基于神經網絡的船舶通信網絡異常數據識別

田銀磊，劉書倫

(1.濟源市網絡智能創新集成應用技術研究中心，河南 濟源 459000；2.濟源職業技術學院，河南 濟源 459000)

0 引 言

通信網絡是船舶進行信息傳輸、數據交換的主要工具，其不僅能夠保證內部數據交換，還能夠與外界交互。當前的船舶通信網絡的通信模式呈現多設備、多區域以及多模式的物聯網通信模式，該種模式的數據變化量較大，并且通信網絡節點間的認證協議多樣化，使得網絡數據流傳輸過程中容易出現異常。該情況不僅會影響船舶與外界的實時通信質量，還會影響船舶通信網絡的快速、安全工作。因此，如何提升船舶通信網絡質量是當前亟待解決的問題。

為此，佟冬等將孿生神經網絡用于識別網絡通信異常數據這一問題中，此方法考慮到通信網絡數據維度差異所潛在的問題，引入數據降維這一環節，可有效提升數據質量，從而保證孿生神經網絡在識別通信異常數據時，識別結果具有可靠性，但其未曾重視權重對孿生神經網絡穩定性存在的影響，如果權重設置不合理，包括孿生神經網絡在內，大部分的神經網絡模型均會出現震蕩問題，此時的通信異常數據捕獲結果，便存在一定誤差，無法滿足當前船舶通信網絡需求。

趙英等將聯邦學習技術與卷積神經網絡相融，設計網絡入侵檢測分類模型，此模型在簡單的訓練處理下，便可用于網絡入侵數據識別的二分類應用中，并取得了較好的應用效果，但該模型沒有考慮通信網絡數據中，除了通信數據，還存在大量冗余數據，在不對此類數據進行預處理的條件下直接用于異常檢測，會導致檢測精度受到負面影響。

結合存在的問題，本文研究基于改進神經網絡的船舶通信網絡異常數據識別方法。此方法不僅在識別之前對船舶通信網絡數據進行預處理，保證數據質量，還使用粒子群算法調節模糊神經網絡的連接權重，從而在保證模糊神經網絡模型穩定可靠的前提下，有效識別船舶通信網絡異常數據。

1 基于神經網絡的船舶通信網絡異常數據識別

1.1 船舶通信網絡數據預處理

由于船舶通信網絡數據在采集過程中會受通信設備本身以及外部環境條件的干擾，導致數據出現冗余情況，此時數據的平滑性受到影響，數據維度特征便會存在差異，所以需要將船舶通信網絡數據執行預處理，保證數據平滑且維度一致，以此提高數據質量。設置船舶通信網絡數據為x，選用統計極限值方法完成通信網絡數據預處理，主要將通信網絡數據映射至統一數據區間[0 1]，即

表示多模態通信網絡數據的超參數。

1.2 基于聯合關聯規則的網絡數據特征提取方法

設預處理后的通信網絡數據集合中，共存在種特征屬性：

其中：()是多模態通信網絡數據特征屬性參數，屬于混合特征參數；()為離散系數。

分解船舶通信網絡數據集合的混合特征()，使用聯合關聯規則，設計船舶通信網絡數據的自相關特征分塊函數，提取船舶通信數據混合特征S：

其中：(ω)為聯合關聯規則中，離散范圍的規則向量集；為離散范圍數；S，依次為混合特征()中第類、第 ω 類特征屬性；s ，依次為第個通信網絡數據的特征值向量、多模態通信網絡數據重心；ω為權重。

1.3 基于粒子群優化模糊神經網絡的網絡異常數據識別模型

針對船舶通信網絡數據特征S，構建基于粒子群優化模糊神經網絡的網絡異常數據識別模型，用于識別船舶通信網絡異常數據。因船舶通信網絡異常狀態不固定，如多種入侵行為下，通信網絡會出現多種異常數據，數據類型的多樣化特征導致數據類型存在模糊性，不可以直接使用二分類模型。為此，使用模糊神經網絡模型，此模型的自學習能力顯著，適用于船舶通信網絡異常數據識別問題中。模糊神經網絡包括輸入、模糊化、推理、歸一化、反模糊化及輸出6 層，不同之間通過神經元節點連接。其中，輸入層輸出的神經元就是模糊層的輸入神經元，此神經元即為提取的通信網絡數據特征S，層層相連，上一層的輸出結果即為下一層的輸入樣本。輸入層：此層輸入的樣本即為提取的船舶通信網絡數據特征S。模糊層：劃分船舶通信網絡數據特征樣本，將各個特征樣本以隸屬度函數為標準，歸類至模糊子空間。將輸入的維船舶通信網絡數據特征劃分成類，劃分后的網絡數據特征聚類中心數量是×個，此時船舶通信網絡數據特征聚類結果為：

其中：S，n和c分別為第維船舶通信網絡數據特征、數據特征數量以及第維第類數據特征的聚類中心。

推理層：結合模糊層輸出的數據特征模糊隸屬度，構建模糊規則u，以此將網絡數據特征變換為模糊矢量，降低后續數據識別難度。

計算歸一化層：將推理層設計的模糊規則實施歸一化處理，以此保證模糊神經網絡在識別船舶通信網絡異常數據特征時可快速收斂，歸一化輸出為：

反模糊化層：以反模糊化的方式調整數據特征隸屬度值，以此降低船舶通信網絡數據特征分類難度，并將調整后隸屬度值傳輸至輸出層，此時設置反模糊化層與輸出層的連接權矩陣是。

輸出層：輸出層使用Softmax 分類器，輸出船舶通信網絡異常數據識別結果。Softmax 分類器能夠解決通信網絡多種異常數據識別問題：

神經網絡對反模糊化層與輸出層的連接權矩陣存在高度敏感性，微弱的變化也會導致網絡出現震蕩問題.為此，使用粒子群算法調節連接權重，以此保證模糊神經網絡的穩定性。將提取的數據特征中某部分數據特征設成第個訓練樣本，構建連接權矩陣和粒子維度之間映射，各個粒子的維度信息即為連接權矩陣的可行解。運算模糊神經網絡輸出的均方誤差，將其設成粒子群算法的適應度函數：

一般情況下，船舶通信網絡異常數據和其上一時間的異常數據具有一定相關性，為簡化船舶通信網絡異常數據識別建模過程，將前個時間的船舶通信網絡異常數據當作影響因素，第和-1時間的船舶通信網絡數據特征分別設成S()和S(-1)，則第+1時間的船舶通信網絡數據特征輸入樣本表示為S={S(),S(-1),···,S(-+1)}。將其設成基于粒子群優化模糊神經網絡的網絡異常數據識別模型的識別樣本。

首先訓練模糊神經網絡，依據模糊神經網絡訓練誤差，使用粒子群算法調整模糊神經網絡的連接權矩陣，最后在訓練誤差滿足異常數據識別需求后，建立基于粒子群優化模糊神經網絡的網絡異常數據識別模型，識別船舶通信網絡異常數據類型。

2 實驗結果與分析

以某船舶通信網絡為實驗對象，該船舶通信網絡由綜合導航控制臺、服務器、氣象儀、磁羅經、電羅經、導航雷達以及RS485 通信總線構成，利用服務器和RS485 通信總線連接地面站數據中臺，該數據中臺與短波通信系統、衛星通信系統以及自組網通信系統相連，實現船舶與地面之間的通信。設置RBF 神經網絡模型的學習率為0.5，動量因子數值為0.05，高斯函數中心值區間為-1～10 之間。在上述實驗環境下，對本文方法展開驗證。

船舶通信網絡數據的預處理是識別其異常類型的基礎。以某一條船舶通信網絡數據為實驗對象，使用本文方法對其進行冗余預處理，結果如圖1 所示。分析圖1 可知，該條通信網絡數據在預處理前，其響應幅值曲線上存在干擾點數據點，響應幅值曲線不夠平滑。而經過本文方法對其進行預處理后，該條通信網絡數據的響應幅值曲線呈現平滑狀態，曲線上的干擾數據點均被去除。上述結果說明：本文方法可有效去除船舶通信網絡數據內存在的冗余數據，具備較好的預處理效果。

圖1 船舶通信網絡數據預處理測試結果Fig.1 Pretreatment test results of abnormal data of ship communication network

以預處理后的該條船舶通信網絡數據為實驗對象，使用本文方法提取數據特征。測試一段時間內，本文方法提取船舶通信網絡數據的響應幅值，將其作為網絡數據的特征，測試本文方法的數據特征提取效果，結果如圖2 所示。分析圖2 可知，該條船舶通信網絡數據在時間為2.6 min 左右之前時，其響應幅值在0.5 db 左右呈現輕微波動趨勢，當時間超過2.6 min 后，該條艦通信網絡數據的響應幅值呈現驟降趨勢，說明在該時刻后，該條數據出現異常情況，隨著時間的持續增加，該條數據的響應幅值又恢復到0.5 db 左右。使用本文方法提取該船通信網絡數據特征時，其響應幅值的數值在曲線波谷處與其實際值存在偏差，但偏差數值極小。結果說明，本文方法可有效提取船舶通信網絡數據特征，且提取結果較為精準。

圖2 船舶通信網絡數據特征提取結果Fig.2 Abnormal data feature extraction results of ship communication network

利用本文方法識別出實驗船舶通信網絡的異常數據結果，用表1 描述。通過表1 可以看出，本文方法能夠有效識別不同類型船舶通信網絡數據中的異常數據，并能夠精準識別出異常數據所屬類型，識別效果較好。

表1 本文方法的識別結果Tab.1 Identification results of the proposed method

為驗證本文方法的性能，以DA（Detec-tion Accuracy），TPR（True Positive Rate），PRE（Precision）為指標評價船舶通信網絡異常數據的識別結果，結果如圖3 所示。其中DA 表示全部實驗船舶通信網絡樣本數據內被正確識別的樣本數占總樣本數的比例；TPR 表示實驗樣本數據內被識別為船舶通信網絡異常數據的樣本量占總樣本數的比例；PRE 為識別精度。通過圖3 可以看出，在船舶通信網絡數據異常量不斷提升的情況下，本文方法各項指標均呈緩慢上升態勢，表示數據異常量在一定區域內的提升能夠有效提升船舶通信網絡異常數據的識別效果，各項指標的數值均高于0.95，表示本文方法具有較好的船舶通信網絡異常數據識別效果。

圖3 船舶通信網絡異常數據的識別結果Fig.3 Identification results of abnormal data of ship communication network

3 結 語

本文研究基于神經網絡的船舶通信網絡異常數據識別方法，通過船舶通信網絡進行數據預處理、提取船舶通信網絡數據特征、異常數據識別。在異常數據識別這一步驟，使用粒子群算法調節模糊神經網絡的連接權重，保證模糊神經網絡模型穩定后，將船舶通信網絡數據特征集，輸入訓練好的模糊神經網絡模型，就能夠獲取船舶通信網絡異常數據識別結果。實驗驗證該方法所識別船舶通信網絡異常數據的精度高，可有效應用于實際船舶通信網絡安全防護。