基于循環神經網絡的SPMA 協議信道狀態智能檢測改進算法

張彥暉，呂娜，*，繆競成，高旗，王翔，陳卓

(1.空軍工程大學 信息與導航學院，西安 710077；2.中國人民解放軍 94619 部隊，六安 237000)

作為數字化戰場的“黏合劑”和“倍增器”，數據鏈戰術通信系統有機鏈接不同作戰任務單元，顯著提升作戰效能[1]。21 世紀初研制的戰術瞄準網絡 技 術（tactical target network technology，TTNT）數據鏈，有機連通偵察單元和火控單元，實現對時敏目標的協同探測、協同定位和精確打擊[2-3]。

精確火力打擊對TTNT 數據鏈戰術信息的時效性、可靠性提出了極高要求，如時延小于2 ms，高優先級信息可靠性99%[4-6]。TTNT 數據鏈采用基于統計優先的多址接入(statistical priority-based multiple access, SPMA)協議，通過隨機競爭接入、多信道并行傳輸、信道狀態統計檢測、多優先級分級處理等機制[7-15]，確保戰術信息的低時延、高可靠傳輸。

SPMA 協議的信道狀態檢測算法通過周期性統計網絡中傳輸的流量脈沖數目，對信道占用狀態進行判斷，以一個周期內信道占用率的平均值作為當前發送時刻信道狀態的檢測值。TTNT 數據鏈在協同探測、定位和打擊過程中，生成和傳輸的信息多樣，不僅有目標探測、態勢感知、任務決策、戰術協同等信息，也有火力協同、精確制導和威脅告警等信息。這些信息流量的帶寬需求變化大，如窄帶的態勢、任務分發等信息，寬帶的目標圖像、視頻等信息；另外，信息流量的生成規律多樣，有周期性、隨機性、階段性等；信息流量的信道接入需求變化較大，高優先級信息需要立即接入信道、低優先級信息排隊接入信道等。可見，TTNT 數據鏈中交互傳輸的信息流量變化復雜，具有階段突發性和強波動性。對于這些流量特點，基于統計平均的信道狀態檢測存在較大判決誤差，無法準確反映波動特點。而目前對SPMA 協議的研究主要集中在多優先級業務的排隊性能理論分析[13]、信道狀態閾值動態設置[10]等，信道狀態檢測算法的改進研究較少。因此，為減小檢測誤差，更加準確地判斷信道瞬時狀態，需要設計一種能夠適應TTNT數據鏈流量變化的信道狀態檢測算法。

流量預測通常采用預測模型按照特定的規律對未來某段時間的流量變化進行預測[16]。傳統的流量預測模型如泊松過程、馬爾可夫、自回歸、卡爾曼濾波模型等，將網絡中流量建模成某種數學模型，理論基礎較為成熟，評價易于表達，但TTNT數據鏈流量特點復雜，將其理想化為某種數據模型會帶來較大誤差。考慮到流量變化的本質來源于用戶的行為，產生了基于用戶行為建模的流量預測方法，通過分析用戶的行為特點，計算用戶在不同空間和時間的通信概率，從而實現流量預測，但是這種方法結構復雜，且在TTNT 數據鏈應用背景下，對用戶行為的學習難度較大，計算效率和準確性偏低，難以大規模推廣。

隨著人工智能的發展，產生了基于深度學習的流量預測方法并不斷發展。文獻[17]分析對比了人工神經網絡（artificial neural networks, ANN）和幾種傳統的平穩時間預測模型的性能，得出ANN 模型的綜合性能要優于其他幾種模型的結論。文獻[18]提出了基于BP 神經網絡的非線性網絡流量預測方法，并證明了其有效性。文獻[19]將ANN 與多層感知器、堆疊自編碼器模型進行對比，證明ANN 的計算復雜度較小且準確性相對較高，并指出循環神經網絡（recurrent neural networks, RNN）與其他類型的神經網絡相比，具有更高的預測性能。文獻[20]進一步將幾種常見的RNN 模型進行對比，發現長短期記憶網絡（long short-term memory network, LSTM）和門控循環單元（gated recurrent unit, GRU）的性能好于其他ANN 模型。文獻[21]詳細總結了各種類型神經網絡流量預測模型的優缺點和適應場景。文獻[22-23]提出在RNN 中引入注意力機制，進一步降低了計算復雜度。

本文結合應用人工智能的流量預測算法與SPMA協議信道檢測機制的關聯性，針對SPMA 協議的信道狀態檢測算法對TTNT 數據鏈流量的突發性和強波動性特點適應性不足問題，提出一種基于RNN的SPMA 協議信道狀態智能檢測改進算法。使用RNN 預測當前到達的流量脈沖數，從而較為準確地得到當前的信道狀態。

1 問題描述

1.1 SPMA 協議及其信道狀態檢測機制

SPMA 協議作為TTNT 數據鏈的信道接入協議，通過控制用戶接入信道發送數據的時機，保證了數據傳輸的實時性和可靠性。SPMA 協議按照不同消息的服務質量(quality of service，QoS)需求把消息劃分成不同的優先級，并分別設置不同優先級的信道占用率閾值。消息到達后進入不同的優先級隊列，高優先級消息優先進入待發送狀態。其信道接入控制流程如圖1 所示。當有數據包進入待發送狀態時，先進行信道狀態檢測，將當前信道占用率與對應待發送數據包的閾值對比，若小于閾值，信道狀態為閑，發送數據；若大于閾值，信道狀態為忙，數據包回退一段時間，若在回退時間內有更高數據包到達，則更新待發送狀態的數據包為更高優先級數據包，再次進行信道狀態檢測，若回退時間內無更高優先級數據包到達，則回退時間結束后再次進行信道狀態檢測。直到信道狀態檢測結果為閑，發送數據。

圖1 SPMA 協議信道接入控制流程Fig.1 Flow chart of SPMA protocol channel access control

SPMA 協議傳統的信道狀態檢測算法是通過周期性地檢測系統在該周期內傳輸的數據脈沖總數計算出信道占用率，進而與閾值對比，判斷信道忙閑狀態。

信道占用率的計算公式為

由式(4)可判斷出根據周期內到達的流量脈沖數，即可判斷信道忙閑狀態。

1.2 問題分析

1.1 節對SPMA 協議的信道狀態檢測算法進行了數學描述，用周期內的平均信道占用率作為依據判斷信道忙閑狀態，而理論上只有周期T 無限趨近于0 時才能計算出當前時刻信道狀態的瞬時值，本節對理想條件下的信道狀態檢測機制進行了理論分析，并與實際的檢測結果進行對比，總結了SPMA協議信道狀態檢測算法存在的問題。由式(4)、式(8)和式(9)的結果可知，SPMA 協議的信道狀態檢測算法關注的是一個周期內網絡中傳輸的流量脈沖數來判斷信道忙閑狀態，而理論上必須已知當前時刻待傳輸的流量脈沖數才能判斷信道忙閑狀態，由式(9)可知，信道狀態檢測算法更關注平均值，而真正需要檢測的是瞬時值，信道狀態檢測算法的檢測結果較理論上的真實值存在一定誤差。不同樣本情況下信道狀態檢測算法檢測情況如圖2 所示。當周期內流量脈沖數變化較小時，信道狀態檢測算法能夠較準確地表示當前信道狀態；而當周期內流量脈沖數變化較大時，信道狀態檢測算法將會帶來較大的誤差，影響信道狀態判斷結果。綜上所述，為降低信道狀態檢測的誤差，需要對歷史周期數據進行處理，得到一個盡量接近當前時刻待傳輸流量脈沖數，從而相對準確地判斷出信道忙閑狀態。流量預測技術可以通過歷史的流量數據來對下一刻的流量進行預測，恰好與SPMA 的信道狀態檢測問題契合。

圖2 不同樣本下信道狀態檢測算法誤差Fig.2 Error of channel state detection algorithm under different samples

2 信道狀態智能檢測改進算法

針對第1 節中分析的SPMA 協議信道狀態檢測算法存在的問題，提出一種基于RNN 的SPMA協議信道狀態智能檢測改進算法。為提高信道狀態檢測的準確性，引入流量預測技術，采用基于RNN 的流量預測算法，通過對歷史流量數據的學習，較為準確地預測當前時刻到達的流量脈沖數，設計流量脈沖數閾值，進而對比判斷出信道忙閑狀態。圖3 為改進后SPMA 協議信道接入控制流程。為敘述方便，將SPMA 協議信道狀態檢測算法簡稱為傳統算法，將SPMA 協議信道狀態智能檢測改進算法簡稱為改進算法。

圖3 改進后SPMA 協議信道接入控制流程Fig.3 Flow chart of improved SPMA protocol channel access control

2.1 預 處 理

預處理主要根據原始數據特點和流量預測模型的輸入格式，將原始數據處理成流量預測模型可以接收且易于學習的數據。

2.1.1 處理思路

上層數據是流量變化曲線，流量預測模型主體是循環神經網絡，適合處理序列數據，因此預處理要把流量曲線轉化成序列。

進一步分析序列的構建方法。傳統算法將時間劃分成周期，每周期僅計數一次，作為信道的估計，為能反映各信道的情況，周期通常不能選的過小。與傳統算法不同，采用基于RNN 的流量預測算法需要更多的數據來反映流量的變化規律，且根據1.2 節的理論分析，采用小時隙塊來表示當前信道狀態更接近真實值，因此要將時間劃分成小的時隙。計算出每個時隙內到達的流量脈沖數，則將流量數據轉化成RNN 擅長處理的時間序列。

2.1.2 時隙塊大小

關于時隙塊大小的選擇，理論上選擇單個流量脈沖發送時間 δ能夠最為準確地表示信道狀態，但在四信道情況下，容易導致序列出現長0 或者長4 的情況，不能較好地反映出流量變化趨勢，綜合流量脈沖長度和信道帶寬，最終選擇10 ms為一個小時隙塊，能夠顯著反映流量變化。則一段時間內的流量脈沖數可表示為

借鑒文獻[10]中傳統算法的周期100 ms，不增加計數時間，選擇前9 個時隙數據作為RNN 的輸入，下一時隙數據作為輸出，并向后滑動，構建訓練集：

2.2 流量預測模型

序列預測通常采用RNN 的2 個變體：LSTM和GRU。LSTM 包含2 個隱態和3 個門，參數較多，網絡較為復雜，相比之下GRU 在性能上與LSTM 相差不大，但其網絡結構更為簡單，因此采用GRU 搭建流量預測模型，進行流量預測。GRU最早在文獻[24]中提出，并在應用中不斷改進發展，本文模型在經典GRU 的基礎上，在門函數內增加偏置以提高擬合能力。GRU 包含2 個門和1 個隱態，分別為更新門、重置門和狀態信息，結構如圖4 所示。

圖4 門控循環單元結構Fig.4 Structure diagram of gated recurrent unit

具體的流量預測神經網絡結構如圖5 所示。

圖5 流量預測神經網絡結構Fig.5 Structure diagram of traffic prediction neural network

2.3 訓練及預測

訓練過程是神經網絡進行線下學習數據特征規律，預測是完成訓練的神經網絡在線上實現預測功能。通過分析數據特點，合理設計訓練及預測過程有助于提升模型的預測性能。

如圖6 所示，空戰背景下，TTNT 數據鏈用戶在完成不同任務或者完成任務的不同階段產生的業務種類及其QoS 需求不同，而不同時間下的各種類型業務在網絡中傳輸所產生的流量不同，導致流量具有周期性、突發性、強波動性的特點，即用戶行為特征決定業務特征，業務特征決定流量脈沖特征。

圖6 循環神經網絡特征學習過程Fig.6 Feature learning process of recurrent neural network

在同樣或者相似的作戰背景中，歷史的用戶行為和實時的用戶行為是具有相關性的，其傳輸的業務即歷史統計業務和實時業務，也是具有相關性的，而作為底層的流量脈沖也必然會承載著用戶行為特征信息和業務特征信息，通過線下對歷史流量脈沖的學習，能夠學習到隱藏的序列特征和脈沖序列上層的特征，即用戶行為特征和業務特征，從而在線上實現對實時情況的預測。

圖7 為流量預測模型的結構及其訓練和預測過程。由圖5 可知，神經網絡能夠實現式(13)所示的映射關系：

圖7 流量預測模型的訓練和預測過程Fig.7 Training and prediction process of traffic prediction model

3 仿真驗證

3.1 數 據 集

本文實驗數據利用wireshark 軟件在TTNT 數據鏈仿真平臺進行抓包構建，用TTNT 數據鏈仿真平臺模擬實際作戰場景中TTNT 數據鏈從發現目標到摧毀目標到最后的評估過程，為TTNT 數據鏈設置各種類型的業務，模擬真實作戰中產生的各種業務，每次任務模擬5 min，共模擬5 次任務。

對5 次模擬作戰任務的全過程進行抓包，以10 ms為間隔統計流量脈沖數，生成流量脈沖序列，每個序列含30 000 個數據。前4 次抓包產生的數據作為訓練集，最后1 次產生的數據作為測試集進行實驗，并在測試集中抽取具有代表性的連續的700 個數據進行分析。

3.2 流量預測準確性分析

算法預測準確性采用4 個常用指標評判，即均方誤差(mean squared error, MSE)、均方根誤差(root mean squared error, RMSE)、平均絕對誤差(mean absolute error, MAE)、R2值：

式中：MSE、RMSE 和MAE 表示檢測值的均方誤差、均方根誤差和平均絕對誤差，誤差越小檢測值越準確；R2值表示檢測算法對數據的擬合能力，R2值越大表示算法的擬合能力越強，越適合處理該類型數據。

圖8 和圖9 分別為傳統算法和改進算法的流量預測結果。可以看出，當流量脈沖數波動較小、較為平滑時，2 種算法均能達到較好的預測結果，而當出現突發流量或者流量波動性較強的情況，傳統算法的預測結果存在顯著的誤差，而改進算法仍能夠實現較為準確的預測。

圖9 改進算法的檢測結果Fig.9 Detection results of improved algorithms

表1 為2 種算法預測結果的評價指標對比。改進算法在4 個評價指標均大幅度優于傳統算法，證明了改進算法的檢測準確性更強，對TTNT 數據鏈流量數據的擬合能力更好，更適合檢測TTNT 數據鏈的信道狀態。

表1 兩種算法檢測準確性對比Table 1 Comparison of detection accuracy of two algorithms

3.3 忙閑狀態誤判率對比

3.2 節中對比了流量預測的準確性，但是SPMA的信道狀態檢測機制最終是要判斷出信道的忙閑狀態，從而決定是否發送數據。為進一步證明本文算法的有效性，本節對改進算法與傳統算法的信道忙閑狀態的誤判率進行對比。0 為信道閑，數據可以發送；1 為信道忙，數據不能發送。為對比改進算法對不同優先級消息的信道忙閑狀態的檢測情況，本節設置高、中、低3 個優先級，為保證高優先級消息優先傳輸，高優先級消息閾值大于低優先級消息閾值，將高優先級消息閾值設置為數據的3 倍均方根174、中優先級消息閾值設置為2 倍均方根116、低優先級消息閾值設置為1 倍均方根58。若當前信道狀態小于閾值，信道閑，輸出為0；信道狀態大于閾值，信道忙，輸出為1。圖10 對比了真實數據流量和真實信道忙閑狀態與傳統算法和改進算法檢測流量和信道忙閑狀態，圖中所選閾值為58。

圖10 兩種算法檢測的流量脈沖及信道忙閑狀態與真實數據的對比Fig.10 Comparison of traffic pulses and channel busy/idle status detected by two algorithms with real data

從圖10 中可以看出，改進算法的誤判率明顯低于傳統算法，但在流量波動較小的情況下，2 種算法的誤判率差異不大，而在流量波動較大的情況下，傳統算法難以對信道狀態進行準確判斷。

表2 為不同類型流量下對低中高優先級消息的忙閑狀態誤判率。突發流量情況下，改進算法對低優先級消息的誤判率明顯低于傳統算法；對于中高優先級消息，2 種算法均不會出現誤判。通過分析突發流量與各個優先級消息的閾值可以得出，當突發流量脈沖數低于閾值時，突發流量不會導致信道忙閑狀態誤判；當突發流量脈沖數高于閾值時，則會導致信道忙閑狀態誤判，且改進算法的誤判率較傳統算法顯著降低。流量平穩情況下，2 種算法基本上不會產生誤判，這是因為一方面該區間真實值均穩定在閾值以下，另一方面2 種算法均能較好地擬合流量波動小的情況，不會產生過大的誤差導致檢測值超過閾值。流量具有強波動性的情況，改進算法相對于傳統算法誤判率明顯降低，在各個優先級閾值下的誤判率降低了4.91%～15.23%。

表2 兩種算法在不同類型流量下對低中高優先級消息的忙閑狀態誤判率Table 2 Misjudgment probability of busy and idle status of two algorithms for low, medium and high priority messages under different types of traffic

3.4 處理時延對比

改進算法在提高信道檢測精度的同時也增加了一定的算法復雜度，導致處理時延增加，為驗證改進算法是否滿足TTNT 數據鏈實時性需求，對改進算法的處理時延進行分析。

實驗選用一臺內存為16 GB、搭載2.5 GHz 主頻處理器的64 位Win 10 操作系統PC 代替TTNT數據鏈端機，由于算法單次運算時延過小，測量單次數據誤差較大，實驗中取算法運行1 000 次的時延進行分析，如表3 所示。

表3 兩種算法時延對比Table 3 Time Delay comparison of two algorithms

從實驗結果看，改進算法的時延較傳統算法增加了0.044 1 ms，但SPMA 協議的信道檢測和信道接入是并行處理的，信道檢測機制實時地檢測信道狀態，每隔固定的周期更新信道狀態，改進算法多帶來的0.044 1 ms 對于信道狀態更新周期10 ms 來說幾乎可以忽略，而信道接入時只需要將當前信道狀態與閾值對比決定是否發送信息，因此改進算法的處理時延不會對通信時延造成影響，不會影響TTNT 數據鏈的實時性。

4 結 論

1）對SPMA 協議信道檢測機制進行了完整的數學分析，指出SPMA 協議信道檢測機制對TTNT數據鏈流量突發性和強波動性特點適應性不足的問題。

2）引入流量預測技術，提出基于循環神經網絡的SPMA 信道狀態檢測智能改進算法。

3）改進算法預測結果的MSE 為313.56、RMSE為17.70、MAE 為7.78、R2為0.89。預測性能相比于傳統算法有明顯提高，尤其是存在突發流量和強波動性流量數據。

4）不同閾值下，改進算法的忙閑狀態誤判率較傳統算法有所降低。分析驗證集各段（模擬不同流量特點）的誤判率，在存在突發流量和流量波動大的情況下，改進算法的誤判率較傳統算法降低了4.91%～15.23%。

5）本文算法在提升檢測精度的同時也導致了一定的處理時延，通過實驗計算改進算法帶來的平均時延為0.048 3 ms，但改進算法帶來的時延不會影響TTNT 數據鏈通信的實時性。

本文算法雖在檢測準確性和忙閑狀態誤判率2 個指標上有明顯提升，但預測誤差和忙閑狀態誤判率仍存在降低空間，可以進一步調整優化算法以達到更高的性能。