淺談模式識別在流量建模中的應用

劉恩亞，王 剛

（國家無線電監測中心，北京 100037）

Radio Wave Guard

淺談模式識別在流量建模中的應用

劉恩亞，王 剛

（國家無線電監測中心，北京 100037）

本文簡介了模式識別的概念、研究場景分類以及常用的模式識別方法，并針對移動通信系統性能仿真中的信源流量建模環節，探討了模式識別在傳感器網絡流量建模中的應用。

模式識別；傳感器網絡；流量建模

1 引言

模式識別是人類的一項基本智能，早在遠古時代，人類的祖先就已經掌握了“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，利用計算機進行模式識別逐漸發展并成為一門新興學科，研究掌握模式識別方法對于解決通信系統中的科研和工程問題將大有裨益。

2 模式識別在傳感器網絡信源建模中的應用

通常為考察一個通信系統的網絡接入性能，需要通過信源建模來獲取“取之不竭”的數據流量。信源數據流量建模可以從兩個方面考察：

一方面，移動終端以一定的時間間隔發送一定大小的數據包，時間間隔可以是一個固定值，也可以是一個隨機數。若為固定值，則移動終端為周期性發包；若為隨機數，則需掌握隨機數服從的概率密度分布。數據包大?。òL）也是同理，可以是等長的數據包，也可以是服從某概率密度的隨機數。從這個角度分析得到的模型，一般稱之為ON/OFF模型，ON通常指包長，OFF通常指兩包之間的時間間隔。

另一方面，可從較大的時間尺度上去考察移動終端的發包情況。若等間隔地觀察一段時間內的發包狀況，在每一個時間采樣點上記錄包長，若無包則記為0，那么我們得到的就是一個時間序列。通過時間序列建模即可模擬“信源”。時間序列建模有著比較成熟的研究方法，如AR模型、MA模型、FARIMA模型等[5]。

下面，我們將研究場景聚焦到傳感器網絡。

圖1 傳感器網絡結構示意圖

圖1是傳感器網絡結構示意圖，黃色的節點即為傳感器節點（即移動終端），該類節點定期或隨機地發起發包的接入請求等；綠色的節點為匯聚節點，在分層的網絡結構中，下層節點的數據匯聚到上層節點，上層節點再匯聚到基站端。針對前述場景，我們可以利用模式識別思維提出一個傳感器節點數據包建模方法[4]。

2.1 數據包流量（Packet Traffic）建?；A

數據包流量建模的任務就是要找到流量中的統計不變量，并以此來識別不同類型的數據。描述數據流量特征的參數可以大致分為三組，如表1所示。

表1 數據包流量特征分類

通過以上一組或幾組特征我們即可模擬不同類型的數據包流量。

2.2 節點流量建模

節點流量建模常用兩種方法[4]：依據發包順序建模、依據源流量建模。我們重點討論如何依據發包順序來建模。

在通信協議中，信令交互均已預定義，例如：路由回復（RREP）總是在路由申請（RREQ）之后發出。對于一個特定的節點而言，它本身有著自身獨特的發包序列，我們可據此建模。

2.2.1 數據包分類

可以用一個單字節的ASCII碼來對包進行分類，這樣通過一個特定的ASCII碼序列我們即可獲得該節點的包序列。

我們可以根據“信源-信宿”地址{Src,Dest}來分類。將實際的地址空間映射到了一個抽象的更為簡化的地址空間，該簡化的地址空間共有五個實體（entity）：{me;neighbor;local;unlocal;sink/ cluster head}：

Me是當前被研究的節點；Neighbor是與當前研究節點距離為一的節點；Local是在路由建立過程中已經被當前節點知曉的本地其他節點，路由成功建立后，所有節點均會被標記為local；Unlocal通常用于標記外部入侵的節點；Sink/Cluster Head是信宿/匯聚節點。

2.2.2 數據包映射

為了簡便起見，已分類的包可被進一步映射到一個單字節的ASCII碼。以圖2中第一個數據包為例：該包由地址為15的信源發給地址為00的信宿，包類型為RREQ。按照4.2.1給出的地址空間，該包的三項信息可表達為Local-Sink-RREQ，根據映射表，“Local-Sink-RREQ”這個類型的包可用單字節的ASCII碼“A”來表示。通過這種映射，我們可以把包序列看作一個字符串序列。

圖2 包序列建模映射

2.2.3 模式提取

為了研究并模擬包序列，我們可在映射得到的字符串序列中提取模式。詳盡的提取算法可以參考相關文獻[6][7]，此處僅舉一例：令子序列的長度k為4，樣本字符串為AABBDCC，則我們得到的模式集為：AABB，ABBD，BBDC，BDCC。通過研究子序列之間的相互關系，我們即可建模模擬該信源。如果考慮k取不同值，我們將得到不同長度的模式集。為避免模式集過于復雜，可增加限制條件，如僅考慮那些出現了兩次以上的模式，起到給模式集瘦身的效果。

3 結束語

本文首先討論了模式識別的定義，在此基礎上進一步介紹了模式識別常用的四種方法：模板匹配、統計分類、結構匹配以及神經網絡。結合通信系統的具體場景，介紹了利用模式識別進行數據包建模的思路。在當今的大數據時代，模式識別作為一種數據分析手段，研究方法日臻完善，應用場景更加廣泛。這就鞭策著研究者們不但要從深度上鉆研更好的方法，同時還要從廣度上縱橫捭闔，學科之間相互學習借鑒，共同繁榮。

[1] Larry O’Gorman,What is Pattern Recognition? www.iapr.org/docs/ newsletter-2003-01.pdf

[2] Anil K.Jain,Robert P.W.Duin and Jianchang Mao,Statistical Pattern Recognition:A Review,IEEE Transaction on Pattern Analysis and Machine Intelligence,Vol.22,No.1,January 2000

[3] V.N.Vapnik,Statistical Learning Theory,New York:John Wiley &Sons,1998

[4] Qinghua Wang,Packet Traffic:A Good Data Source for Wireless Sensor Network Modeling and Anomaly Detection,IEEE Network,Vol.25,Issue 3,May/June 2011

[5] Jiakun Liu,Yantai Shu,Lianfang Zhang,FeiXue,Yang,O.W.W.,Traffic Modeling based on FARIMA Models,1999 IEEE Canadian Conference on Electrical and Computer Engineering

[6] S.Forrest et al.,A Sense of Self in Unix Process,Proc.1996 IEEE Symp.Security and Privacy,May 1996,pp.120-28

[7] S.Hotmeyr,S.Forrest,and A.Somayaji,Intrusion Detection Using Sequences of System Calls,J.Comp.Security,vol.6,1998,pp.151-80

[8] 邊肇祺，張學工等編著．模式識別（第二版）．北京：清華大學出版社，2000

A Brief Introduction of Pattern Recognition and Its Application in Traffic Modeling

Liu Enya,Wang Gang
(The State Radio Monitoring Center,Beijing,100037)

Pattern recognition is widely used in computer science.This paper presents an introduction to pattern recognition,concerning its concepts and common methods.In order to apply pattern recognition in simulation in mobile communication systems,an example of traffic modeling in wireless sensor network is illustrated.

Pattern Recognition;Wireless Sensor Network;Traffic Modeling

10.3969/J.ISSN.1672-7274.2016.05.021

TN911.72 文獻標示碼：A

1672-7274（2016）05-0066-03

劉恩亞，碩士研究生，助理工程師，現就職于國家無線電監測中心。

王 剛，碩士研究生，助理工程師，現就職于國家無線電監測中心北京監測站。