基于聯合壓縮感知重構的網絡通信服務目標數據檢測技術

孫雪峰

(吉林大學 教育技術中心，長春 130012)

0 引言

在網絡通信服務過程中，服務目標對象與服務器是直接通信的，該種通信方式使服務器連接的終端用戶數量巨大，需要保證一個服務器能在短時間內立刻查到數以萬計的客戶端查詢到指定目標，并建立良好網絡結構才能實現[1]。日益更新網絡入侵形式能夠引起人們對網絡安全問題的重視，作為能夠檢測數據異常的技術，依據網絡數據特征分析已經標記的數據異常變化規律，由此捕獲異常數據特征。以往大都采用高維隨機矩陣分析網絡數據特征，通過相關矩陣模型推導目標數據檢測過程，雖然該方法檢測效果較好，但通信數據服務類型區分并不明確，導致檢測結果可靠性較低。而采用無監督組建支持向量機模型的檢測技術，是將主動學習方法與目標數據檢測結合起來，通過人工標記方式能夠擴展異常檢測模型，但該方法更適用于大范圍的通信環境。而在實際環境中，應用該技術無法高效分析數據樣本捕獲過程，導致后續計算結果存在較大誤差，檢測結果精準度也相對偏低。針對當前以往檢測技術存在的問題，提出了基于聯合壓縮感知重構的網絡通信服務目標數據檢測技術。

1 聯合壓縮感知重構原理

微電機系統隨著工作人員對網絡通信服務目標數據采集需求增強，其應用范圍也不斷擴大，因此網絡通信服務中節點功能也需增強。微電機系統中數據傳送效率成為研究重點，為了提高系統數據傳輸效率，將節點捕獲到的數據全部壓縮后再傳送，以此降低網絡帶寬要求，對單個節點數據存儲與處理要求也相對寬容[2]。傳統數據壓縮要求網絡通信節點所捕獲目標對象信號頻率是信號頻率兩倍，否則無法還原原始信號。傳統數據壓縮將捕獲到的信號全部發送到下一個節點之前，需將信號接近零的數據進行變換處理，并保留少量系數，再將該系統編碼壓縮[3]。

以往數據壓縮雖然能夠減少數據量，但在高頻率采樣過程中，大量信息采集將會要求網絡通信服務節點硬件設備具有高處理效率以及數字轉換能力配置。此外，數據壓縮后的信號雖然能夠舍棄大量近似于零的數據，但要求存儲信號數值并沒有減少節點采集數據量[4]。

2 稀疏目標數據采集

結合聯合壓縮感知原理可知，若網絡通信服務節點是隨機部署的，那么離散小波變換就可視為感知數據稀疏基。在網絡通信服務過程中，不同節點之間通信是具有較強關聯性的，由于網絡拓撲結構變化相對復雜，但小波變換能夠應用于任意位置，支撐交換函數，并構造一個正交基，其所產生的基向量可用數據系數表示，使得感知數據能夠在某一變換區域內以稀疏形式表示，方便壓縮數據采集[6]。

在網絡通信服務環境中，由于溫度是一個緩慢變化的信號，因此，溫度突變是具有很強稀疏性的，異常溫度變化很可能為一個稀疏事件[7]。在網絡通信服務區域內是否出現稀疏信號，需通過網絡通信連接溫度指示器，判斷服務節點溫度[8]。溫度指示器如圖1所示。

圖1 網絡服務節點用溫度指示器

通常情況下，不同節點溫度是在一定范圍內變化，一旦節點溫度超過這一范圍時，所連接的溫度指示器讀取結果為1，否則為0。系數數據采集過程可描述成如圖2所示。

圖2 系數數據采集過程

具體采集過程如下所示：

將N個網絡節點與1個sink節點組成抽象無向圖，圖中的每個網絡節點都需隨機分配一個編號，如果兩個網絡節點能夠相互通信，那么說明無向圖中的邊集合是存在的[9]。如果網絡節點存在一個數據，那么網絡節點的數據是可以寫成一個列向量的，因此可用稀疏基來表示。在網絡通信服務環境中，網絡節點周期性采集數據并將數據全部存儲在本地之中，sink節點存儲全部數據，通過監視網絡通信服務區域內稀疏數據檢測，確定稀疏二進制矩陣[10]。初始化矩陣，在每列中隨機選擇位置，保證位置元素都為1，其他位置元素為0，通過該方法構造稀疏二進制矩陣，保證數據恢復性能。根據稀疏數據采集方法，編號移動代理，使其遷移到一個感興趣節點位置，并獲取該節點感知數據，這時將攜帶感知數據進行加權處理，以此進行下去，直到感知興趣節點都被移動代理所訪問為止，由此完成稀疏目標數據采集[11]。

3 網絡通信服務目標數據檢測

3.1 未知數量檢測數據精確重構

采用聯合壓縮感知技術對網絡通信服務數據異常進行檢測，其中涉及到的上下層節點網絡通信數據需要及時處理，才能保證構造的稀疏矩陣無需進行預處理，就能滿足約束等距條件[12]。采用離散編組形式，能夠及時捕獲網絡通信結果，進而實現對未知數量檢測數據精確重構。

假設網絡通信服務檢測節點信號是線性疊加的，那么將不會存在網絡信號之間的干擾問題。將網絡通信服務目標數據檢測數據用向量來描述，當檢測數據處于非工作狀態下時，相應信號值將為0，由于目標數據檢測數量滿足服務檢測數據遠遠小于目標數據檢測數據情況時，則相應信號值為稀疏度的N維向量。采用聯合壓縮感知理論對檢測到的信號進行重構，并采用正交矩陣進行描述。

當滿足觀測節點遠遠小于目標數據維數時，相應信號值足夠稀疏，且目標數據檢測節點信號滿足路由信息協議時，能夠依據求解最小初始步長范數稀疏重構出目標數據檢測信號。結合相關數據可知，求解出來的最小初始步長問題屬于最小編譯問題，將該過程應用到信號稀疏重構過程之中，能夠顯示出相應編組位數，以此轉換為進化算子。通過不斷迭代更新處理蜘蛛算子后，獲取相應權重最高個體，并進行編組位變換，提升網絡通信服務數據樣本信號稀疏重構過程的多樣性，以此保證算法收斂最優解。

綜上可見，《辦法》已不局限于排堵保暢，還應關注船舶通航和水運市場的需求與導向，特別是船舶尺度尚未放寬的限制問題。對此，交通運輸部海事局根據京杭運河現有標準船型主尺度系列的實際情況，結合航道、港口(碼頭)、橋梁、船閘、裝卸工具等設施現狀，對原《辦法》第五條作出修訂，見表1。

3.2 數據異常檢測

提取最優重構數據，利用構造函數計算網絡通信服務數據之間的相似度，根據該相似度能夠區分不同樣本，進而剔除多余數據。

采用聯合壓縮感知技術對網絡通信服務目標數據進行檢測，具體實施過程如下所示：

通過重構后的強相關數據連接記錄、連接記錄相應特征、通信服務數據特征近似度計算通信服務數據間近似度，并確定重構后通信服務數據分類線性邊界。如果強相關性訓練數據是線性可分的，那么將存在一對相應決策函數，使網絡通信服務數據間隔最大等價達到最小，即為通信服務數據最優分類面，由此實現網絡通信服務目標數據檢測。

4 實驗分析

基于聯合壓縮感知重構的網絡通信服務目標數據檢測技術研究可靠性，設計了一種簡化網絡拓撲結構，如圖3所示。

圖3 簡化網絡拓撲結構

將FusionServer RH2288 V3服務器作為重要控制設備，保證每個端都能與服務器直接通信，使每一個加入網絡的用戶，都能將基本信息添加到服務器資料庫之中，以此查找數據資料庫中指定目標信息，進而確定目標精確位置，使客戶端不會因設備故障停機而影響其他客戶端的正常通信。

4.1 實驗環境設置

在進行實驗測試時，需在Visual C++6.0環境中，采用C++語言編譯來實現。運行的機器配置型號為Pentium4，CPU為3.0 GHz，內存大小為512 MB。在Matlab實驗平臺上，提取網絡監測系統下的真實數據，每隔15分鐘進行一次采樣，實驗設備選擇Intel(R)Core(TM)i5-3210CPU2.5 GHz型號計算機，內存大小為16 GB。

運行機器內核配置如圖4所示。

圖4 運行機器內核配置

4.2 通信量分析

將聯合壓縮感知檢測技術中的稀疏目標數據采集方法與以往方法在不同壓縮率情況下，隨著網絡節點數量增加，各個方法在通信總量變化方面進行對比分析。圖5(a)是壓縮率為10時的不同方法總通信量實驗結果，圖5(b)是壓縮率為5時的不同方法總通信量實驗結果。

圖5 不同方法總通信量

1)壓縮率為10：當節點數量為800個時，無監督組件支持向量機模型檢測技術、高維隨機矩陣檢測技術和聯合壓縮感知重構技術的通信量依次為0.18×104bit、0.38×104bit、0.75×104bit；當節點數量為1100個時，三種技術檢測的通信量依次為0.28×104bit、0.5×104bit、1.0×104bit；當節點數量為1400個時，無監督組件支持向量機模型檢測技術通信量已經達到最高為1.2×104bit，且不再發生改變，而高維隨機矩陣檢測技術和聯合壓縮感知重構技術的通信量依次為1.0×104bit 和0.39×104bit。

2)壓縮率為5：當節點數量為800個時，無監督組件支持向量機模型檢測技術、高維隨機矩陣檢測技術和聯合壓縮感知重構技術的通信量依次為0.9×104bit、0.5×104bit、0.4×104bit；當節點數量為1 100個時，無監督組件支持向量機模型檢測技術通信量達到1.2×104bit，且不再發生變化，而高維隨機矩陣檢測技術的通信量在節點數量為1 400個時，也達到最大通信量狀態。聯合壓縮感知重構技術在節點數量為1 700個時，通信量達到最大為1.0×104bit。

由圖5可看出，隨著節點數量增加，通信量也會隨之增加。聯合壓縮感知重構技術通信量遠遠小于監督組件支持向量機模型檢測技術、高維隨機矩陣檢測技術，因為聯合壓縮感知重構技術在數據收集過程中分析了不同溫度下稀疏目標數據采集過程，將通信量較大節點數據進行壓縮處理，保證節點所傳送的通信量都相對較小。聯合壓縮感知重構技術選取的簇頭位于簇中心位置，因此，簇內節點只需將信息全部發送到中心附近位置，就可將各自收集到的信息發送到接近左下角的父節點，大大增加了數據傳輸效率，進而增加網絡通信量。

4.3 實驗結果與分析

根據上述通信量分析結果可知，聯合壓縮感知重構技術隨著節點數量的增加，通信量相對較小，壓縮效果較好。為了進一步驗證聯合壓縮感知重構技術的可靠性，以500個通信服務數據樣本為例，對聯合壓縮感知重構技術檢測結果進行測試。圖6給出聯合壓縮感知重構技術對通信服務數據樣本進行分類處理，具有較好分類效果，分類線性邊界定位較為精準。

圖6 聯合壓縮感知重構技術數據分類結果

使用平均數值度量對網絡通信服務目標數據的監測效果進行評估，并與以往兩種方法進行實驗對比分析，通過獲取不同方法下的平均數值進行數據收集。通過ROC曲線能夠直觀描述出目標數據檢測率和誤報率，依據兩者之間線性關系，設置多個臨界值，由此繪制出如圖7所示的ROC曲線圖。

圖7 不同方法相應ROC曲線

由圖7可看出，無監督組件支持向量機模型檢測技術、高維隨機矩陣檢測技術ROC曲線下方所空余的面積較小，隨著誤報率增加，兩種技術目標數據檢出率始終沒超過60%；聯合壓縮感知重構技術相應的ROC曲線下方所空余的面積較大，隨著誤報率增加，該技術目標數據檢出率最高可達到87%，說明聯合壓縮感知重構技術網絡通信服務目標數據檢測精準度較高，誤報率也相對較低，數據檢測效果理想，也由此證實了基于聯合壓縮感知重構的網絡通信服務目標數據檢測技術研究方法是具有可靠性的。

5 結論

聯合壓縮感知在網絡通信服務目標數據檢測研究成為近年來研究熱點為題，在數據可壓縮條件下，通過采集少量測量值恢復大量原始數據，為數據檢測提供基礎數據。主要研究成果總結如下：

結合試驗結果可看出，提出的基于聯合壓縮感知重構檢測技術與以往檢測技術相比具有明顯優勢，主要是因為所提檢測技術利用聯合壓縮感知重構檢測技術對網絡節點所采集到的通信服務數據進行處理，能夠完成對未知數據精確重構。利用該技術在提高通信服務目標數據檢測率的同時，還能降低目標數據誤報率，檢測性能明顯更優。

研究內容仍存在一些問題總結如下：

1)基于聯合壓縮感知重構檢測技術可以均衡網絡通信服務節點之間的能量消耗，但網絡整體延遲還相對較大，因此，研究網絡延遲小且能量均衡數據分析模型是具有必要性的。

2)受到時間限制，目前只考慮了規則簇區域的劃分方式，但該方式僅適用于各種已經劃分簇區域中簇頭的選取，因此，進一步將網絡簇區域中的劃分進行研究，能夠更好地實現能量的有效收集。