基于深度學習的網絡鏈路通信質量檢測方法

李 想

（廣西華僑學校，廣西 南寧 530007）

0 引言

為適應集成化應用程序的增加，滿足終端用戶對于網絡通信容量、數據高效率增長的需求，應將網絡鏈路在通信過程中的質量檢測工作作為優化互聯網建設的重點[1]。在較早時期，大部分科研人員將網絡鏈路作為一個對稱通信模型，并按照泛洪通信協議進行通信節點承載數據的測量，但根據現有理論研究成果可知，大部分網絡鏈路存在非對稱性，按照此種方式開展研究與實際存在較大偏差[2]。為解決現有檢測方法存在的問題，在本文的研究中，嘗試引進深度學習算法，設計一個全新的鏈路質量檢測方法。

1 基于深度學習的網絡鏈路通信質量檢測方法

1.1 基于深度學習建立網絡鏈路通信模型

為實現對網絡鏈路通信質量的有效檢測，引進深度學習算法，建立一個網絡鏈路通信模型[3]，此過程如圖1所示。

圖1 基于深度學習的網絡鏈路通信模型

假設在網絡鏈路通信模型中，存在一個隱藏層，將此層表示為M，M中共含有j個神經元，對神經元進行迭代，對神經元進行優化處理，將其優化的過程作為深度學習的過程，輸出的神經元通信序列可表示為下述計算公式

1.2 基于時間序列的通信鏈路局部線性平滑處理

對通信鏈路進行時間序列的劃分，按照劃分的時間序列進行數據動態處理[4]。在此過程中，需要根據通信數據在鏈路中受影響的變量，進行通信模式的觀測，觀測后掌握不同類型數據之間的動態化表達關系，保證數據在一種相對穩定的環境下安全通信后，按照非參數平滑處理方式將通信數據的加權設計值進行回歸估算。估算過程中的加權設計值具有常數逼近特點，因此可直接按照局部線性處理的方式對通信數據進行質量優化，實現對通信鏈路的處理。

由于局部處理不存在邊界效應，因此只需要選擇不同相鄰節點之間的線性平滑值作為網絡鏈路通信信號接收強度即可[5]。假設在此過程中的平滑信號在通信時的接收強度表示為 ，對 進行分解處理。

1.3 基于序列分析的網絡鏈路通信質量檢測結果

將完成局部平滑線性處理的網絡鏈路通信信號作為輸入變量，以信號在終端的接收強度為質量檢測評價指標。當強度符合標準且信噪比較高時，網絡鏈路通信質量較高；反之，認為網絡鏈路通信質量較低。在檢測其質量時，采用實時監控通信鏈路信號變化趨勢的方式，進行質量檢測結果的輸出。

在完成對信號接收強度在不同時刻的描述后，使用最小二乘計算公式獲取信號的待定系數，并在指定時刻對信號強度狀態進行表達。當獲得通信鏈路中一個完整的平滑信號后，需要對信號進行周期性采樣，完成采樣后持續進行窗口的滑動處理，得到一個向前的時間序列滑動窗口。重復上述步驟，建立一個針對此通信區段的質量監測窗口。根據信號的步長與接收強度，依次進行序列通信時間的匹配，根據終端序列的連續性，進行信號通信鏈路質量的評估。當終端序列具有連續性時，網絡鏈路通信質量較高。反之，認為此時網絡鏈路通信質量較低。

2 對比實驗

為驗證本文方法的實用性，設計對比實驗。實驗前，選擇某無線通信終端作為測試場所，隨機抽取一段歷史數據庫中的時間序列通信數據，調用數據庫中數據后對其進行編號，記錄數據包從發出端到接收端的有效通信時長，追溯其源端。按照此種方式，對數據包在網絡鏈路中的通信進行檢測。在檢測過程中，假設對端表示為A與B，其中A表示網絡鏈路發送節點，B表示網絡鏈路接收節點，提取節點A與節點B，將其布設在70.0 Mb/s的分布式光纖通信站點中。在此基礎上，使用IAR-bedded-Workbench數據編譯工具，對節點發送程序進行編譯，輔助Java語言編程數據包網絡通信接收程序與傳輸程序，按照數據包通信的轉接節點位置，將程序下載到每個節點中。按照標準化通信模式，集成數據通信傳感器，每間隔300.0 ms，從A節點進行一次數據包發送，當B節點接收到數據后，完成一次網絡通信，直到節點B完成對所有通信數據包的接收。計算在不同時間序列下數據包通信傳輸的信噪比，將與之相關的數據使用串口進行傳輸，直到PC端完成對所有串口數據的傳輸。此時，PC端將根據采樣數據、時間序列等信息，對采樣的所有原始數據進行統計，將統計后的結果導入MATLAB軟件中，使用軟件中輔助工具，對此段網絡鏈路通信中的信噪比按照時間序列進行輸出，輸出后的結果可用圖2表示。

圖2 網絡鏈路通信中信噪比時間序列輸出結果

完成對網絡鏈路通信中信噪比時間序列的輸出后，使用MATLAB軟件對獲取的原始信號進行解耦處理，處理后可得到一個針對此段通信信號的非線性時間序列圖，將此段圖示使用折線圖進行表示，如圖3所示。

圖3 通信信號的非線性時間序列圖

得到此段通信信號的非線性時間序列后，對其進行近似值解耦處理，得到一個針對此段通信信號的非平穩隨機方差序列圖，如圖4所示。

圖4 通信信號的非平穩隨機方差序列圖

將圖4得到結構導入訓練器，對其進行訓練，通過對數據的多次迭代處理后發現，此次研究得到的方差序列圖與實際通信鏈路信噪比的變化趨勢基本一致，因此，可認為本文此次設計的基于深度學習的檢測方法，在實際應用中可起到對通信鏈路質量有效檢測的作用。

在證明本文設計方法真實可用后，選擇基于圖像幀顯著變化特性的網絡鏈路通信質量檢測方法作為對比方法，分別使用兩種方法對不同規模的通信鏈路質量進行檢測。

在使用本文設計方法進行鏈路通信質量檢測時，需要先使用深度學習算法，建立一個可用于描述網絡通信鏈路通信的模型，劃分接收端與發送端在通信過程中的時間序列，提取通信中的關鍵節點，對其通信鏈路中的局部信號與區段進行平滑處理。在此基礎上，深度分析劃分的時間序列，根據不同序列的通信信號傳輸方式對網絡鏈路通信質量進行檢測，輸出檢測結果。

在使用基于圖像幀顯著變化特性的網絡鏈路通信質量檢測方法進行檢測時，需要先進行鏈路傳輸內容的識別，根據識別的結果劃分數據幀序列，根據幀數的變化趨勢進行網絡通信質量的檢測。

此次對比實驗共布置了五個實驗環境，每個實驗環境中通信節點的數量不同，分別為25.0個、85.0個、125.0個、225.0個、400.0個。在每個通信節點部署相同的干擾項，以單向鏈路通信作為支撐，隨著網絡通信鏈路節點數量地增加，對應的通信質量將隨之降低。將通信過程中的信噪比作為測試指標，信噪比降低，證明網絡通信中節點噪聲越多，網絡通信質量越差；反之，當信噪比值增加時，網絡通信節點中噪聲越少，證明網絡通信質量越佳。按照上述測試方式，使用兩種檢測方法，對不同環境下的網絡通信質量進行檢測，輸出檢測后不同測試環境通信中的信噪比，如表1所示。

表1 不同環境網絡通信質量檢測結果

從表1所示的實驗結果中可以看出，盡管兩種檢測方法都可實現對網絡鏈路通信質量檢測結果的輸出，但本文方法檢測結果更為合理，符合此次實驗環境的布設。而對比方法在進行大于100.0個節點的網絡鏈路通信質量檢測時，數值沒有發生變化，與實驗預設的環境存在不匹配的問題。綜上所述，與對比方法相比，本文設計的基于深度學習的網絡鏈路通信質量檢測方法在實際應用中具有更強的延展性，可實現對不同規模網絡鏈路通信質量的有效檢測。

3 結束語

本文對基于深度學習的網絡鏈路通信質量檢測方法展開了設計研究，并通過對比實驗證明了本文設計的網絡鏈路通信質量檢測方法應用后具有更強的延展性，可實現對不同規模網絡鏈路通信質量的有效檢測。以此種方式，提高檢測結果的精度與準確率，為現代化網絡的優化建設提供決策支持，實現對網絡建設工作的全面優化?！?/p>