基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測研究

李根

廣東工商職業(yè)技術(shù)大學(xué)，廣東 肇慶 526020

0 引言

為此，當(dāng)前部分學(xué)者對5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測技術(shù)進(jìn)行了研究。例如，戴春妮提出一種基于聚類特征自適應(yīng)機(jī)制的無線傳感網(wǎng)異常節(jié)點(diǎn)檢測算法[7]；神顯豪等人對基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)節(jié)點(diǎn)異常數(shù)據(jù)檢測方法進(jìn)行了研究[8]。但以上方法的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測效果差，如泛化能力差，易出現(xiàn)過擬合的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果，檢測結(jié)果不可信等。為了解決當(dāng)前5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測過程中誤檢率、拒檢率高等問題，以獲得理想的通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果，本文提出了一種基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型，并通過仿真對比測試驗(yàn)證本文所設(shè)計(jì)模型的優(yōu)越性。

1 基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型

1.1 5G通信網(wǎng)絡(luò)節(jié)點(diǎn)特征提取

一個(gè)5G通信網(wǎng)絡(luò)包含許多節(jié)點(diǎn)，不同節(jié)點(diǎn)的連接方式，可以產(chǎn)生不同的路由，通常選擇最短的一條路由進(jìn)行數(shù)據(jù)傳輸，可以加快數(shù)據(jù)傳輸?shù)男蔥9]。當(dāng)5G通信網(wǎng)絡(luò)節(jié)點(diǎn)出現(xiàn)異常時(shí)，其工作狀態(tài)信號就會出現(xiàn)異常，如信號可能出現(xiàn)多個(gè)波峰，均方幅值發(fā)生改變，因此首先要采集5G通信網(wǎng)絡(luò)節(jié)點(diǎn)工作狀態(tài)信號，然后從信號提取描述通信網(wǎng)絡(luò)節(jié)點(diǎn)工作狀態(tài)的特征。本文采用信號的均值（f1）、標(biāo)準(zhǔn)差（f2）、方根均值（f3）、峭度（f4）、方差（f5）、波形因子（f6）以及偏斜度（f7）作為5G通信網(wǎng)絡(luò)節(jié)點(diǎn)工作狀態(tài)特征，它們的計(jì)算公式分別為：

1.2 基于遷移學(xué)習(xí)的特征擴(kuò)容

在5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測過程中，通常假設(shè)訓(xùn)練樣本集合和測試樣本集合的特征分布空間相同，但是實(shí)際上這種假設(shè)不一定成立[10]。通過訓(xùn)練樣本集合構(gòu)建的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型，對測試樣本集合進(jìn)行檢測的泛化能力比較差，即出現(xiàn)了過擬合現(xiàn)象。

為了解決該難題，本文通過排序互信息和標(biāo)準(zhǔn)互信息對5G通信網(wǎng)絡(luò)節(jié)點(diǎn)特征進(jìn)行選擇，然后通過引入遷移學(xué)習(xí)對所選擇的5G通信網(wǎng)絡(luò)節(jié)點(diǎn)特征進(jìn)行重新映射及擴(kuò)容，以提高5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型的泛化能力。

1.3 極限學(xué)習(xí)機(jī)

式中，Y表示輸出的向量。

與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等，極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度更快[14-15]。由于5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測具有非線性變化特點(diǎn)，因此需要引入核極限學(xué)習(xí)機(jī)。

極限學(xué)習(xí)機(jī)的學(xué)習(xí)目標(biāo)為最小化誤差和輸出權(quán)重的范數(shù)，具體如下：

根據(jù)極限學(xué)習(xí)機(jī)的工作原理，將式（12）進(jìn)行簡化，那么其目標(biāo)就變?yōu)椋?/p>

氣象觀測是氣象工作和大氣科學(xué)發(fā)展的基礎(chǔ)。氣象觀測數(shù)據(jù)分析，為天氣預(yù)報(bào)提供基礎(chǔ)的氣象參數(shù)，通過長期積累和統(tǒng)計(jì)，整理完善為氣候資料，為農(nóng)業(yè)、林業(yè)、工業(yè)、交通、軍事、水文、醫(yī)療衛(wèi)生和環(huán)境保護(hù)等部門進(jìn)行規(guī)劃、設(shè)計(jì)和研究，提供重要的數(shù)據(jù)依據(jù)。

根據(jù)KKT優(yōu)化條件，可以得到

最后得到極限學(xué)習(xí)機(jī)輸出的形式為

那么相應(yīng)的極限學(xué)習(xí)機(jī)輸出形式為

1.3 遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測步驟

Step1：對5G通信網(wǎng)絡(luò)節(jié)點(diǎn)的狀態(tài)信號進(jìn)行采集，并去除無用的狀態(tài)信號，選擇有用的狀態(tài)信號進(jìn)行建模。

Step2：從5G通信網(wǎng)絡(luò)節(jié)點(diǎn)的狀態(tài)信號中提取檢測特征。

Step3：通過排序互信息和標(biāo)準(zhǔn)互信息對5G通信網(wǎng)絡(luò)節(jié)點(diǎn)檢測特征進(jìn)行選擇。

Step4：采用遷移學(xué)習(xí)對選擇的5G通信網(wǎng)絡(luò)節(jié)點(diǎn)檢測特征進(jìn)行映射，從而實(shí)現(xiàn)特征擴(kuò)容。

Step5：將映射后標(biāo)記的5G通信網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)檢測樣本輸入核極限學(xué)習(xí)中進(jìn)行學(xué)習(xí)，建立5G通信網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)檢測模型。

Step6：將映射后未標(biāo)記的5G通信網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)檢測樣本輸入到建立的5G通信網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)檢測模型進(jìn)行測試，并輸出檢測結(jié)果。

綜合上述可知，基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測流程圖1所示。

2 仿真測試

2.1 測試環(huán)境

為了測試遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測效果，對其進(jìn)行仿真測試，具體測試環(huán)境見表1。

表1 5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測測試環(huán)境

2.2 測試對象

為了增強(qiáng)實(shí)驗(yàn)結(jié)果的說服力，共進(jìn)行5次仿真實(shí)驗(yàn)，每一次仿真實(shí)驗(yàn)采用不同數(shù)量的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)，具體見2。選擇文獻(xiàn)[7]和文獻(xiàn)[8]方法進(jìn)行對比測試。

表2 5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測實(shí)驗(yàn)的樣本

2.3 測試結(jié)果與分析

統(tǒng)計(jì)3種模型的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果的正確率、拒檢率，分別如圖2和圖3所示。對圖2和圖3進(jìn)行分析之后有如下發(fā)現(xiàn)。

圖2 5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測正確率

圖3 5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)的拒檢率

（1）文獻(xiàn)[7]和文獻(xiàn)[8]所采用方法的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測正確率的平均值分別為：86.26%和89.46%，基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測正確率的平均值為95.20%，5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果得到了明顯的改善，驗(yàn)證了本文設(shè)計(jì)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型的優(yōu)越性。

（2）文獻(xiàn)[7]和文獻(xiàn)[8]所采用方法的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)的拒檢率的平均值分別為：13.74%和10.54%，而基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測的拒檢率的平均值為4.80%，減少了5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測的拒檢率，獲得了更優(yōu)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果。

3 結(jié)語

為了獲得更優(yōu)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果，本文提出了基于遷移學(xué)習(xí)的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型。首先采集5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)狀態(tài)信號，再從信號中提取其檢測特征，并對特征進(jìn)行擴(kuò)容，最后建立5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測模型，實(shí)現(xiàn)對其的檢測。結(jié)果證明，該模型較好地解決了當(dāng)前5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測建模過程中存在的難題，能夠獲得更加理想的5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)檢測結(jié)果，可以為5G通信網(wǎng)絡(luò)維護(hù)人員提供有用的參考信息，有利于保證5G通信網(wǎng)絡(luò)正常工作。但由于在研究時(shí)，不曾對5G通信網(wǎng)絡(luò)異常節(jié)點(diǎn)類型進(jìn)行分類，因此為使其適用于更多條件，后續(xù)還要加強(qiáng)對此方面的研究。