基于最小二乘支持向量機的無線網絡信道檢測①

周向軍

(廣東省外語藝術職業學院 信息學院,廣州 510507)

1 引言

隨著網絡技術、通信技術以及無線電技術的不斷發展,出現無線網絡通信系統,其在許多領域得到了成功的應用[1,2].在無線網絡的通信過程中,一些非法用戶會假裝成為合法用戶對數據進行竊取,占用信道,造成網絡資源的嚴重浪費,而無線網絡信道檢測是一種保證網絡正常通信的一項關鍵技術,因此對無線網絡信道檢測進行研究具有十分重要的意義[3,4].

針對無線網絡信道檢測問題,學者進行了大量、深入的研究,提出一些無線網絡信道的檢測機制.最初無線網絡通信機制沿用有線網絡的信道檢測機制,由于無線網絡的開放性、隨機性,信道具有強烈的時變性等特殊性,導致有線網絡信道檢測機制的檢測效果差[5,6].隨后學者采用密鑰對信道進行加密實現網絡通信安全保證,該機制可以保證無線網絡信道的安全性,但密鑰的產生、分配目前還沒有統一的指導,全憑經驗進行設置,無法正確有效識別一些非法用戶,無線網絡信道檢測的缺陷明顯[7].有學者提出了基于身份證的無線網絡信道檢測機制,該機制與密鑰機制沒有本質區別,同樣無法有效保證無線網絡通信的安全性[8].近幾年,隨著機器學習算法的不斷成熟,有學者提出基于BP神經網絡、支持向量機等的無線網絡信道檢測機制[9,10],其中BP神經網絡的結構復雜,基于“大數定理”,要求無線網絡信道檢測的樣本多,導致信道檢測成本高,支持向量機沒有訓練樣本數量的限制,具有良好的信道檢測效果,但訓練時間長,導致信道檢測的時間復雜度高,無線網絡信道檢測實時性差[11].最小二乘支持向量機 (Least Squares Support Vector Machines,LSSVM)對支持向量機的學習過程進行簡化,大幅度縮短了建模時間,而且具有良好的泛化能力,為無線網絡信道檢測提供了一種新的工具[12].

為了獲理想的無線網絡信息檢測結果,結合無線網絡信道的時變性等變化特點,提出了最小二乘支持向量機的無線網絡信道機制.首先建立無線網絡信道檢測的假說模型,然后采用最小二乘支持向量機構建無線網絡信道檢測模型,最后在Matlab 2014平臺上的仿真實驗結果表明,最小二乘支持向量機獲得了高精度的無線網絡信道檢測結果,大幅度降低了數據傳輸的誤碼率,檢測結果明顯成于當前經典檢測機制.

2 無線網絡通信模型及相關假說

2.1 無線網絡的通信模型

在無線網絡中,由于經常有一些非法用戶的入侵,在通信過程加入了發送者身份識別技術,減少高層認證緩存負載,以提高無線網絡通信的安全,無線網絡通信模型結構如圖1所示[13].在圖1中,全部實體處于其它實體的有效通信范圍內,共包括3類實體,其中Alice 和 Bob 表示合法的實體,Eve 表示非法實體,當Alice和Bob之間的相互通信時,Eve會偽裝合法實體給Alice和Bob發送消息,那么Alice和Bob就要通過信道檢測機制辨識消息來源合法性.

圖1 無線網絡通信模型結構

無線網絡信道受到多種因素的綜合影響,信道具有一定的時變特性,主要表現在小尺度效應和大尺度效應兩個方面.尤其在室內環境,信道變化十分顯著,這給信道檢測帶來一定的困難,本文主要針對室內低速移動場景的信道進行檢測.

2.2 信道檢驗假設

無線網絡實際是一種多輸入多輸出系統,將用戶劃分為兩種: 主用戶和普通用戶,主用戶對信道使用具有優先權,普通用戶只能使用主用戶不使用的空閑信道,一旦主用戶要使用某信道,普通用戶必須馬上停止使用該信道,為此無線網絡通信系統采用頻譜分配的信道使用方式.無線網絡采用分層通信機制,實現雙向通信認證,傳輸信息中含有身份認證信號,Bob接收來自Alice的身份認證信號,Bob通過身份認證信號估計得到信道響應,信道檢驗假說模型具體如下:

無線通信通信信道的檢測檢測問題為: 給定一個合法用戶的信道向量判斷下一個連續的信道向量是否來自于Alice,并且滿足最優信道選擇原則,結合無線網絡信道變化特點,選擇最小二乘支持向量機實現無線網絡信道的檢測.

3 最小二乘支持向量機的無線網絡信道檢測機制

3.1 最小二乘支持向量機

設的樣本集合: (xi,yi),i=1,2,…,n,其中xi表示輸入,yi表示類別,那么可以得到這樣的函數形式:

根據結構風險最小化原理,最小二乘支持向量機可以得到:

式中,γ表示LSSVM的正則化參數.

引入拉格朗日乘子αi,得到:

基于KKT理論可以得到:

同時滿足如下條件:

根據徑向基函數作為LSSVM核函數,徑向基函數具體為:

式中,σ為徑向基函數的寬度.

由于無線網絡信道檢測是一種分類問題,因此最后最小二乘支持向量機的分類函數為:

3.2 粒子群算法優化分類器的參數

無線網絡信道檢測中,分類器的參數γ和σ對檢測結果影響十分嚴重,為此本文選擇粒子群算法優化參數γ和σ以獲得更優的無線網絡信道檢測結果.粒子群算法對鳥群覓食行為進行模擬,通過個體和種群協作與競爭機制模擬問題的求解過程,找到問題的最優解.

設共有M個粒子,在第t代、的最優位置為第t代速度和位置為:粒子群的最好位置為粒子速度和位置更新方式為:

式中,c1為認知項系數,c2表示社會項系數.

為了更加有效好搜索問題的最優解,強入慣性權重w,式 (9)變為:

w值越大時,全局搜索能力強,w值越越小,局部搜索能力強,為平均全局搜索能力和局搜索能力,采用動態方式對w進行調整,具體如下:

3.3 最小二乘支持向量機的信道檢測流程

在無線網絡信道檢測過程中,首先提取信號檢測參數向量,然后通過最小二乘支持向量機進行信道檢測和分類,得出檢測結果,具體流程如圖2所示.

圖2 最小二乘支持向量機的信道檢測流程

4 無線網絡信道檢測的實例分析

4.1 測試環境

為了客觀、全面分析基于最小二乘支持向量機的無線網絡通信檢測機制的有效性,在Maltab 2014平臺進行了無線網絡通信檢測仿真實驗,為了使本文機制的檢測結果具有可比性,在相同實驗條件,選擇支持向量機、BP神經網絡的無線信道檢測機制進行對比測試,無線網絡通信系統的驗參數見表1.

表1 無線網絡通信系統的相關參數

4.2 結果與分析

4.2.1 信道檢測結果測試

對采集到的無線網絡信道檢測數據進行預處理,如去噪,歸一化操作等,然后按3:1的比例將數據劃分為訓練數據和測試數據.訓練數據用于訓練最小二乘支持向量機,構建無線網絡信道檢測的分類器,并且采用粒子群算法對無線網絡信道檢測分類器的參數進行優化,最后根據無線網絡信道檢測分類器對測試進行分類和檢測,檢測結果見圖3.

圖3 不同無線網絡信道檢測機制的檢測結果

對圖3的無線網絡信道檢測的正確率進行對比分析可知,BP神經網絡的無線網絡信道檢測的正確率最低,支持向量機的和最小二乘支持向量機的無線網絡信道檢測的正確率相差不大,均獲得理想的無線網絡信道檢測結果,這是因為BP神經網絡是一種傳統機器學習算法,基于“大數定理”,要求無線網絡信道檢測的訓練樣本數量相當大的,而無線網絡信道檢測的訓練樣本有限,無法滿足“大數定理”的要求,導致無線網絡信道檢測的虛警率高,無線網絡信道檢測結果的可信度低,實際應用價值低.

4.2.2 數據傳輸誤碼率測試

對不同的無線網絡信道檢測機制,隨著仿真時間不斷變化,它們的數據傳輸累計誤碼率仿真結果見圖4.從圖4可知,無線網絡通信累計誤碼率隨著仿真時間的延長而不斷攀升,這是因為仿真時間越長,數據傳輸的數量不斷增加,那么數據傳輸錯誤不斷增加,導致數據重傳統的次數不斷增加,數據傳輸的成功率也相應的下降,在相同仿真時間段內,BP神經網絡的數據傳輸累計誤碼率最高,其次為支持向量機,數據傳輸累計誤碼率最小者為最小二乘支持向量機,這表明最小二乘支持向量機可以更好的對無線網絡信道進行檢測,使數據通過更加可靠信道進行傳輸,增強了無線網絡通信的魯棒性.

圖4 無線網絡通信累計誤碼率

4.2.3 吞吐量測試

統計所有無線網絡通信檢測機制的吞吐量,結果如圖5所示,從圖5可以發現,隨著無線網絡信號質量的不斷改善,所有機制的吞吐量得到相應改善,在信噪比條件下,相對于 BP 神經網絡,支持向量機,最小二乘支持向量機的吞吐量得到不同程度的提升,這主要因為最小二乘支持向量機通過粒子群算法對分類器參數優化,更加精確的實現無線網絡信道檢測,降低了非法用戶對通信干擾和不利影響,數據保密性得到增強,提高了無線網絡通信系統的安全性.

4.2.4 信道檢測的時間測試

在無線網絡通信系統的工作過程,實時性明顯得尤為重要,為此統計不同無線網絡信道檢測時間(s),結果如圖6所示,對圖6的無線網絡信道檢測時間進行比較可以發現,BP神經網絡的無線網絡信道檢測時間最短,而支持向量機的無線網絡信道檢測時間顯著增加,而最小二乘支持向量機的無線網絡信道檢測時間處于中間,雖然BP神經網絡的信道檢測速度快,但是其檢測正確率,沒有什么實際應用價值,而支持向量機的檢測速度太慢,無法滿足無線網絡信道檢測實時性,而最小二乘支持向量機兼顧了檢測效果和檢測時間的平均,綜合性能具有比較顯著的優越性.

圖5 無線網絡通信系統的保密吞吐量

圖6 無線網絡信道的平均檢測時間

5 結論

信道檢測是保證無線網絡通信安全的一種重要機制,為了提高無線網絡信道檢測的準確性,提出了基于最小二乘支持向量機的無線網絡的信道檢測機制,并且通過仿真實驗可以得到如下結論:

(1) 基于BP神經網絡的無線網絡信道檢測機制的檢測效果差,這主要是由于BP神經網絡基于經驗風險最大化原理建模,無法準確反映無線網絡信道的變化特點,獲得了較高的數據傳輸誤差率,信道通信質量差.

(2) 支持向量機以及最小二乘支持向量機基于結構風險最小化原理建模,可以對不同類型信道進行分類和檢測,提高了無線網絡信道的檢測精度,加快了數據傳輸速度,而且數據傳輸成功率也得以改善,具有比較明顯的優勢.

(3) 采用粒子群算法對最小二乘支持向量機的參數優化,可以改善無線網絡信道檢測的準確性,防止了憑經驗確定最小二乘支持向量參數的局限性,降低了數據傳輸的誤碼率,提高了無線網絡的保密吞吐量,在保證無線網絡安全性方面具有廣泛的應用前景.

參考文獻

1Pei CC,Zhang N,Shen XM,et al.Channel-based physical layer authentication.Proceedings of 2014 IEEE Global Communications Conference.Austin,TX,USA.2014.4114–4119.

2顏偉,蔡躍明,潘成康.雙向中繼信道中物理層網絡編碼的檢測.通信學報,2012,33(2): 82–86.

3朱亞東,嚴錫君.基于非平穩時頻分析的無線網絡信道均衡算法.計算機系統應用,2017,26(2): 179–183.[doi: 10.15888/j.cnki.csa.005663]

4李敏樂,畢大平,韓佳輝.適于動態信道化接收機的信道檢測算法.現代雷達,2017,39(5): 50–53.

5孫希延,劉健,紀元法,等.基于似然比檢驗的超寬帶信道檢測與定位算法.電子與信息學報,2017,39(3): 590–597.

6Marano S,Gifford WM,Wymeersch H,et al.NLOS identification and mitigation for localization based on UWB experimental data.IEEE Journal on Selected Areas in Communications,2010,28(7): 1026 –1035.[doi: 10.1109/JSAC.2010.100907]

7薛偉,宋成君,張東東.基于虛擬信道多路徑融合認知無線網絡路由算法.計算機系統應用,2015,24(10): 227–232.[doi: 10.3969/j.issn.1003-3254.2015.10.038]

8路璐,凌捷.尺度變換復雙樹小波網絡隱藏信道深度檢測.計算機應用研究,2017,34(1): 256–260.

9劉標,蘭少華,張晶,等.一種基于遞歸圖的網絡時間隱蔽信道檢測方法.計算機科學,2015,42(2): 114–117,149.[doi: 10.11896/j.issn.1002-137X.2015.02.024]

10梁竣.網絡存儲隱蔽信道檢測的改進與優化仿真.計算機仿真,2017,34(2): 406–409.

11劉義,蘭少華.基于 One-class SVM 的網絡時間隱蔽信道檢測方法.計算機與現代化,2017,(6): 108–111,121.

12劉春.基于PSO-LSSVM的網絡流量預測模型.計算機系統應用,2014,23(10): 147–151.[doi: 10.3969/j.issn.1003-3254.2014.10.025]

13楊建喜,戴楚屏,姜停停,等.基于支持向量機的 4G 室內物理層認證算法.計算機應用,2016,36(11): 3103–3107,3112.[doi: 10.11772/j.issn.1001-9081.2016.11.3103]