng)的權(quán)值；z為平均活躍度；zj為O2內(nèi)第j個(gè)神經(jīng)元的平均活躍度；L(Z||zj)為z與zj間相對(duì)熵。其計(jì)算公式為：

zj的計(jì)算公式為：

式中：對(duì)于xi，第j個(gè)神經(jīng)元的激活度為αj。

利用AE 提取艦船通信網(wǎng)絡(luò)故障特征時(shí)，需要考慮艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本間的相關(guān)性，才會(huì)避免影響原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)特征的提取。因此，在式(4)的基礎(chǔ)上，添加輸入數(shù)據(jù)相關(guān)性限制，變更后的損失函數(shù)為：

式中：R(xi)，R(yi)為xi和yi的相關(guān)性；ω為輸入數(shù)據(jù)相關(guān)性的權(quán)值。

R(xi)的本質(zhì)是xi與的乘積，其中，T 為轉(zhuǎn)置符號(hào)。因此，損失函數(shù)為：

在AE 內(nèi)添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制后，建立相關(guān)性稀疏自編碼神經(jīng)網(wǎng)絡(luò)(SRAE)，將多個(gè)SRAE 堆疊形成SSRAE，就是上個(gè)SRAE 隱層的輸出是下一個(gè)SRAE 的輸入。以預(yù)訓(xùn)練與有監(jiān)督微調(diào)的方式，確定SSRAE 的最佳w與b。以逐層貪婪法預(yù)訓(xùn)練SSRAE，通過海量無標(biāo)簽訓(xùn)練樣本，計(jì)算各SRAE 的Q′′(w,b)取得最小值情況下，對(duì)應(yīng)的w與b。以持續(xù)迭代降低各SRAE 的Q′′(w,b)值的方式，將Q′′(w,b)降至指定值，獲取最終的w與b。

通過反向傳播算法有監(jiān)督微調(diào)SSRAE，利用反向傳播算法再次迭代更新預(yù)訓(xùn)練階段獲取的各SRAE 的w與b，以達(dá)到最大迭代次數(shù)位置，輸出各SRAE 的最佳w與b。w與b的更新公式如下：

1.3 通信網(wǎng)絡(luò)故障檢測(cè)的實(shí)現(xiàn)

以Softmax 分類器為SSRAE 的輸出層，將SSRAE隱層提取的艦船通信網(wǎng)絡(luò)故障特征h，作為Softmax 分類器的輸入，輸出艦船通信網(wǎng)絡(luò)故障檢測(cè)結(jié)果。艦船通信網(wǎng)絡(luò)故障類別數(shù)量為K，Softmax 分類器的輸出結(jié)果為：

其中：P(Gk|ui)為艦船通信網(wǎng)絡(luò)故障屬于各類別的后驗(yàn)概率；ui為第i個(gè)艦船通信網(wǎng)絡(luò)故障特征；G1,G2,…,Gk為艦船通信網(wǎng)絡(luò)故障類別。

艦船通信網(wǎng)絡(luò)故障檢測(cè)的決策準(zhǔn)則是最小錯(cuò)誤率，艦船通信網(wǎng)絡(luò)故障特征檢測(cè)結(jié)果是類故障時(shí)的錯(cuò)誤概率為：

艦船通信網(wǎng)絡(luò)故障檢測(cè)的最小錯(cuò)誤率決策準(zhǔn)則是argminPe(Gk|u)。結(jié)合式(11)可知，最小錯(cuò)誤率即最大后驗(yàn)概率argmaxP(Gk|u)。

艦船通信網(wǎng)絡(luò)故障檢測(cè)類型及其編碼如表1 所示。

表1 故障檢測(cè)類型及其編碼Tab.1 Fault detection type and code

2 實(shí)驗(yàn)結(jié)果與分析

以某艦船的通信網(wǎng)絡(luò)數(shù)據(jù)為實(shí)驗(yàn)對(duì)象，該數(shù)據(jù)集內(nèi)記錄了2 個(gè)月的艦船通信網(wǎng)絡(luò)連接數(shù)據(jù)，共包含近1 百萬條數(shù)據(jù)。該數(shù)據(jù)集內(nèi)有7 種類型的艦船通信網(wǎng)絡(luò)數(shù)據(jù)，具體信息如表2 所示。

表2 艦船通信網(wǎng)絡(luò)數(shù)據(jù)集具體信息Tab.2 Specific information of ship communication network data set

利用本文方法對(duì)該數(shù)據(jù)集內(nèi)的艦船通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障特征提取，通過主成分分析提取故障特征的前3 個(gè)主成分，以可視化形式呈現(xiàn)本文方法引入稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制前后，故障特征提取效果。艦船通信網(wǎng)絡(luò)故障特征提取的可視化結(jié)果如圖1所示，以信號(hào)丟失故障特征、端口故障特征、通信線路故障特征、通信網(wǎng)IP 沖突故障特征為例。分析圖1(a)可知，本文方法添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制前，可有效提取艦船通信網(wǎng)絡(luò)故障特征，但提取的4 種故障特征邊界存在混淆情況。分析圖1(b) 可知，添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制后，本文方法提取的各類型艦船通信網(wǎng)絡(luò)故障特征聚集效果較優(yōu)，各類型故障特征的邊界較為清晰，在艦船通信網(wǎng)絡(luò)故障檢測(cè)方面更具優(yōu)勢(shì)。實(shí)驗(yàn)證明：本文方法可有效提取艦船通信網(wǎng)絡(luò)故障特征，且提取的故障特征間并無混淆情況，邊界非常清晰。

圖1 改進(jìn)前后的艦船通信網(wǎng)絡(luò)故障特征提取結(jié)果Fig.1 Fault feature extraction results of ship communication network before and after improvement

在該數(shù)據(jù)集內(nèi)隨機(jī)選擇35 個(gè)樣本，各數(shù)據(jù)類型的樣本數(shù)量均為5 個(gè)，利用本文方法對(duì)這35 個(gè)樣本進(jìn)行艦船通信網(wǎng)絡(luò)故障診斷，故障診斷結(jié)果如圖2 所示。可知，本文方法可有效檢測(cè)艦船通信網(wǎng)絡(luò)故障，對(duì)比表2 可知，0～5 號(hào)樣本的故障檢測(cè)結(jié)果為路由器故障，其中僅有一個(gè)樣本的故障檢測(cè)結(jié)果錯(cuò)誤；11～15 號(hào)樣本的故障檢測(cè)結(jié)果為通信網(wǎng)IP 沖突故障，其中，也僅有一個(gè)樣本的故障檢測(cè)結(jié)果錯(cuò)誤。6～10 號(hào)樣本故障檢測(cè)結(jié)果為網(wǎng)卡故障；16～20 號(hào)樣本故障檢測(cè)結(jié)果為通信線路故障；21～25 號(hào)樣本故障檢測(cè)結(jié)果為端口故障；26～30 號(hào)樣本故障檢測(cè)結(jié)果為信號(hào)丟失故障；31～35 號(hào)樣本故障檢測(cè)結(jié)果為無故障。實(shí)驗(yàn)證明，本文方法可精準(zhǔn)檢測(cè)艦船通信網(wǎng)絡(luò)故障，為提升艦船通信質(zhì)量提供保障。

圖2 艦船通信網(wǎng)絡(luò)故障診斷結(jié)果Fig.2 Fault diagnosis results of ship communication network

3 結(jié) 語(yǔ)

艦船通信質(zhì)量與艦船航行安全息息相關(guān)，為此，研究基于機(jī)器學(xué)習(xí)的艦船通信網(wǎng)絡(luò)故障檢測(cè)方法，及時(shí)發(fā)現(xiàn)并解決通信網(wǎng)絡(luò)故障，提升艦船通信質(zhì)量，確保艦船航行過程中能夠隨時(shí)接收內(nèi)部與外部的交互信息，制定安全的航行路徑，提升艦船航行的安全性。