基于光纖光柵振動傳感技術(shù)的智慧站場周界入侵行為在線報警技術(shù)

摘 要：為了提高智慧站場周界的安全性，提出了一種智慧站場周界入侵行為在線報警技術(shù)。利用光纖光柵振動傳感技術(shù)，通過控制參數(shù)初始化，提取智慧站場周界入侵信號的特征，構(gòu)建入侵概率矩陣，計算入侵行為的狀態(tài)轉(zhuǎn)移概率，建立入侵行為與觀測攻擊指令序列之間的關(guān)系。在檢測到入侵行為的最佳狀態(tài)時，系統(tǒng)發(fā)出周界入侵行為報警信號，實現(xiàn)智慧站場周界入侵行為的在線報警。實驗結(jié)果表明，該技術(shù)能夠有效發(fā)出報警信號，并將漏報率和誤報率控制在10%以內(nèi)。

關(guān)鍵詞：入侵行為；安全性；特征提??；探測原理；光纖光柵振動傳感技術(shù)；在線報警

中圖分類號：TP277文獻標識碼：A

On line Alarm Technology for Perimeter

Intrusion Behavior of Smart Station Based on Fiber Bragg

Grating Vibration Sensing Technology

ZHANG Yanyi，YANG Xinliang， LI Bo， HAO Zhuozhuo， WU Jianguo， WANG Baobao

（PipeChina Beijing Pipeline Co.，Ltd.，Yulin， Shaanxi 719000， China）

Abstract：In order to improve the security of the smart station perimeter， a smart station perimeter intrusion online alarm technology is proposed. By utilizing fiber Bragg grating vibration sensing technology and controlling parameter initialization， the characteristics of the intrusion signal around the smart station are extracted， an intrusion probability matrix is constructed， the state transition probability of the intrusion behavior is calculated， and the relationship between the intrusion behavior and the observation of the attack instruction sequence is established. When the optimal state of intrusion behavior is detected， the system sends a perimeter intrusion behavior alarm signal to achieve online alarm of intelligent station perimeter intrusion behavior. The experimental results show that this technology can effectively send out alarm signals and control the missed and 1 alarm rates within 10%.

Key words：invasion behavior; security; feature extraction; detection principle; fiber Bragg grating vibration sensing technology; online alarm

智慧站場周界是站場區(qū)域與外部空間隔絕的一種安全防護隔離帶，一般使用鐵欄桿或磚砌筑而成，可以保證站場區(qū)域的安全，對維護智慧站場良好秩序具有非常重要的意義[1]。在復(fù)雜多變和不確定性因素增強的網(wǎng)絡(luò)背景下，智慧站場周界與自動化控制相關(guān)的入侵問題日益突出，造成了非常嚴重的后果[2]?，F(xiàn)有的周界侵入預(yù)警方法受環(huán)境、氣象和電磁等因素的干擾，辨識效果較低，檢測手段以門限判定為主，缺乏有效的追蹤手段，虛警率高[3]。隨著智慧站場的規(guī)模不斷擴張，復(fù)雜網(wǎng)絡(luò)中傳統(tǒng)的攻擊手段正逐步滲透到智慧站場中，而對周界的保護又是保證智慧站場安全性和高效使用的前提，所以，對智慧站場周界入侵行為的在線預(yù)警顯得尤為迫切。

許奕杰等[4]為解決現(xiàn)有周界入侵預(yù)警技術(shù)在復(fù)雜天氣環(huán)境下易出現(xiàn)虛警率高、無法識別入侵類型等問題，構(gòu)建一種新型的AE LSTM網(wǎng)絡(luò)結(jié)構(gòu)。首先對輸入信號進行隱性編碼，通過提取隱性編碼的特征，構(gòu)造與時間序列信息相結(jié)合的特征矢量矩陣，以減少網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性。通過仿真實驗驗證了所建模型在識別過程中的虛警率、識別精度和計算復(fù)雜性等方面的優(yōu)越性。傅薈瑾等[5]為了提升高鐵列車周界環(huán)境的監(jiān)控能力，開展高鐵列車周界入侵的多傳感器信息融合技術(shù)研發(fā)與應(yīng)用研究。首先，通過對高鐵周界各類典型環(huán)境進行深入剖析，將感知技術(shù)與毫米波雷達、激光雷達等感知技術(shù)的各自特點相結(jié)合，實現(xiàn)感知技術(shù)與環(huán)境相適配，并通過“一景一案”的方式，構(gòu)建高鐵周邊環(huán)境的監(jiān)控方法。其次，給出了監(jiān)控系統(tǒng)的技術(shù)框架，實現(xiàn)了監(jiān)控系統(tǒng)的各個模塊設(shè)計。探索以視頻為基礎(chǔ)的雷達視頻雷達多傳感器數(shù)據(jù)融合方法，并通過實驗進行驗證，最終形成一套適用于高鐵軌道周邊環(huán)境的多傳感器數(shù)據(jù)融合方法，為高鐵軌道周邊環(huán)境中的人為侵入和外來物體侵入提供可靠的數(shù)據(jù)支持。

為此，將光纖光柵振動傳感技術(shù)應(yīng)用到了智慧站場周界入侵行為預(yù)警中，從而提前給出相應(yīng)防范措施。

1 智慧站場周界入侵行為在線報警技術(shù)設(shè)計

1.1 基于光纖光柵振動傳感技術(shù)探測入侵行為

在探測智慧站場周界的入侵行為時，如果光纖光柵振動傳感器受到外力的作用，懸浮在光纖光柵上方的質(zhì)點在相應(yīng)的頻率和幅度下被強迫振蕩，由此改變了布拉格的波長[6]。通過測量布拉格波長的變化幅度，判斷智慧站場周界的入侵行為，圖1給出了光纖光柵振動傳感技術(shù)的探測原理。

當智慧站場周界發(fā)生入侵行為時，光纖光柵傳感器會將由入侵行為引起的波長變化波形傳輸?shù)秸駝觽鞲衅髦?，由探測軟件平臺判斷是否有真正的入侵行為發(fā)生[7]。

當智慧站場周界發(fā)生了真正的入侵行為時，對光纖光柵振動傳感器的探測參數(shù)進行初始化處理[8]，構(gòu)建入侵概率矩陣，表示為：

W=Zi+Zjp－Gspd×gdG （1）

式中，p表示入侵行為Zi轉(zhuǎn)換成入侵行為Zj的概率，Gs表示周界入侵行為的概率矩陣，gd表示入侵行為的隨機觀測值，G表示入侵行為轉(zhuǎn)換的概率矩陣，pd表示隨機觀測值的概率。

將智慧站場周界入侵行為的特征向量作為光纖光柵振動傳感器的輸入[9]，探測周界入侵行為，表示為：

Cj=ph+ZgSd×bs×pxLt－W+Q（2）

其中，Sd表示入侵行為的屬性，bs表示縮放因子，Lt表示入侵行為探測的時間長度，ph表示入侵行為探測結(jié)果的后驗概率，Zg表示光纖光柵振動傳感器的狀態(tài)觀測值，px表示入侵行為探測的校驗概率，Q表示入侵行為探測的最優(yōu)解。

根據(jù)光纖光柵振動傳感技術(shù)的原理，探測智慧站場周界的入侵行為。

1.2 提取智慧站場周界入侵信號特征

光纖光柵振動傳感技術(shù)在探測入侵行為時，容易受到外部干擾，通過提取入侵信號特征，過濾掉入侵行為的干擾成分。在智慧站場中，通過時頻特征分析[10]，建立入侵信號在智慧站場周界傳輸?shù)慕Y(jié)構(gòu)模型，表示為：

A（x）=φun（x）e－2πjκn（t）e－2πfct－κn（x） （3）

式中，φ表示濾波運算，un（x）表示入侵行為信號在站場周界的主頻特征，j表示虛數(shù)單位，κn（t）表示入侵行為信號在時間維度上的延時量，κn（x）表示入侵行為信號在站場周界傳輸?shù)难訒r函數(shù)，fc表示通信信號在智慧站場的調(diào)制頻率。

如果入侵信號在智慧站場中的傳輸路徑有N條，利用入侵信號在外界干擾下的傳遞函數(shù)，建立入侵信號的特征分布函數(shù)，表示為：

g（t）=A（x）∑pi=1sip（t－ti） （4）

式中，i表示求和索引變量，p表示共有p個不同因素，si表示入侵信號在站場周界的損失成分，t表示智慧站場的傳播延時，ti表示入侵信號的攻擊延時。

根據(jù)入侵信號的特征分布函數(shù)，對入侵信號的分布空間進行重構(gòu)[11]，得到入侵信號在站場邊界的頻譜特征，表示為：

y（t）=fx（ft）Ty（t，k）=Txg（t）ft，kf（5）

式中，f表示入侵行為的采樣頻率，x（ft）表示經(jīng)過采樣頻率調(diào)整后的原始入侵信號的表示形式，k表示智慧站場的網(wǎng)絡(luò)帶寬，Tx（）表示頻譜生成的時間窗口函數(shù)，y（t）表示入侵行為的時間序列，Ty（t，k）表示入侵信號在頻域內(nèi)的伸縮尺度，g（t）表示調(diào)整因子。

入侵信號的頻譜特征會受到智慧站場的運行頻率影響，導(dǎo)致信號受到干擾[12]，利用濾波器對入侵信號進行抗干擾抑制，得到：

sn=ai∑MARi=1xn－i+bj∑MMAj=0an（6）

式中，ai表示入侵信號的采樣幅值，MAR表示參與當前時刻信號值計算的過去時刻信號值的數(shù)量，bj表示入侵信號的振蕩幅值，xn－i表示信號均值相同的時序，MMA表示參與計算的系數(shù)bj的個數(shù)以及與之相關(guān)的當前時刻信號an的組合情況，an表示當前時刻的入侵信號幅值相關(guān)量。

通過入侵信號的抗干擾抑制，得到入侵信號的時域特征和頻域特征，表示為：

Tx（t，k）=x（t+2τ）x*（t－2τ）e－2πkτdτ

Ty（t，k）=y（k+2λ）y*（k－2λ）e－2πλτdλ（7）

式中，λ和τ表示入侵信號的衰減系數(shù)，x*和y*表示時域共軛函數(shù)和頻域共軛函數(shù)。

根據(jù)入侵信號的時域特征和頻域特征組成，提取智慧站場周界入侵信號特征，即：

χ=Tx（t，k）+Ty（t，k）+n（t）g（t）（8）

式中，n（t）表示入侵信號在智慧站場周界的相位變化幅值，g（t）表示入侵行為的主成分。

根據(jù)入侵信號在智慧站場周界傳輸?shù)慕Y(jié)構(gòu)模型，建立入侵信號的特征分布函數(shù)，通過入侵信號的分布空間重構(gòu)，利用濾波器對入侵信號進行抗干擾抑制，提取智慧站場周界入侵信號特征。

1.3 構(gòu)建智慧站場周界入侵行為在線報警模型

以入侵信號特征為依據(jù)，得到入侵行為的隱含狀態(tài)，在光纖光柵振動傳感技術(shù)下[13]，將α?xí)r刻下的入侵行為Xα轉(zhuǎn)移到β時刻下的入侵行為Xβ，利用式（9）給出轉(zhuǎn)移概率：

Pαβ=P（Xβ∣Xα） （9）

利用輸出概率矩陣描述入侵行為Xβ與攻擊指令Xγ之間的關(guān)系，根據(jù)式（9）的轉(zhuǎn)移概率，計算入侵行為Xβ觀測到攻擊指令Xγ的概率，公式為：

Pβγ=1PαβP（Xγ∣Xβ） （10）

為了預(yù)測智慧站場周界入侵行為在接下來的狀態(tài)，定義一個預(yù)測模型R=r1，r2，…，rK，t時刻監(jiān)測到的攻擊指令為VK=v1，v2，…，vT，此時，根據(jù)入侵行為Xβ觀測到攻擊指令Xγ的概率[14]，計算入侵行為在接下來出現(xiàn)的概率，具體步驟為：

Step1：當t=1時，計算智慧站場周界入侵行為r1與可觀測攻擊指令序列v1之間的轉(zhuǎn)移概率，公式為：

p1（σ）=πσ（r1）bσ（v1）（11）

式中，πσ（r1）表示入侵行為r1的初始概率分布，bσ（v1）表示攻擊指令序列v1的初始概率分布。

Step2：當t≥1時，在可觀測攻擊指令序列vT下，計算第σ個入侵行為的最大概率，公式為：

pt（σ）=max pt（β）aβσbσ（vT） （12）

式中，aβσ表示入侵行為β轉(zhuǎn)移到σ的概率，bσ（vT）表示周界入侵行為σ被觀測成vT的概率。

Step3：確定入侵行為在t時刻的最佳狀態(tài)[15]，發(fā)出周界入侵行為報警信號，即：

ψ1（σ）=arg max pt－1（β）aβσU*t（13）

式中，pt－1（β）表示t－1時刻入侵行為的狀態(tài)，U*t表示入侵行為的最佳狀態(tài)序列。

綜上所述，通過預(yù)測入侵行為接下來的狀態(tài)，實現(xiàn)智慧站場周界入侵行為的在線報警。

2 實驗對比分析

2.1 實驗環(huán)境

為了驗證文中技術(shù)在智慧站場周界入侵行為報警中的有效性，設(shè)置了如下實驗環(huán)境：

實驗平臺：Pentiunm4 3.6 GHz

操作系統(tǒng)：Red Hat Linux 8.07

內(nèi)存：32 GB

RAM：256 MB

鏈路帶寬：4 Mbps

傳輸半徑：200 m

仿真時間：1000 s

實驗過程中，將智慧站場周界節(jié)點的活動范圍設(shè)置為1000 m×500 m，一共包含50個節(jié)點，運動速度在0～20 m/s之間，仿真時，智慧站場內(nèi)部節(jié)點的運動是在運動模型下，從一個節(jié)點向另一個節(jié)點運動，達到目標節(jié)點之后需要暫停一段時間，接著再選取一個新的目標點和速度，直到仿真結(jié)束。

2.2 實驗數(shù)據(jù)

本文選擇4類入侵行為攻擊智慧站場周界，各種入侵行為的具體內(nèi)容如表1所示。

2.3 入侵行為報警

在對智慧站場周界的入侵行為進行報警之前，將入侵行為的報警閾值設(shè)定為0.5，利用1.2節(jié)的方法提取入侵行為的特征，當入侵行為的特征值超過0.5時，需要發(fā)出報警信號進行報警，否則說明智慧站場周界能夠抵御該入侵行為的攻擊，保證智慧站場的安全，不需要報警。在表1的入侵行為中隨機選取100份樣本數(shù)據(jù)，利用光纖光柵振動傳感技術(shù)探測智慧站場周界的入侵行為，結(jié)果如圖2所示。

根據(jù)圖2的結(jié)果可知，采用文中技術(shù)對智慧站場周界的入侵行為進行報警之前，光纖光柵振動傳感技術(shù)能夠探測到站場周界的入侵行為，并發(fā)出報警信號，提高智慧站場的安全性。

2.4 對比分析

為了突出文中技術(shù)在入侵行為報警中的優(yōu)勢，引入基于AE LSTM網(wǎng)絡(luò)模型的報警技術(shù)和基于多傳感技術(shù)融合的報警技術(shù)作為對比，以漏報率和誤報率為評價指標，計算式為：

ζ=NlNall×100%（14）

ε=NfNture×100% （15）

式中，Nl表示遺漏掉的樣本數(shù)量，Nall表示入侵行為樣本總數(shù)，Nf表示錯誤報警的入侵行為，Nture表示發(fā)出報警信號的樣本數(shù)量。

測試了入侵行為報警的漏報率和誤報率，結(jié)果如圖3、圖4所示。

從圖3的結(jié)果可以看出，采用基于AE LSTM網(wǎng)絡(luò)模型的報警技術(shù)時，由于AE LSTM網(wǎng)絡(luò)模型在入侵行為隱性編碼特征提取中比較單一，導(dǎo)致漏報率偏高。采用基于多傳感技術(shù)融合的報警技術(shù)時，由于多個傳感器共同探測時會互相干擾，出現(xiàn)了對入侵行為漏報的現(xiàn)象。而采用文中技術(shù)時，能夠根據(jù)光纖光柵振動傳感技術(shù)的探測結(jié)果，提取入侵行為特征，降低了入侵行為的漏報率。

從圖4的結(jié)果可以看出，與基于AE LSTM網(wǎng)絡(luò)模型的報警技術(shù)和基于多傳感技術(shù)融合的報警技術(shù)相比，文中在光纖光柵振動傳感技術(shù)下能夠探測到入侵行為，將誤報率控制在10%以內(nèi)，提高了入侵行為的報警精度。

3 結(jié) 論

提出了一種基于光纖光柵振動傳感技術(shù)的智慧站場周界入侵行為在線報警技術(shù)，經(jīng)過測試發(fā)現(xiàn)，該技術(shù)可以降低入侵行為報警的漏報率和誤報率。本文研究雖然取得一定成果，但是還存在很多不足，在今后的研究中，希望可以考慮到光纖光柵振動傳感技術(shù)的使用場景，避免噪聲、濾波等因素影響入侵行為探測精度。

參考文獻

［１］ 王瑞，史天運，包云. 一種基于視頻的鐵路周界入侵檢測智能綜合識別技術(shù)研究[J]. 儀器儀表學(xué)報，2020，41（9）：188-195.

[2] 喻后聃，米秋實，趙棟，等.基于一維卷積神經(jīng)網(wǎng)絡(luò)的光纖周界入侵模式識別[J].光子學(xué)報， 2021，50（9）：95-105.

[3] 李創(chuàng)，孫子文.IWSN中基于屬性變化率的全局信任入侵檢測[J].傳感技術(shù)學(xué)報， 2023，36（2）：294-300.

[4] 許奕杰，王嶸，萬永菁，等.基于AE LSTM網(wǎng)絡(luò)模型的機場周界入侵報警及分類算法[J].華東理工大學(xué)學(xué)報（自然科學(xué)版）， 2021，47（3）：323-330.

[5] 傅薈瑾，郭鵬躍，徐成偉，等.基于多傳感技術(shù)融合的高速鐵路周界入侵監(jiān)測技術(shù)方案研究[J].鐵道運輸與經(jīng)濟， 2022，44（9）：122-129.

[6] 李盛，邱陽，南秋明，等. 基于超弱光柵傳感陣列的鉆機違法入侵地鐵線路識別定位方法[J]. 振動與沖擊，2022，41（20）：202-207.

[7] 王瑞，李霄峰，史天運，等.基于視頻深度學(xué)習(xí)的鐵路周界入侵檢測算法研究[J].交通運輸系統(tǒng)工程與信息， 2020，20（2）：61-68.

[8] 程小輝，牛童，汪彥君.基于序列模型的無線傳感網(wǎng)入侵檢測系統(tǒng)[J].計算機應(yīng)用， 2020，40（6）：1680-1684.

[9] 張俠.深度學(xué)習(xí)網(wǎng)絡(luò)的光通信系統(tǒng)入侵行為識別[J].微電子學(xué)與計算機， 2020，37（4）：76-79.

[10]吳虎，孔勇，王振偉，等.基于EMD分解與1 D CNN算法的光纖振動信號的識別[J].激光與紅外， 2021，51（8）：1043-1049.

[11]蘇新，張桂福，行鴻彥，等.基于平衡生成對抗網(wǎng)絡(luò)的海洋氣象傳感網(wǎng)入侵檢測研究[J].通信學(xué)報， 2023， 44（4）：124-136.

[12]肖衡，龍草芳.基于機器學(xué)習(xí)的無線傳感網(wǎng)絡(luò)通信異常入侵檢測技術(shù)[J].傳感技術(shù)學(xué)報， 2022，35（5）：692-697.

[13]劉擁民，楊鈺津，羅皓懿，等.基于雙向循環(huán)生成對抗網(wǎng)絡(luò)的無線傳感網(wǎng)入侵檢測方法[J].計算機應(yīng)用， 2023，43（1）：160-168.

[14]劉洲洲，尹文曉，張倩昀，等.基于離散優(yōu)化算法和機器學(xué)習(xí)的傳感云入侵檢測[J].吉林大學(xué)學(xué)報（工學(xué)版）， 2020，50（2）：692-702.

[15]黃翔東，王碧瑤，劉琨，等. 基于ARMA建模與Sigmoid擬合的光纖周界安防入侵事件識別[J]. 中國激光， 2020，47（10）：203-210.