聯合LeNet和知識圖譜的鏈路建立行為識別方法

摘 要：""""" 在電磁對抗環境下， 通信行為識別是電磁空間信號挖掘利用的重要一環。 針對非合作無線網絡中鏈路建立行為識別檢測困難以及傳統方法特征表征能力弱的問題， 本文提出了聯合LeNet和知識圖譜的鏈路建立行為識別方法， 該方法在數據預處理的基礎上， 建立了特征數據庫， 并使用知識圖譜（Knowledge Graph， KG）進行特征的可視化。 此外， 該方法能夠對低信噪比條件下的IQ信號也有很好的識別效果， 在實測數據的基礎上， 信噪比為-20 dB的情況下， 平均準確率達到90%以上， 能夠對鏈路建立行為進行有效識別。

關鍵詞："""" 鏈路建立行為識別; 非合作無線網絡; LeNet; 知識圖譜; 深度學習

中圖分類號：""""" TJ760

文獻標識碼：""" A

文章編號："""" 1673-5048（2024）06-0112-08

DOI： 10.12132/ISSN.1673-5048.2024.0077

0 引" 言

通信行為識別是電磁空間信號挖掘利用的重要一環， 是指基于無線通信設備及網絡發射的電磁信號數據， 通過分析提取信號的時、 頻、 能等多域特征揭示通信活動的豐富語義， 實現對通信設備及網絡^［1］行為的識別。 由于這種識別是在感知系統與目標無線通信設備及網絡非合作的前提下僅通過分析感知到的信號數據實現的， 不需要目標設備或網絡主體的配合。

在電磁環境非合作無線網絡中通信行為識別是獲取電子情報的重要手段， 而對于鏈路建立行為的識別尤為重要， 識別鏈路建立行為可以更好地了解非合作網絡節點之間的關系、 通信協議等信息。 具體來說， 鏈路建立行為識別， 可以及早地發現節點的異常或惡意攻擊行為， 輔助制定安全策略， 提前做好保障防止數據的泄露； 對于頻繁建立鏈接的節點， 傳輸的信息可能更值得獲取， 有利于辨別通信行為的緊迫性， 對關鍵節點的發現起輔助支撐作用。

近年來， 機器學習和深度學習等人工智能的方法逐漸被應用于通信行為識別領域中^［2-4］ ， 例如文獻［5］使用改進K-means的聚類方法， 通過通信行為進行數據挖掘， 從而進行通信行為特征分析； 文獻［6］采用梯度提升決策樹等算法基于用戶通信行為數據， 建立了詐騙電話識別模型； 文獻［7］提出一種基于雙譜特征和改進LeNet的短波無線電臺通信行為識別算法等。 但這些方法對于通信行為的特征表征能力較弱， 對于噪聲較大的強對抗環境考慮不全面， 信噪比低于0 dB的情況能否起到識別效果未知。

知識圖譜（Knowledge Graph， KG） ^［8-12］本質上是一種語義網絡的知識庫， 即一個具有有向圖結構的知識庫， 其中圖的結點代表實體或者概念， 而圖的邊代表實體之間的各種語義關系^［13］， 能夠組織和表示知識及其之間的相互聯系^［14］， 因此， 將知識圖譜應用于信號的特征表征中， 可以更加準確地描述信號的特征和含義。 因此， 本文引入知識圖譜來構建信號特征知識圖譜增加信號特征的表征能力。

綜上所述， 在復雜電磁環境下， 面向非合作無線網絡， 本文提出一種聯合LeNet和知識圖譜的鏈路建立行為識別方法， 該方法首先構建了信號特征數據KG庫， 提高了對信號特征的表征能力， 然后優化了特征KG聯合LeNet進一步提高了極低信噪比條件下的識別準確率， 能夠有效的識別鏈路建立行為。

1 鏈路建立行為及系統模型

1.1 鏈路建立行為

對于無線寬帶自組網設備， 本文研究的鏈路建立行為包括請求發送行為RTS（Request to Send）， 允許發送行為CTS（Clear to Send）以及應答行為ACK（Acknowledgement）^［15］。

（1） RTS（Request to Send， 請求發送）

RTS幀確保發送方在發送數據前取得媒介的控制權， 以避免與其他設備發生沖突， 以便傳輸大型幀。 RTS幀的格式如圖1所示， RTS幀只包含標頭。 幀主體中并未包含任何數據， 標頭之后即為FCS（幀檢查碼）。

（2） CTS（Clear to Send， 允許發送）

CTS幀有兩種目的， 其格式如圖2所示。" CTS幀用于接收方應答RTS幀， 如果之前沒有RTS出現， 就不會產生CTS。 CTS既可以用于避免碰撞， 確保數據傳輸的可靠性， 也可以用作防護機制， 避免與其他設備之間的干擾。

（3） ACK（Acknowledgement， 確認應答）

ACK幀（見圖3）就是MAC以及任何數據傳輸（包括一般傳輸RTS/CTS交換之前的幀、 幀片段）所需要的正面應答； 還用于鏈路建立時的握手確認。

圖1～3可以看出三者的幀結構相似， 即幀具體結構識別起來具有一定的難度， 其在數據鏈路層和物理層傳輸時具有相似性， 由圖4可以看出三者的波形差異不大， 難以精確地辨別， 考慮到同一類信號仍存在差異， 本文采用聯合LeNet和知識圖譜的識別方法對鏈路建立行為進行有效識別。

1.2 系統模型

本文旨在面向非合作無線網絡的環境實現鏈路建立行為的有效識別。 如圖5所示， 鏈路建立行為識別系統由數據采集、 知識圖譜（Knowledge Graph， KG）構建、 神經網絡架構以及行為識別四個部分組成。

2 信號特征知識圖譜

針對特征表征能力弱的問題， 對IQ信號進行時、 頻域特征提取， 基于所構建的特征數據庫， 利用先驗專家知識， 通過建立實體和屬性之間的關系構建信號特征知識圖譜。

知識圖譜通過實體和關系的圖結構形式， 提供了除表面的數據模式外豐富的語義信息， 因此知識圖譜能夠提高特征的可解釋性， 增強特征的表征能力， 使每一個實體和屬性都有明確的語義， 用知識圖譜進行特征表征還為未來跨領域的知識融合提供了可能， 增強模型的泛化能力。 目前主要是行為層級的知識圖譜， 隨著研究的深入， 未來考慮對知識圖譜層級構建的加深， 可以擴展到設備、 網絡等， 用于網絡拓撲推理， 構建動態知識圖譜識別系統。

本文選取了均值、 方差、 標準差、 峰度、 偏度、 最大值、 最小值、 峰峰值、 整流平均值、 均方根、 波形因子、 峰值因子、 脈沖因子、 裕度因子等作為時域提取的信號特征； 選取了重心頻率、 均方頻率、 頻率方差、 功率譜熵、 頻帶能量等作為頻域提取的信號特征， 以此構建電磁信號知識圖譜^［16］。

2.1 部分特征

（1） 峰度與偏度^［17］

峰度可用來度量隨機變量概率分布的陡峭程度：

K=1n∑ni=1Xi－μσ4（1）

式中： μ為均值； σ為信標準差。 峰度的取值范圍為［1， +∞），" 峰度值越大，" 概率分布圖越高尖，" 峰度值越小，" 概率分布圖越矮胖。

偏度可用來度量隨機變量概率分布的不對稱性：

S=1n∑ni=1Xi－μσ3（2）

偏度的取值范圍為（-∞， +∞），" 當Slt;0時，" 概率分布圖左偏；" 當S=0時，" 表示數據相對均勻地分布在平均值兩側；" 當Sgt;0時，" 概率分布圖右偏。

（2） 脈沖因子與裕度因子^［18］

脈沖因子表示信號中瞬時峰值與平均水平之間的差距：

I=xpeak1n∑ni=1xi（3）

裕度因子表示信號的峰值與平均水平之間的差距：

Ce=xpeakxr=xpeak1n∑ni=1xi2（4）

式中：xpeak為峰值； xr為方根幅值。

（3） 重心頻率與均方頻率^［19］

重心頻率可以用來描述信號在頻譜中分量較大的信號成分的頻率， 反映了信號功率譜的分布情況：

S1=∑Nk=1fk·P（k）∑Nk=1P（k）（5）

式中： P（k）為對應點的功率譜值； fk為對應點的頻率幅值大小。 低頻幅值較大時，" 重心距離原點較近。

均方頻率是信號頻率平方的加權平均值，" 可以用來描述功率譜主頻帶分布：

S2=∑Nk=1f2k·P（k）∑Nk=1P（k）（6）

（4） 功率譜熵^［20］

功率譜熵可作為時間不確定性的一種度量，" 同時也反映了信號的不確定性：

Hs=－∑ni=1|P（k）|∑P（k）log2|P（k）|∑P（k）（7）

2.2 知識圖譜構建方案

首先對原始IQ信號根據實部和虛部分別進行時、 頻域的特征提取， 并且對所提取的特征進行拼接得到信號特征。

構建特征知識圖譜的過程中以信號為實體， 以特征數值為基礎， 作為屬性值， 利用先驗知識， 將其添加到信號特征屬性維度中， 以一般實體對、 關系的形式為例， 則對應實體對為信號、 特征、 特征數值（行為-具有-特征、 特征-是-數值）， 實際以實體-屬性-屬性值為格式構建信號特征知識圖譜， 但是構建后特征以列表屬性展示表征能力差。 為了展現的更加直觀， 將特征作為邊， 特征數值作為節點（行為-特征-特征值）， 則對應ack_1-四階累積量-25.21。 在Neo4j通過以下方式進行特征知識圖譜的構建：

（1） 前期提取信號的多維特征屬性， 生成.csv文件（utf-8編碼）；

（2） 在Neo4j平臺的圖數據庫管理系統（Graph Database Management System， Graph DBMS）中導入.csv文件；

（3） 利用Cypher命令進行圖譜的構建， 部分命令示例如下：

LOAD CSV WITH HEADERS FROM \"file： ∥/ack_1.csv\" AS line

match （from： 概念1{name： line.node1}）， （to： 概念2{name： line.node2}）

merge （from）-［r： 關聯{name： line.link}］-gt;（to）

LOAD CSV FROM 'file： ∥/ack.csv' AS line CREATE （： Map { linkID：" line［0］，" nod1：" line［1］，" link：" line［2］，" nod2： line［3］ }）;

CREATE （line［1］）-［r： line［2］］-gt;（line［3］）;

（4） 生成如圖6所示的知識圖譜， 可導出為CSV， JSON， PNG， SVG文件。

3 基于LeNet的鏈路建立行為識別

LeNet是由著名的計算機科學家Yann LeCun等于1998年提出的深度學習模型^［21］， 被廣泛應用于手寫數字識別任務， 對網絡和數據進行調整后也可用于通信行為識別， 如圖7所示。 其基本結構包括卷積層、 池化層和全連接層， LeNet的設計思想是通過卷積操作和下采樣操作來提取圖像特征， 并通過全連接層進行分類。

網絡采用了交叉熵損失函數^［22］， 基于網絡輸出和輸入樣本標簽之間的差異構建損失函數：

L=1N∑iLi=－1N∑i∑Mc=1yiclog2（pic）（8）

式中：M為類別的數量； yic符號函數（0或1）， 如果樣本i的真實類別等于c取1， 否則取0； pic為觀測樣本i屬于類別c的預測概率。 然后在訓練過程中， 使用優化的梯度下降算法-Momentum算法^［23］通過不斷沿著隱藏層和輸出層權重和偏置參數的負梯度方向進行調整， 以使損失函數最小化， 從而優化模型的性能， 原理公式如下：

v（t）=βv（t－1）+（1－β）grad（t）（9）

θ（t）=θ（t－1）+v（t） （10）

式中：v（t）表示在時刻t的動量項； β為動量項的系數; grad（t）表示在時刻t的梯度； θ（t）表示在時刻t的參數。 在每次更新時， 先計算動量項v（t）， 然后根據動量項和梯度來更新參數θ（t）。 構建上述網絡對其進行訓練調參后實現對鏈路建立行為的識別。

整個網絡的實現過程如下式：

fout=Flatten（MaxPool（W^［2］*MaxPool（W^［1］

St+b^［1］）+b^［2］））

fBN=γ^［1］·fout－μσ2+ε+β^［1］

fLeNet=γ^［2］·fBN－μσ2+ε+β^［2］ （11）

式中：W為卷積核參數； b為偏置； MaxPool為最大池化； μ和σ2是當前中所有樣本對應神經元輸出的均值和方差； γ和β是學習參數； ε為是一個很小的數值， 用于避免除零錯誤； fout為Flatten層后的輸出； fBN為第一次正則化之后的輸出； fLeNet為網絡的最終輸出。

4 聯合LeNet和知識圖譜的鏈路建立行為識別方法

首先， 利用BB60C實時信號采集設備采集數據， 并進行數據預處理， 生成可視化KG。 然后， 將接收到的IQ信號進行信號解析建立信令數據集， 構建信號特征知識圖譜， 而后將數據集輸入到神經網絡訓練模型。 最后， 利用訓練好的模型識別不同的鏈路建立行為。

以IQ數據作為輸入， 在極低信噪比下的識別準確率只有83%左右。 為進一步提高準確率， 提出了一種聯合LeNet和知識圖譜的鏈路建立識別方法（L-KG）， 如圖8所示。 該方法將IQ信號和信號特征KG一同輸入到網絡模型中， 分別訓練后選擇準確率更高的進行擇優， 達到提升模型性能的目的。 經過后續實驗驗證， 該方法在信噪比極低的情況下采用優化的KG特征作為輸入， 由于特征提取的過程例如四階累積量對于噪聲的不敏感性從而提高了網絡在低信噪比下的準確率， 而信噪比較好時， IQ信號的直接輸入可以更好地提取訓練完整的特征， 達到比特征KG更好的訓練效果， 因此信號特征KG和IQ信號聯合輸入能夠提升整體的性能表現， 在復雜電磁環境中的適應性更高。

對于原始特征KG的各項特征存在著較大的量級差異， 即使采用歸一化之后仍然會導致網絡訓練的崩壞， 所以本文采用列歸一化的方式結合先驗經驗賦予特征屬性邊權重， 最后對比小樣本學習出的權重矩陣對KG進行調整， 得出對于分類有效的特征屬性邊的權重分配， 以此為網絡輸入進一步提高方法的識別準確率。

選取ACK、 CTS、 RTS各10條：有向圖權重屬性邊的形式表示信號瘙綆=［S1， …， S10， L1， …， L10， M1， …， M10］， 權重w^=［α^， …， α^，"" β^， …， β^， γ^， …， γ^］， 其中α^=［α1， α2， …， α21］， β^=［β1， β2， …， β21］， γ^=［γ1， γ2， …， γ21］分別為S， L， M三種信號的權重， 特征x^=［x1， x2， …， x21］。

瘙綆=w^Tx^（12）

損失函數定義：rij∈瘙綆， 其中i代表類別， j代表序號， 例如r12代表S2。

sim_loss=-13∑3i=1110∑10j=1∑10k=1rij·rikrijrik（13）

dist_loss=maxi≠jfi-fj2（14）

total_loss=sim_loss+dist_loss（15）

求得w^， 以此為權重系數對原始特征進行調整得到優化特征。

5 實驗與分析

本節主要介紹實測場景、 數據集的建立以及鏈路建立行為識別方法的性能。 首先采集實測數據， 并對原始射頻信號進行預處理， 構建信號特征KG。 在此基礎上， 將LeNet、 ResNet^［24］、 5CNN等神經網絡及傳統機器學習方法SVM^［25］進行訓練對比， 該比較基于相同的數據集。

5.1 數據集構建及初步實驗

數據采集：實驗設備為兩臺無線寬帶戰術無線電臺全向天線、 網線若干， 3臺筆記本電腦， 以及BB60C 實時頻譜分析儀模塊和射頻記錄儀， 如圖9所示。

采集IQ數據約3萬條并對原始IQ信號進行解碼， 解碼結果示例如圖10所示。

對解碼數據處理后， 得到ACK， CTS， RTS信號， 并建立鏈路建立行為數據集共9 000余條。 將信號存儲為.mat格式文件。 對數據集進行預處理， 加載到如圖7所示的神經網絡中進行訓練， 得到結果（信噪比為20 dB的情況下識別效果）如圖11～12所示。

5.2 對比實驗

考慮到電磁環境的復雜性， 實際情況多為低信噪比或者極低信噪比的情況， 因此， 本文考慮采用如圖7所示網絡結構更加優化的LeNet， 最后綜合比較實驗結果以及訓練時間， LeNet能夠實現更好的識別功能。

以原始IQ數據為輸入比較SVM、 5CNN、 ResNet以及LeNet在不同信噪比下的識別效果如圖13所示。

其中， 5CNN為與LeNet層數相同的淺層神經網絡如圖10， 信噪比較高時的路徑干擾較少， 此時使用簡單的卷積神經網絡5CNN就能達到很好的識別效果， 隨著信噪比的降低， 5CNN對于鏈路建立行為的識別準確率急劇下降， 更是低于傳統的SVM方法， 但在-20 dB的情況下， 5CNN和SVM都失去了應有的識別效果， 識別準確率只有34%左右， 只有LeNet和ResNet能夠起到較好的識別效果。 由上圖可以看出LeNet對比其他幾種方法性能更好， 比5CNN的網絡結構更加優化， 如表1所示， 訓練時間比ResNet也大幅度減小， 比SVM有著更好的抗信噪比衰落的能力， 因此本文選用LeNet進行鏈路建立行為識別。

本文提出的L-KG識別方法聯合IQ數據和優化后的特征KG作為LeNet的輸入， 如圖14～17所示， 本文提出的L-KG方法比LeNet進一步提升了在極低信噪比下的識別準確率。

在信道質量良好以及外部干擾較弱的情況下， 這幾種網絡以及傳統的SVM方法均有著良好的識別效果， 但隨著信噪比的降低， 只有ResNet、 LeNet和L-KG三種方法在-15 dB， -20 dB的情況下識別能力雖然有所下降， 但對鏈路建立行為仍具有較為可靠的識別準確率， 而本文提出的L-KG方法進一步提高了極低信噪比下的準確率， 即使在-20 dB下平均準確率也在90%以上， 對比其他方法有著更高的準確率， 能夠有效識別鏈路建立行為。

6 結" 語

本文提出了一種聯合LeNet和知識圖譜的鏈路建立行為識別方法， 該方法對比傳統的SVM算法、 以及5CNN、 LeNet、 ResNet等神經網絡具有更高的識別精準度， 即使在信噪比-20 dB的情況下仍然有著90%以上的準確率。 當然， 如今通信行為識別仍面臨著不少挑戰， 例如數據量的規模需求較大， 模型的泛化能力不足等。 未來， 小樣本^［26］學習和遷移學習可能會是發展的方向。

參考文獻：

［1］ 宋葉輝，" 田喬宇，" 丁國如，" 等. 面向電磁戰斗序列的網絡化通信目標行為識別方法［J］. 陸軍工程大學學報，" 2023，" 2（5）：" 18-25.

Song Yehui，" Tian Qiaoyu，" Ding Guoru，" et al. EOB-Oriented Networked Communications Target Behavior Identification Method［J］. Journal of Army Engineering University of PLA，" 2023，" 2（5）：" 18-25.（in Chinese）

［2］ Bandi A. A Review towards AI Empowered 6G Communication Requirements，" Applications，" and Technologies in Mobile Edge Computing［C］∥6th International Conference on Computing Methodologies and Communication （ICCMC），" 2022：" 12-17.

［3］ Al-Khafaji M，" Elwiya L. ML/AI Empowered 5G and beyond Networks［C］∥International Congress on Human-Computer Interaction，" Optimization and Robotic Applications （HORA），" 2022：" 1-6.

［4］ Jin D P，" Tao X M，" Wang J T，" et al. Guest Editorial：" AI-Empowe-red Future Communication Networks［J］. China Communications，" 2022，" 19（3）：" 129-131.

［5］ 何云，" 李輝，" 姚能堅，" 等. 改進K-means算法實現移動通信行為特征分析［J］. 計算機技術與發展，" 2011，" 21（6）：" 63-65.

He Yun，" Li Hui，" Yao Nengjian，" et al. Application of Improved K-Means Algorithm in Mobile Communication Behavioral Characteristic Analysis［J］. Computer Technology and Development，" 2011，" 21（6）：" 63-65.（in Chinese）

［6］ 孫玉佳. 基于用戶通信行為數據的詐騙電話識別研究［D］. 北京：" 首都經濟貿易大學，" 2021.

Sun Yujia. Research on Fraudulent Phone Identification Based on User Communication Behavior Data［D］. Beijing：" Capital University of Economics and Business，" 2021. （in Chinese）

［7］ Wu Z L，" Chen H，" Lei Y K. Recognizing Non-Collaborative Radio Station Communication Behaviors Using an Ameliorated LeNet［J］. Sensors，" 2020，" 20（15）：" 4320.

［8］ 郭浩，nbsp; 李欣奕，" 唐九陽，" 等. 自適應特征融合的多模態實體對齊研究［J］. 自動化學報，" 2024，" 50（4）：" 758-770.

Guo Hao，" Li Xinyi，" Tang Jiuyang，" et al. Adaptive Feature Fusion for Multi-Modal Entity Alignment［J］. Acta Automatica Sinica，" 2024，" 50（4）：" 758-770.（in Chinese）

［9］ 郭偉鵬，" 沈松雨. 基于BERT模型的領域知識圖譜構建研究［J］. 科技創新與應用，" 2022，" 12（36）：" 16-19.

Guo Weipeng，" Shen Songyu. Research on the Construction of Domain Knowledge Graph Based on BERT Model［J］. Technology Innovation and Application，" 2022，" 12（36）：" 16-19.（in Chinese）

［10］ Peng Z Q，" Song H Z，" Zheng X H，" et al. Construction of Hierarchical Knowledge Graph Based on Deep Learning［C］∥IEEE International Conference on Artificial Intelligence and Computer Applications （ICAICA），" 2020：" 302-308.

［11］ Zhang N Y，" Xu X，" Tao L K，" et al. DeepKE：" A Deep Learning Based Knowledge Extraction Toolkit for Knowledge Base Population［EB/OL］.（2022-01-10）［2024-05-08］.https： ∥arxiv.org/abs/2201.03335？context=cs.CL.

［12］ Amador-Domínguez E，" Serrano E，" Manrique D，" et al. An Ontolo-gy-Based Deep Learning Approach for Triple Classification with Out-of-Knowledge-Base Entities［J］. Information Sciences，" 2021，" 564：" 85-102.

［13］ 漆桂林，" 高桓，" 吳天星. 知識圖譜研究進展［J］. 情報工程，" 2017，" 3（1）：" 4-25.

Qi Guilin，" Gao Huan，" Wu Tianxing. The Research Advances of Knowledge Graph［J］. Technology Intelligence Engineering，" 2017，" 3（1）：" 4-25.（in Chinese）

［14］ Sun J C，" Chen J，" Ding G R，" et al. Spectrum Recommendation in Cognitive Internet of Things：" A Knowledge-Graph-Based Framework［J］. IEEE Transactions on Cognitive Communications and Networking，" 2024，" 10（1）：" 21-34.

［15］ IEEE Standard for Information Technology-Telecommunications and Information Exchange between Systems-Local and Metropolitan Area Networks-Specific Requirements-Part 11：" Wireless LAN Medium Access Control （MAC） and Physical Layer （PHY） Specifications［S］. IEEE Std 802.11-2020 （Revision of IEEE Std 802.11-2016），" 2021：" 1-4379. DOI： 10.1109/IEEESTD.2021.9363693.

［16］ 華敏妤，" 張逸彬，" 孫金龍，" 等. 基于信號特征知識圖譜與寬度學習架構的特定輻射源識別［J］. 移動通信，" 2023，" 47（2）：" 21-27.

Hua Minyu，" Zhang Yibin，" Sun Jinlong，" et al. Specific Emitter Identification Based on Signal Feature Knowledge Graph and Broad Learning Architecture［J］. Mobile Communications，" 2023，" 47（2）：" 21-27.（in Chinese）

［17］ 項陽. 基于機器學習的網絡流早期分類研究［D］. 南京：" 南京郵電大學，" 2022.

Xiang Yang. Research on Early Classification of Network Flow Based on Machine Learning［D］. Nanjing：" Nanjing University of Posts and Telecommunications， "2022. （in Chinese）

［18］ 溫雪芳，" 姚金杰，" 白建勝，" 等. 基于特征降維和深度學習的電磁信號識別方法［J］. 艦船電子工程，" 2023，" 43（1）：" 192-198.

Wen Xuefang，" Yao Jinjie，" Bai Jiansheng，" et al. Electromagnetic Signal Recognition Method Based on Feature Reduction and Deep Learning［J］. Ship Electronic Engineering，" 2023，" 43（1）：" 192-198.（in Chinese）

［19］ 王俊迪 ，" 王星 ，" 田元榮 ，" 等. 基于行為特征的雷達輻射源威脅評估［J］. 北京航空航天大學學報，" 2023：" 1-16.

Wang Jundi，" Wang Xing，" Tian Yuanrong，" et al. Threat Assessment of Radar Emitter Based on Behavior Characteristics ［J］. Journal of Beihang University，" 2023：" 1-16.（in Chinese）

［20］ 高燕，" 胡國兵，" 張照鋒，nbsp; 等. 基于功率譜熵的頻譜感知算法研究［J］. 電子器件，" 2015，" 38（3）：" 506-509.

Gao Yan，" Hu Guobing，" Zhang Zhaofeng，" et al. Power Spectral Entropy Based Spectrum Sensing in Cognitive Radio［J］. Chinese Journal of Electron Devices，" 2015，" 38（3）：" 506-509.（in Chinese）

［21］ LeCun Y，" Bottou L，" Bengio Y，" et al. Gradient-Based Learning Applied to Document Recognition［J］. Proceedings of the IEEE，" 1998，" 86（11）：" 2278-2324.

［22］ Mao A，" Mohri M，" Zhong Y. Cross-Entropy Loss Functions：" Theoretical Analysis and Applications［C］∥International Conference on Machine Learning，" 2023：" 23803-23828.

［23］ Ruder S. An Overview of Gradient Descent Optimization Algorithms［EB/OL］.（2016-09-15）［2024-05-08］. https： ∥arxiv.org/abs/1609.04747.

［24］ He K M，" Zhang X Y，" Ren S Q，" et al. Deep Residual Learning for Image Recognition［C］∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR），" 2016：" 770-778.

［25］ Cortes C，" Vapnik V. Support-Vector Networks［J］. Machine Learning，" 1995，" 20（3）：" 273-297.

［26］ 徐帥，" 劉魯濤. P-Net框架下的小樣本雷達信號識別算法［J］. 哈爾濱工程大學學報，" 2022，" 43（5）：" 739-744.

Xu Shuai，" Liu Lutao. Small Sample Radar Signal Recognition Algorithm under the P-Net Framework［J］. Journal of Harbin Engineering University，" 2022，" 43（5）：" 739-744.（in Chinese）

Joint LeNet and Knowledge Graph Approach to Link

Building Behavior Recognition

Liu Yan’ao，" Sun Jiachen*，" Ding Guoru，" Xu Yitao，" Song Yehui， Tang Peng

（College of Communications Engineering，" Army Engineering University，" Nanjing 210007，" China）

Abstract：

In the electromagnetic countermeasure environment，" communication behavior recognition is an important part of the mining and utilization of electromagnetic space signals. In order to solve the problem of the difficulty of link establishment behavior recognition and detection in non-cooperative wireless networks and the weak feature representation ability of traditional methods，" this paper proposes a link establishment behavior recognition method combining LeNet and knowledge graph，" which establishes a feature database based on data preprocessing and uses knowledge graph to visualize the features. In addition，" the method can also have a good recognition effect on IQ signals under the condition of low signal-to-noise ratio，" and the average accuracy rate of the signal-to-noise ratio is more than 90% when the signal-to-noise ratio is -20 dB on the basis of the measured data，" which can effectively identify the link establishment behavior.

Key words：" link establishment behavior identification; non-cooperative wireless network; LeNet; knowledge graph; deep learning