SCI论文（www.lunwensci.com）:
摘要：为解决当前网络异常信号识别方法识别结果准确率较低问题,引入人工智能检测技术,提出了网络异常信号识别方法设计。通过提取网络异常信号特征、建立网络异常信号识别模型、识别网络异常信号传输信道的设计方式,提出了一种全新的信号识别方法。通过实验分析可知,新的网络异常信号识别方法,识别结果的准确率均为96%以上,较传统方法相比具有显著优势。
关键词：人工；智能；异常；信号；网络；识别；准确率
Network Abnormal Signal Identification Method Based on Artificial Intelligence
CHEN ShiLin1,CHEN Xiaotao2
(1.Xi'an Innovation College of Yan'an University,Xi'an Shaanxi 712000;2.Southwest Forestry University,Kunming Yunnan 650224)
【Abstract】：In order to solve the problem of low accuracy of current network abnormal signal identification method,artificial intelligence detection technology is introduced to propose a network abnormal signal identification method design.A new signal identification method is proposed by extracting the characteristics of network abnormal signals,establishing the identification model of network abnormal signals and identifying the design ofthe transmission channel of network abnormal signals.Experimental analysis shows that the accuracy of the new network abnormal signal identification method is above 96%,which has a significant advantage over the traditional method.
【Key words】：artificial;intelligent;the exception;signal;network;identification;accuracy
0引言
在网络通信技术与计算机技术快速发展的趋势下,网络设备与种类逐渐呈现多元化发展[1]。然而,现阶段,我国网络在不断运行中仍然存在一定不足。传统的网络异常信号识别方法在信道空间、信号分类特征提取方面识别的准确率较低,且识别过程较复杂,识别速度较慢,降低了网络运维的质量与效率[2]。人工智能检测技术具有较强的逻辑推理能力,通过启发式知识搜索与检测,在各个领域得到了广泛应用[3]。基于此,本文在网络异常信号识别方法设计中,引入了人工智能检测技术,提出了全新的识别方法,为我国网络运行的安全作出贡献。
1基于人工智能的网络异常信号识别方法设计
1.1提取网络异常信号特征
本文设计的基于人工智能的网络异常信号识别方法中,首先利用人工智能检测的方式,提取网络异常信号的特征,为识别方法的设计提供基础。根据网络光纤预警系统的运行情况,采集初始化网络光纤信号,结合光纤信号的初始特征,分析网络信号时域的均方根频谱,设定信号时域中,含有异常信号的初始信号为f(t),初始采样时间点为t0,采样整体时长为T,网络信号时域中光纤信号的均方根计算公式如式(1)所示：
式中,λ表示网络信号时域中光纤信号的均方根,能够全方位地描述异常光纤信号的特征；d表示网络异常信号的采样值；t表示网络信号时域中采集观测点数。通过上述公式,结合人工智能检测方式,采集网络光纤系统中,信号时域光纤信号的异常特征。根据网络异常信号特征采集结果,转换信号数据的存储格式,重复对采样信号进行运算操作,提高网络异常信号特征的提取精度[3]。基于网络输入信号的不同,信号时域中光纤信号的均方根特征也存在一定差异[4]。利用网络输出信号功率谱分析原理,结合傅里叶算法,获取网络信号时域中异常情况较严重的信号功率谱,具体的表达式如式(2)所示：
其中,ψ(f)表示网络信号时域异常严重的信号功率谱；G(t)表示含有异常信号的初始信号f(t)经过傅里叶转换操作后的表现形式；m表示网络输出信号功率参数。通过上述公式,得出网络信号异常情况严重的功率谱,利用人工智能移动机器人,获取网络运行中的电量传输情况。调整网络节点接口电路的连接方式,与继电器的负载高压端进行连接,控制网络传输路径中,异常信号的输出信道[5]。基于人工智能检测技术,检测网络信号的异常行为,获取网络内异常信息的堆积情况。结合网络继电器的辅助作用,不断调整网络控制路径中的负载水平,使网络异常信号的输出量向零靠近[6]。利用人工智能识别元件,提取网络异常信号的异常阈值,设置阈值为D,根据异常阈值的变化情况与趋势,获取网络异常信号的特征,网络信号异常阈值的计算公式如式(3)所示：
式中,A表示人工智能检测传输系数；M1表示网络出口端的信号特征值；M0表示网络入口端的信号特征值；R表示网络异常信号的常量阈值；ϖ表示网络异常信号的累积周期；µ表示网络异常信号的必要次项系数。通过公式,结合人工智能检测识别元件,完成网络运行中初始信号与异常信号的特征提取操作。
1.2建立网络异常信号识别模型
基于上述网络异常信号特征提取结束后,结合人工智能技术,共同建立网络异常信号识别模型,为识别方法的设计提供保障[7,8]。首先,以网络信号的短时功率为信号起始点,提取网络信号时域中的不明显信号,对信号中的噪声进行过滤处理,保留异常信号的有用信息,不明显信号的提取过程示意图,如图1所示。
由图1可看出,网络时域中不明显信号的提取主要包括两个部分：(1)信号的短时功率检测；(2)信号的过零率检测,将两种检测结果相融合,共同生成网络信号时域中不明显异常信号的样本数据[9]。由于网络运行过程中,不明显异常信号的判定缺乏明确的分界点,在建立网络异常信号模型时,在输入信号段,基于信号的瞬时能量变化情况,设定异常信号判定分界,实时记录网络信号时域的运行变化情况,监测异常信号的短时功率值,获取网络异常信号的能量波动[10]。在模型中,设定初始网络信号的信号段,当异常信号的阈值超出初始网络信号段标准范围内时,对异常信号进行分类预处理,提取识别分类后的网络异常信号参数。
在上述设计的基础上,将上文提取的网络异常信号特征输入到建立的模型中,为模型的运转提供特征数据支持,降低异常信号样本数据的分类误差。根据网络异常信号的特征参数,获取异常信号的离散元与特征分布梯度,提高异常信号的特征分辨率,实现信号的时域分解目标。在建立的模型中,设置一条信号分割线,利用SVM分类器的分类作用,将网络运行中的正常信号与异常信号进行分类处理,挖掘网络异常信号的运行规律与深度特征。归一化处理网络运行中有效信号与异常信号,将异常信号的样本参数进行详细地计算,作为显性参数输入到模型中,融合处理信号数据的特征参数分布,最终获取完整的网络信号特征参数。基于人工智能检测技术的功率谱识别方式,过滤处理特征信息的冗余部分,降维处理网络异常信号,最终获取基于人工智能的网络异常信号识别特征参数集合。
1.3识别网络异常信号传输信道
通过上述建立的网络异常信号识别模型,获取到基于人工智能的网络异常信号识别特征参数集合。接下来,根据网络信号传输信道的均衡调节原理,对网络异常信号传输信道进行识别,获取信号的识别结果。首先,引入深度学习算法,构建网络通信设备信号的传输矩阵,控制网络异常信号的传输方式。结合深度学习算法与人工智能算法,计算网络通信设备信号的频谱,如式(4)所示：
其中,x(t)表示网络通信设备信号传输的序列分布；h(t)表示网络通信设备信号异常识别的表达函数；Ts表示网络异常信号的频谱宽度参数；d表示网络异常信号的DOA参数。通过上述公式,获取网络异常信号传输信道的频谱参数,在此基础上,利用相位补偿技术与统计量分析方法,分解网络异常信号传输信道的频谱参数,进而均衡配置网络异常信号的传输信道。根据网络异常信号传输信道的频谱偏移特征,分离处理传输信道的均衡调度,利用动态相位补偿方法,获取网络通信设备信号的联合参数与异常信号输出动态相位角,为网络信号识别提供特性分解依据。局部化处理网络异常信号的时频,计算网络信号的残差数据,获取异常信号的函数输出表达式如式(5)所示：
式中,S表示网络异常信号的输出函数；s(t)表示网络异常信号左右波束的输出函数；an表示网络通信设备异常信号的特征偏移量；e表示网络异常信号检测输出频谱分量系数。通过函数输出表达式,获取网络异常信号的局部时频情况。由于网络运行具有一定可变性,在异常信号识别中,应当结合动态识别的方式,通过信号波束间隔,均衡控制网络异常信号的运行速度与收敛误差。重组网络通信设备信号的异常谱,融合初始信号的频谱分量,得出网络异常信号的状态分布规律,对信号输出源的异常模式进行识别,将状态分布规律与信号输出源的异常模式共同作为识别模型的输入样本,获取基于人工智能的网络异常信号识别结果。
2实验分析
2.1实验准备
为对本文提出的基于人工智能的网络异常信号识别方法的实际应用效果作出进一步客观分析,进行了如下文所示的实验分析。本次实验选取不同类型的网络信号,作为测试中的识别样本,分别为WLAN信号、蓝牙信号以及ZIGBEE信号,分别对三种网络信号进行编号处理,编号为A、M、T。设定A、M、T三类信号的样本数量,为了提高本次实验测试结果的精度,本文选取较多的测试样本,将样本数量设置为1000,分别组成不同种类的数据集,通过上述本文设计的网络异常信号识别方法,提取样本中网络信号的异常特征参数与相关数据信息,将特征提取结果合并处理,生成与三类信号样本对应的特征数据集。基于网络信号的显性特征,将特征数据集设置为显性数据集,结合网络信号谱图数据集,将特征数据集内的数据信息输入到网络信号谱图数据集中,获取网络信号的特征参数集合。
2.2结果分析
设置本文提出的基于人工智能的网络异常信号识别方法为实验组,基于BP神经网络的网络异常信号识别方法为对照组,对比两种信号识别方法识别测试样本Kappa系数的变化情况与整体准确率,对比结果如表1所示。
根据表1中的对比结果可知,本文提出的基于人工智能的网络异常信号识别方法的Kappa系数小于传统的网络异常信号识别方法,异常信号识别结果的准确率均在96%以上,对网络运行安全提供了一定的保障。
3结语
综上所述,在计算机网络技术快速发展的趋势下,如何针对网络运行中的异常信号进行快速识别至关重要。本文在传统网络异常信号识别方法的基础上,结合人工智能检测技术,提出了全新的识别方法设计。通过本文研究,改善了网络运行中非平稳信号与异常信号识别速度较慢、识别结果准确率过低的问题,使网络运行的安全性与稳定性得到了显著提升。
参考文献
[1]黄波,杨正,王超.基于灰狼算法优化DBN的医院网络异常流量识别[J].微型电脑应用,2022,38(1):34-36+44.
[2]杨金显,王小康,仝小森.基于LMD-SNN的随钻异常振动识别[J].传感技术学报,2021,34(8):1102-1108.
[3]张文安,洪毅,史秀纺,等.基于子图拉普拉斯谱的异常传感器检测及识别方法[J].传感技术学报,2021,34(6):804-810.
[4]任远林,聂凯.基于改进深度学习方法的电子通信设备信号异常自动识别[J].齐齐哈尔大学学报(自然科学版),2021,37(4):5-9.
[5]魏小忠,申浩,刘红杰.融合深度学习和栈式自编码算法的异常无线电信号监测方法[J].移动通信,2020,44(12):80-85.
[6]杨雁莹.移动机器人路径控制网络中异常参数识别方法[J].机械设计与制造,2020(6):273-277.
[7]王剑兰,姜阿龙,袁建.移动通信网络异常信号优化识别[J].通信电源技术,2019,36(8):159-160.
[8]杜臻,马立鹏,孙国梓.一种基于小波分析的网络流量异常检测方法[J].计算机科学,2019,46(8):178-182.
[9]琚安康,郭渊博,李涛,等.基于网络通信异常识别的多步攻击检测方法[J].通信学报,2019,40(7):57-66.
[10]郝云飞,刘章孟,郭福成,等.基于生成对抗网络的信号调制方式的开集识别[J].系统工程与电子技术,2019,41(11):2619-2624.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/41843.html
