移動通信網絡異常信號優化識別探討

趙琨

摘要：信息時代推動了網絡技術發展步伐，在移動通訊網絡中的應用越發自如。但影響移動網絡安全運行的因素較多，還需加強對通信網絡異常信號精準識別，通過分析網絡信號樣本信息，了解異常信號數據特征，確保用戶信息安全，但傳統網絡信號識別方式弊端較多，無法有效識別異常信號，而其中DFI技術的應用則實現了異常信號優化識別，為移動通訊網絡的穩定運行提供了基礎保障。

關鍵詞：優化識別;異常信號;移動通信網絡

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）20-0036-02

開放科學（資源服務）標識碼（OSID）：

基于現代信息技術的移動通信網絡發展迅猛，研發了大量應用軟件，為人們生產生活提供了巨大便利。但木馬病毒傳播與服務攻擊等問題層出不窮，嚴重威脅用戶信息安全。對此，準確識別網絡異常信號、確保網絡安全性與穩定運行顯得尤為關鍵。本文主要對移動通信網絡異常信號優化識別展開闡述，對異常信號識別原理與優化識別方法展開分析，希望對我國移動通信網絡的現代化發展起到積極促進作用。

1 網絡異常信號識別原理分析

識別異常信號時，提取網絡異常信號數據特征，通過異常信號數據分類，設立異常信號識別模型，完成異常信號識別。在正常情況下，信號數據匯總周期最大數量值（M），可用網絡信號數據長度（q+1）與2的比值獲得，即M=（q+1）/2。利用各匯總周期中的信號數據離均差平方、組間離均差平方值，求出網絡異常信號識別周期方差。在其基礎上，設立信號識別模型，匹配各個待檢測信號，將匹配后相同的信號，列入正常信號范疇內，不同的信號列入異常信號范圍內，以此完成對異常信號的識別。從傳統異常信號識別方法入手分析，由于受多種因素影響，導致無法準確提取異常信號數據特征。對此，漏判或誤判等情況經常出現，嚴重降低了識別精準度。而DFI（深度/動態流檢測算法）的應用，可進一步優化網絡異常信號識別方法，對移動通信網絡的健康發展起到了較大推動作用[1-2]。

2 基于DFI優化識別網絡異常信號的方法分析

DFI是依據流量識別網絡信號的技術，應用類型不同，數據流上狀態以及會話連接狀態也會存在差異。這種算法憑借自身獨特優勢，被廣泛應用于各個領域，結合SVW算法識別網絡異常信號效果更佳，準確度也隨之增強。將該技術獲取的異常信號離線訓練數據傳輸至支持向量機內，構建最優分類面向基于SVW算法的識別控制模型，完成對異常數據的優化識別。

（1）網絡信號分類

通過SVW分類器與支持向量機將數據包分成非移動通信網絡流、移動通信網絡流兩類。在向量機二值分類的同時，完成多值分類操作，對網絡信號按照不同類型進行歸一處理。通過SVW的非線性轉化操作，實現高維空間、輸入空間的有效轉換，并在高維空間內，完成信號最優分類面的求解。首先對多個維數信號樣本數據進行標記，在超平面為零的情況下，完成兩類樣本的有效識別，以此了解域歸類間隔最大的優化問題表征。當獲得域的分類函數小于假設閾值時，歸類為移動網絡信號，反之則為非移動網絡信號，以此完成信號數據的有效分類。

（2）提取信號特征

從SVM信號識別控制模型入手分析，通過該模型能夠實現不明確網絡信號數據、數字向量模式的有效轉換。利用向量機分類器對數字向量模式分類，并向信號識別控制模塊傳遞分類成果，最終實現信號控制處理。異常信號特征的提取過程如下：首先，識別目的與全部源，如果固定連接IP數、固定連接端口數目保持相同一致，將其歸為正常網絡信號一類，反之歸為網絡異常信號一類。其次，了解兩類數據流源的不同，并通過三維特征向量提取算法，完成對異常網絡信號的提取。

（3）識別通信網絡異常信號

訓練提取的異常信號特征向量。訓練預處理特征向量，合理調控SVM技術參數，參照Vapnink含義，獲取與其相符合的信號最優分類面。將SVM識別的網絡信號分類面，定義為實際決策函數。并利用此函數預處理分析待預測的異常信號特征。如果此向量在已識別的網絡記錄表內標記，直接向信號控制模塊傳遞，并列入正常網絡信號范疇，反之列為異常網絡信號范疇，以此實現對網絡信號的識別[3]。

3 實驗成果分析

將60萬條網絡數據記錄，標記成3組識別控制數據，通過傳統算法、本文算法完成異常信號識別實驗，比較不同試驗次數下的識別漏報率與精確度等結果。識別精準率是指準確分類樣本數的比重，誤報率是指誤分成移動正常樣本數目，占據全部非移動數樣本數目的比重。漏報率是指正常網絡樣本數目，錯分為非移動樣本數目，占據非移動樣本數的比重。

實驗結果如下，從識別精準度入手分析，傳統方法下，10次實驗的識別精準度為83%，20次實驗的識別精準度為81%，30次精準度為86%，40次精準度為82%，50次精準度為84%。本文方法下，10次實驗的識別精準度為97%，20次實驗的識別精準度為94%，30次精準度為93%，40次精準度為95%，50次精準度為94%。

從誤報率入手分析，傳統方法下，10次實驗的識別誤報率為0.09%，20次實驗的識別誤報率為0.11%，30次誤報率為0.14%，40次誤報率為0.02%，50次誤報率為0.14%。本文方法下，10次實驗的識別誤報率為0.02%，20次實驗的識別誤報率為0.04%，30次誤報率為0.05%，40次誤報率為0.05%，50次誤報率為0.06%。

從漏報率入手分析，傳統方法下，10次實驗的識別漏報率為0.09%，20次實驗的識別漏報率為0.11%，30次漏報率為0.15%，40次漏報率為0.24%，50次漏報率為0.36%。本文方法下，10次實驗的識別漏報率為0.02%，20次實驗的識別漏報率為0.01%，30次漏報率為0.05%，40次漏報率為0.07%，50次漏報率為0.08%。

實驗結果研究顯示，本文算法的識別有效率，明顯優于傳統算法，切實發揮了DFI技術、SVW算法整合的優勢，異常信號識別分類問題得以高效解決，以此準確獲得信號數據包特性。

本文算法的整體優越性明顯優于傳統算法，更適用于網絡異常信號的控制，試驗次數不同，兩種算法的識別結果也存在差異。從異常信號控制精確度入手分析，實驗次數在22次至28次之間，傳統方法識別控制精確度有明顯高于本文算法，同時在第10次識別實驗中，兩種方法的識別控制度相同，但其他試驗次數下的識別控制精確度，本文方法要明顯高于傳統方法，整體優越性明顯突出。從控制誤檢率入手分析，傳統方法在5-16次、22-31次、40-44次實驗中的控制誤檢率低于本文方法，但在其他實驗次數中，本文方法的控制誤檢率低于傳統方法，整體性能優于傳統方法，具有較高的應用價值。表示本文算法在識別控制中，利用支持向量機分類器，借助分類函數式，可有效展開對數字向量模式的分類，以此實現對網絡信號的高效控制處理。

實驗中可通過網絡信號的全局、局部準確率角度，比對各算法在網絡信號識別中的應用價值。局部準確率是指利用識別器，對任意某類目標信號流量的識別準確度，即定義為識別器對該種目標信號流量的識別準確度。假設第i種目標信號流量樣本數目為Ni，分類器正確識別樣本用Mi表示，局部準確率Pi公式如下：Pi=Mi/Ni。全局準確率是指正確識別目標信號流量樣本數，在全部網絡樣本總數中的占比，P=[i=11Mi] /[i=11Ni]。做傳統算法、改進算法的目標信號實時識別實驗，發現在5-100次的迭代次數中，改進算法的全局準確率平均在85%左右，而傳統算法全局準確率平均在18%左右。同時在5-100次的迭代次數中，改進算法的局部準確率平均在93%左右，而傳統算法局部準確率平均在16%左右。可見基于機器學習的移動通信目標信號實時識別的改進算法，其信號實時識別精確度，要明顯優于傳統算法，目標信號識別有效性顯著提升，對移動通信網絡的發展起到了積極推動作用。

4 結束語

綜上所述，本文在分析移動通信網絡信號識別原理的同時，對SVW算法與DFI技術整合后的支持向量機技術，應用到了網絡異常信號的識別控制中，并設立了網絡信號識別模型，彌補了傳統算法在識別異常信號的不同。通過對本文算法與傳統算法的識別準確度分析，發現本文算法更適用于異常信號識別控制，提高識別精確度的同時，推動了通信網絡技術的現代化發展。對此，值得我們近一步深入研究。

參考文獻：

[1] 李恒， 孫慧芬， 趙正平， 等. 4G網絡中負載均衡問題的優化案例分析和解決方案——移動通信課程改革校企合作案例[J]. 宜春學院學報， 2017（3）.

[2] 阮志揚.計算機網絡通訊存在的問題及如何改進[J].計算機光盤軟件與應用，2012（8）：66-67.

[3] 李尚坤， 李燕龍， 王俊義， 等. 基于時域有限差分和非參數核回歸的室內移動通信干擾信號預測模型研究[J]. 計算機應用研究， 2017（4）.

[4] 穆榮寧.計算機網絡通信安全與維護芻議[J].信息與電腦（理論版），2012（7）.

[5] 劉昱顯， 來智勇， 石復習， 等. 基于桁架的多網絡遠程控制相機精準移動方法[J]. 現代電子技術， 2018，41（12）：14-17+21.

[6] 黃婷婷.網絡通信安全分析及其安全防護措施[J].科技傳播，2012（15）.

[7] 王熙.中國移動推新融合通信運營商去管道化再創新[J].通信世界，2018（18）：35.

[8] 曾屹.探究網絡中多終端融合通信業務的實現[J].信息通信，2018（05）：230-231.

【通聯編輯：代影】