基于兩次窗口滑動運算的非等長幀同步字盲識別算法
2024-11-22 00:00:00王原卿呼鵬江楊俊安劉輝
系統工程與電子技術 2024年10期
摘 要：在非合作通信場景下，針對現有的非等長幀同步字盲識別算法存在的抗誤碼性能不佳、識別速度慢和識別結果不完整的問題，提出一種基于兩次窗口滑動運算的非等長幀同步字盲識別算法。首先，將比特流均勻切分為多個窗口，取前兩個窗口做滑動同或運算得到擴展同步字（extended synchronization word， E-SW）;然后，利用得到的E-SW與剩余窗口分別做滑動相關性運算，得到每個窗口對應的E-SW并組成E-SW集合;最后，對E-SW集合進行統計分析，篩選出未知同步字的碼字內容。仿真結果表明，所提算法在誤碼率為10-2時能實現98.7%的識別準確率，并且可以識別出未知同步字的完整碼字內容。在相同準確率的情況下，所提算法比現有算法至少能多適應0.01的誤碼。此外，所提算法的識別速度較現有算法更快，且同樣適用于等長幀協議。
關鍵詞： 非合作通信; 同步字; 非等長幀; 盲識別; 窗口滑動
中圖分類號： TN 911.23 文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.10.33
Blind recognition algorithm for non-equal length frame synchronization word
based on two window-sliding operations
WANG Yuanqing， HU Pengjiang， YANG Jun’an LIU Hui
（Institute of Electronic Countermeasures， National University of Defense Technology， Hefei 230037， China）
Abstract： In non-cooperative communication scenarios， existing blind recognition algorithms for non-equal length frame synchronization face significant challenges， including suboptimal bit error resilience， slow detection speed and incomplete recognition results. In order to solve these challenges， a blind recognition algorithm for non-equal length frame synchronization word based on two window-sliding operations is proposed. Firstly， it divides the bitstream into multiple windows， and uses the first two windows to obtain extended synchronization word （E-SW） through sliding XNOR operation. Then， it uses sliding correlational operation between E-SW and the remaining windows to get the E-SWs for all windows and forms the E-SW set. Finally， statistical analysis is conducted on the E-SW set to determine the codeword of unknown synchronization word. The simulation results show that the proposed algorithm has a recognition accuracy of 98.7% when the bit error rate is 10- and recognizes the complete codeword through unknown synchronous words. Under the same accuracy， the proposed algorithm can adapt to at least 0.01 more-bit errors than existing algorithms. In addition， the speed of the proposed algorithm is faster than existing algorithms and is applicable to equal length frame protocols.
Keywords： non-cooperative communication; synchronization word; non-equal length frame; blind recognition; window-sliding
0 引 言
在現代通信系統中，通信雙方按照事先規定好的通信協議進行通信，但是在電子對抗、無線電資源管理等非合作通信場景下，非合作方需要在通信協議未知的情況下對截獲的比特流數據進行分析。數據在數據鏈路層中以幀為單位進行封裝并傳輸，因此為獲取比特流數據中承載的有效信息，需要在協議類型未知的情況下對比特流數據進行正確的幀切分［1］。為實現比特流數據的盲幀切分，首先需要解決同步字（synchronization word， SW）的盲識別問題。
目前，國內外針對SW盲識別問題的研究對象大多是等長幀。等長幀可以借助SW在比特流中周期性出現的特性進行盲識別［25］，但是這一特性在非等長幀中不存在，因此非等長幀的SW盲識別是一個十分具有挑戰性的工作。隨著通信體制的快速發展和大量未知私有協議的涌現，非等長幀協議已經在民用和軍用領域被廣泛投入使用［6］，例如802.11系列中的部分協議、空間數據系統協商委員會（Consultative Committee for Space Data Systems， CCSDS）中的部分衛星通信協議、部分私有通信協議等，但是目前對于非等長幀SW盲識別的研究較少，且現有算法存在一定缺點和不足，因此研究一種有效的非等長幀SW盲識別算法具有很重要的實際意義。
目前，用于非等長幀的SW盲識別算法主要可以分為三大類：基于比特流碼字特征的盲識別算法、基于數據挖掘的盲識別算法和基于神經網絡的盲識別算法。
（1） 基于比特流碼字特征的盲識別算法：文獻［7］提出一種基于軟判決的SW盲識別算法;文獻［8］針對一類具有高碼元密度特性的SW，通過碼元密度檢測的方法實現數據鏈路層協議的幀同步盲識別，該算法的適用范圍有限;文獻［9］提出基于最大公共子串的盲識別算法，但是該方法不適用于有誤碼的情況;文獻［10］在已知SW長度和幀長范圍的前提下利用幀結構遍歷的方法進行盲識別，該方法屬于半盲場景且算法復雜度較高;文獻［11］利用多重分形譜實現SW盲識別，但是該方法無法確定SW的長度，所以其識別結果僅是SW的部分字段。
（2） 基于數據挖掘的盲識別算法：文獻［12］通過有向圖的形式構建頻繁項之間的關聯規則，實現SW的準確唯一識別;文獻［1314］利用數據挖掘中的關聯規則分析實現SW的盲提取。但是，基于數據挖掘的方法時間成本高，且需要大量的數據支撐。
（3） 基于神經網絡的盲識別算法：文獻［15］結合卷積神經網絡與線性濾波器實現SW的準確提取;文獻［16］利用循環神經網絡（recurrent neural network， RNN）具有記憶性的特性，利用兩個RNN從非等長幀比特流中準確提取SW和幀長。文獻［1718］利用深度學習技術研究物理層幀同步的相關工作。但是基于神經網絡的方法在訓練階段需要依賴標簽數據，而在實際的應用場景下，標簽的獲取是比較困難的，所以該方法適用性不強，并且該方法需要預先訓練神經網絡參數，算法訓練耗時長。
此外，有學者通過引入其他先驗信息輔助幀同步盲識別。文獻［1922］利用信道編碼特性進行非等長幀協議的編碼同步聯合識別。文獻［23］利用偽碼特性進行同步。文獻［2425］通過引入信道狀態進行幀同步聯合識別。還有的學者利用時域信息來輔助碼域的SW識別［26］，但這些都不屬于全盲識別的范疇。總體來看，現有的研究存在著抗誤碼性能不佳、識別速度慢和識別結果不完整等問題。
文獻［2］利用一次窗口滑動的相關性運算實現等長幀的SW盲識別，但是該方法不適用于非等長幀問題。本文借鑒該方法中窗口滑動的思想，提出一種基于兩次窗口滑動運算的非等長幀SW盲識別算法。本文提出的算法分為3步。首先，將原始比特流數據均勻地切分為多個窗口，并取窗口1作為參考窗口，與窗口2進行滑動同或運算，得到窗口1對應的擴展SW（extended SW， E-SW）;其次，將窗口1的E-SW作為新的參考窗口，分別與剩余窗口做滑動相關性運算，得到每個窗口對應的E-SW并組成E-SW集合;最后，對E-SW集合進行統計分析，篩選出準確的SW的碼字內容。仿真結果驗證了本文算法對非等長幀協議的有效性，在接收數據存在一定誤碼的情況下，本文算法比現有算法的識別準確率更高、速度更快。此外，本文算法同樣適用于等長幀協議，并且識別準確率略優于文獻［2］提出的等長幀算法。
1 系統模型
本文考慮的示例場景如圖1所示［3］。其中，A和B分別是合作通信方的發射機和接收機，二者之間通過發送連續的非等長幀數據進行通信。C是非合作通信方的偵察干擾機，其目標是干擾A和B之間的有效通信。C在竊聽信道上偵聽A和B之間的通信內容，并在沒有先驗信息的基礎上從比特流數據中準確識別出A與B之間用于通信同步的SW，然后利用特定的干擾方式破壞A與B之間通信的同步環節，使二者通信中斷。
如圖2所示，發射機通過合法信道向接收機發送連續的非等長幀數據X=（x1，x2，…，xi），其中xi∈{0，1}。偵察機通過竊聽信道截獲長度為M的比特流數據Y=（y1，y2，…，yM）。非等長幀的結構由SW和數據字段（data）兩部分組成，在圖中深色部分表示SW，淺色部分表示Data。SW在傳輸時保持不變，用S=（s1，s2，…，sL）來表示，其中L代表SW的長度。Data的內容和長度會根據傳輸信息的不同而變化，所以每一幀的幀長是不同的。此外，由于Data部分往往會采取加密、加擾、交織等處理［6］，所以Data通常表現為隨機的01序列。
由于非合作通信方無法準確得知合法信道何時開始通信，所以偵察機接收到的數據僅是從原始數據流中截獲的一部分，因此數據Y的起始位置存在3種情況：位于幀頭的起始位置、位于SW中的某個位置或位于Data中的某個位置，這3種情況分別對應圖2中的T1、T2和T3。
數據在傳輸的過程中會受到信道噪聲的影響，導致比特流數據中出現誤碼，而非合作方無法采用有效的糾錯措施減少這種影響，所以截獲數據會存在一定的誤碼現象。本文考慮在誤碼場景下對SW進行盲識別，并使用二進制對稱信道（binary symmetric channel， BSC）來模擬信道誤碼對數據的影響。
2 算法描述
圖3展示了本文算法的基本流程。本文算法主要分為3步，如左半部分框圖所示，每一步的具體實現細節如右半部分框圖所示。每一步的具體實現細節將在下文介紹。
2.1 識別E-SW（1）
首先將截獲到的比特流數據Y按長度K均勻切分，不足長度K的部分丟棄，如圖4所示。
將切分得到的每段數據定義為窗口，一共可以得到N=M/K個窗口，其中·表示向下取整運算，窗口集合用{W1，W2，…，WN}表示。K的取值是一個大于最大幀長的數，以保證每個窗口內至少存在一個完整的幀，在全盲場景下，K可以設置為一個相對較大的數值。
如圖4所示，將參考窗口設置為第1個窗口W1=（y1，y2，…，yK），與第2個窗口W2做滑動同或運算，m代表參考窗口滑動的位移。當參考窗口W1滑動到m處時，對應的截斷窗口為W#1=（y1，y2，…，yK－m），其中m=0，1，…，K－1，W2與之對齊的截斷窗口為W#2=（yK+1+m，yK+2+m，…，y2K）。對W#1和W#2按位同或可得
D（m）=W#1⊙W#2（1）
式中：⊙代表同或運算。
對于式（1）得到的結果，如圖5所示。
在沒有誤碼的情況下，存在以下3種情況：
（1） 兩個窗口之間無SW對齊，表現為D（m）是雜亂無章的01序列，如圖5（a）所示;
（2） 兩個窗口之間的SW對齊，表現為D（m）中存在一個較長連續為1的片段，如圖5（b）所示;
（3） 兩個窗口之間的SW僅部分對齊或因隨機性在數據部分出現部分相等，表現為D（m）可能存在多個較短連續為1的片段，并且連續的長度小于真實SW的長度L，如圖5（c）所示。
對于上述3種情況，只有圖5（b）對應的情況可以匹配到正確的SW，所以可以通過檢測序列D（m）中連續為1的長片段來判斷SW的存在。本文使用上升沿和下降沿來檢測連續為1的長片段。在實際情況下接收數據會存在誤碼，所以SW可能會被SW中出現的誤碼所截斷，導致出現多個連續為1的片段，如圖6所示。
針對此現象，本文對上升沿和下降沿進行重新定義：
R（m）=δr∑δr－1j=δr－JD（m）（j）lt;η1amp;∑δr+J－1j=δrD（m）（j）gt;η2，
δr∈［J+1，K－J+1］（2）
F（m）=δf∑δfj=δf－J+1D（m）（j）gt;η2amp;∑δf+Jj=δf+1D（m）（j）lt;η1，
δf∈［J，K－J］（3）
式中：R（m）和F（m）分別表示滑動位移為m時對應的上升沿集合和下降沿集合;δr和δf分別表示上升沿和下降沿對應的位置坐標;J代表可容納錯誤的范圍;η1和η2分別為下降沿閾值和上升沿閾值，η1一般選取略大于J/2的數，·代表向上取整運算，η2一般選取略小于J的數。
這樣的設置可以容許一定的誤碼，而且一般來說SW的長度要大于幾個字節，所以此設置不會對識別結果造成影響。將一對連續的上升沿和下降沿之間的碼字（yδr，yδr+1，…，yδf）稱為公共字串，對應的坐標范圍為（δr，δf）。在每個滑動位移m下，可能會得到多個公共字串，取其中最長的字串作為最長公共字串。參考窗口在滑動時，如果新得到的最長公共字串比舊的字串要長，則更新最長公共字串。將遍歷所有m得到的最長公共字串作為SW候選項，對應的坐標范圍為（δ*r，δ*f）。
由于比特流數據僅有0和1兩種可能取值，所以在SW候選項的邊緣處可能會出現數據部分存在相同的現象，這會導致SW候選項的長度大于真實SW長度。此外，如果在邊緣處出現了誤碼，則會導致SW候選項的長度小于真實SW的長度。因此，坐標范圍（δ*r，δ*f）并不一定是準確的SW邊界，即存在邊緣模糊的現象。為了解決邊緣模糊問題，定義了如圖6所示的擴展長度Lea，以保證SW候選項中一定存在一個完整的SW。在原坐標范圍（δ*r，δ*f）的基礎上，兩邊各擴展Lea bit長度的碼字，即坐標范圍變為（δ*r－Lea，δ*f+Lea）。最終可以得到：
E-SW（1）=（e（1）1，e（1）2，…，e（1）Le）=
（yδ*r－Lea，…，yδ*r，…，yδ*f，…，yδ*f+Lea）（4）
式中：碼字定義為E-SW，其長度為Le。為了方便闡述后續問題，用（e（1）1，e（1）2，…，e（1）Le）來表示E-SW（1）內的碼字內容。
2.2 獲取E-SW集合
將E-SW（1）作為新的參考窗口，滑動匹配其他窗口得到其對應的E-SW（i），以組成E-SW集合。這一步可以等價為合作方的幀同步過程［2728］，如圖7所示。將E-SW（1）作為已知同步字，與窗口Wi進行滑動匹配，匹配得到Wi中相關程度最高的長度為Le的碼字，并將其作為窗口Wi對應的E-SW（i），其中滑動位移為n。
對于0≤n≤K－Le，結合二進制比特流的特性定義相關性度量函數的公式［29］為
C（Wi，n）=1Le∑Let=1e（1）t⊙w（i）t+n，n∈［0，K－Le］（5）
式中：Wi=（w（i）1，w（i）2，…，w（i）K）。
對于窗口Wi，遍歷所有n可以得到關于n的相關性度量函數曲線。由于SW在比特流中固定不變，所以當兩個窗口中的SW位置對齊時相關性度量函數C（Wi，n）會出現一個峰值。若Wi內存在多個SW，則會得到多個峰值。相關性度量函數曲線的示例仿真圖像如圖8所示。
仿真采用的SW為隨機生成的長度為32 bit的碼字“11011001110110100111101111101010”，Data長度范圍為40～80 bit，窗口切割長度K=500 bit，擴展長度Lea=8 bit。
本文選取相關性度量函數的最大峰值點對應的滑動位移n*作為E-SW（i）的起始位置，截取長度為Le的碼字部分作為窗口Wi對應的E-SW（i），記作：
E-SW（i）=（w（i）n*+1，w（i）n*+2，…，w（i）n*+Le）=
（e（i）1，e（i）2，…，e（i）Le）（6）
對每個窗口進行上述滑動相關性計算，可以得到每個窗口對應的擴展同步字。最后，將所有窗口的E-SW（i）組成E-SW集合：{E-SW（1），E-SW（2），…，E-SW（N）}。
2.3 確定SW碼字內容
對于E-SW集合中的任一E-SW（i），其存在固定域和可變域。固定域對應于SW部分，在無誤碼的情況下取值固定不變;可變域是擴展長度區域，其每一位的取值是不固定的，即為隨機的0或1。在存在誤碼的情況下，固定域內的部分比特位會出現錯誤，但是從統計的角度來看，每一比特位的取值仍然大多數相同，這與可變域比特位取值的統計特性存在明顯的區別。所以，根據固定域和可變域的統計性質，可以對E-SW集合中的每一比特位進行統計分析。
將E-SW集合中的所有E-SW（i）放入矩陣γ中，得到：
γ=E-SW（1）
E-SW（2）
E-SW（N）=e（1）1e（1）2…e（1）Le
e（2）1e（2）2…e（2）Le
e（N）1e（N）2…e（N）Le（7）
對γ的每一列進行求和并歸一化，得到：
γsum=1N［∑Ni=1e（i）1∑Ni=1e（i）2…∑Ni=1e（i）j…∑Ni=1e（i）Le］=
［r1r2…rj…rLe］（8）
根據γsum分析固定域和可變域。在無誤碼的情況下，可變域的取值接近0.5，而固定域的取值為0或1。但是，由于存在誤碼的影響，固定域內的若干碼字會出現錯誤，導致固定域的γsum取值接近但不等于0或1，此時就需要合適的閾值來判斷某位置是否為固定域，并確定其碼字內容。
首先，分析E-SW 集合中的每一個擴展同步字的取值。對于E-SW（i），其每個比特位的取值僅有0和1兩種選擇并且相互獨立，所以每個比特位的取值服從二項分布。令τ為BSC信道的轉移概率，按每個比特位的取值將其分為如下3種情況：
（1） 可變域：服從參數為0.5的二項分布;
（2） 固定域取值為1：取值為1的概率為1－τ，所以服從參數為1－τ的二項分布;
（3） 固定域取值為0：取值為1的概率為τ，所以服從參數為τ的二項分布。
接下來，分析統計結果γsum的取值。棣莫弗拉普拉斯中心極限定理指出：當試驗次數足夠大時，二項分布以正態分布為其極限分布。當N取值較大時，γsum中每一位置的取值服從相應的正態分布，且根據正態分布的3方差準則，每個位置的取值可以認為分布在對應的3個區間內（分別對應于前述3種情況）：
（1） 可變域：取值近似服從均值為0.5、方差為0.25/N的正態分布，對應的3倍標準差為1.5/N。根據正態分布的3方差準則，其取值可以認為分布在區間1［0.5－1.5/N，0.5+1.5/N］內。
（2） 固定域取值為1：同理，取值分布在區間2［1－τ－3（1－τ）τ/N，1－τ+3（1－τ）τ/N］內;
（3） 固定域取值為0：同理，取值分布在區間3［τ－3（1－τ）τ/N，τ+3（1－τ）τ/N］內。
當0≤τlt;0.5且Ngt;0時，區間1的下界大于區間3的上界，區間1的上界小于區間2的下界。可以使用兩個閾值μ1和μ2來區分上述3種情況，其中μ1gt;μ2。
為保證可以容忍一定的誤差，選取區間1上界與區間2下界的中點作為閾值μ1，區間3上界與區間1下界的中點作為閾值μ2，閾值的計算公式如下：
μ1=34－τ2+1N34－32（1－τ）τ（9）
μ2=14+τ2－1N34－32（1－τ）τ（10）
最后，利用閾值μ1和μ2對γsum中的每一項進行判斷：
（1） 若μ2≤rj≤μ1，則判斷其為非SW部分，并且丟棄;
（2） 若μ1lt;rj，則判斷其為SW部分且取值為1;
（3） 若rjlt;μ2，則判斷其為SW部分且取值為0。
遍歷γsum中所有的項即可得到完整的SW。
2.4 計算復雜度分析
算法的第1步是兩個長度為K的窗口間的滑動同或運算，其計算復雜度為Ο（K2）;算法的第2步需要用長度為Le的E-SW對剩下的N－2個窗口分別進行相關性計算，計算復雜度為Ο（（N－2）KLe）;算法的第3步僅需要對矩陣的每一列進行求和，計算復雜度為Ο（Le）。由此可見，算法的總計算復雜度主要取決于前兩步，所以總復雜度可以表示為Ο（K2+（N－2）KLe）。本文算法計算面向二進制數據，涉及到的主要運算皆可轉化為加法運算，因此識別速度較快。
3 仿真實驗
本文使用識別準確率和計算量作為評價指標，其中SW識別正確的標準為SW長度識別正確且SW的每一位碼字也識別正確。實驗的參數設置如表1所示。本文提出的算法是為任意SW而設計的，所以在每次蒙特卡羅實驗時采用隨機生成的二進制序列作為SW。
本文在配置為Core-i7-12700KF處理器、3.6 GHz主頻、16 GB內存和Windows11操作系統的計算機上進行仿真實驗。
3.1 算法性能分析
3.1.1 識別結果分析
在誤碼率為1%的條件下，以隨機生成的“0010010000-
1110011110001111110011”為SW進行單次仿真實驗，算法各步驟的中間輸出結果如表2所示。
用粗斜體表示各輸出碼字中的SW部分，用下劃線表示識別結果中存在的誤碼情況，用粗正體表示算法識別出的正確的SW內容。通過對表中結果的分析可知：
（1） 從E-SW（1）的識別結果中可以看出，E-SW（1）中包含了完整的SW，并且碼長也符合本文的擴展長度設置。同時注意到，E-SW（1）中存在誤碼現象（被下劃線標記的碼字），這說明本文定義的上升沿和下降沿可以容忍一定的誤碼并能正確找到SW。
（2） 分析E-SW集合的結果可以看出，各
E-SW中都包含了完整的SW，并且SW在各E-SW中對應的比特位置也都相同，這證明利用相關性度量來匹配E-SW是有效的。
（3） 從γsum的結果可以看出，固定的SW域（粗斜體碼字部分）的取值接近于0或1，而擴展域部分的取值接近于0.5，這與前述理論分析結果一致，證明利用統計分析的方式進行SW篩選是可行的。
（4） 算法最終得到的SW與真實的SW一致，說明了本文算法可以在誤碼場景下準確地識別出未知同步字的碼字內容。
3.1.2 閾值的選擇及有效性分析
本文在第2.3節中給出了不同誤碼率下最佳判定閾值的計算公式（式（9）和式（10）），根據上述公式計算得到的最佳閾值曲線如圖9中兩條實線所示。在全盲場景下，非合作方往往無法預先得知接收數據的誤碼率信息，所以需要提前確定閾值。本文將最佳閾值曲線的均值作為固定閾值，如圖9中兩條虛線所示，其中固定閾值1和固定閾值2的取值分別為0.786 3和0.213 7。
為驗證閾值對識別準確率的影響以及證明固定閾值選擇的有效性，實驗選取了不同閾值進行比較，仿真結果如圖10所示。
可以看出，計算得到的最佳閾值具有最佳的準確率性能，而固定閾值的識別準確率十分接近最佳閾值，所以可以證明固定閾值選擇的合理性和有效性，在之后的實驗中沿用此閾值設置。
3.1.3 關鍵參數分析
本節將討論窗口長度K和擴展長度Lea對識別準確率的影響。在總數據量不變的基礎上，將K分別設置為1 000、2 000和3 000，將Lea分別設置為4、8和12（圖中1 000+4代表窗口長度K為1 000，Lea為4，其他同此），其他參數保持不變，實驗結果如圖11所示。
首先，從理論上分析算法產生錯誤的主要原因，當算法第1步的E-SW中沒有包含完整的SW或算法第3步中SW的判定出現錯誤時，算法的輸出結果會出現錯誤。可以看出，窗口長度和擴展長度對算法的影響相對獨立。
固定擴展長度，可以看出窗口長度K對算法識別準確率的影響較大。當K較小時，單個窗口中包含的完整SW較少，受誤碼影響算法第1步可能出現錯誤，因而導致識別準確率略微下降;當K較大時，雖然算法第1步中的E-SW識別更加準確，但由于總數據量不變，所以窗口的數量N會隨之減少，而算法第3步中的閾值計算是基于大數定理推導的，所以當N減少時，閾值選取的準確性下降，使得識別準確率下降程度較大，但是這一問題可以通過增加數據量來解決。綜上分析，選取K=2 000的窗口作為本文使用的參數。
固定窗口長度，可以看出擴展長度Lea對算法識別準確率的影響較小。當Lea較小時，可能會使E-SW無法包含完整的SW，而當Lea較大時，則會增加算法第3步中判決錯誤的概率。綜合考慮后，選取Lea=8作為本文使用的擴展長度。
3.2 算法性能對比
3.2.1 非等長幀情況下的算法性能對比
實驗選取文獻［10］、文獻［11］和文獻［16］的算法與本文算法進行性能對比。文獻［10］算法在已知幀長范圍和SW長范圍的前提下，利用幀結構遍歷的方式識別出SW的碼字內容，其中SW長范圍的參數設置為30～35 bit，迭代次數為5;文獻［11］算法利用多重分形譜原理對信息字段進行刪減，然后通過計算剩余序列中的字段濃度篩選出SW，刪減行數和刪減次數分別設置為20和50。文獻［16］算法在傳統方法的基礎上利用深度學習技術來輔助識別，使用的是RNN。文獻［10］和文獻［16］中算法的輸出結果是完整的SW，但是文獻［11］中算法的輸出僅是SW的部分字段，所以在本節中將找到SW的部分字段，作為文獻［11］算法識別正確的標準。
在識別準確率方面，仿真結果如圖12所示。在無誤碼的情況下，4種算法的識別準確率都接近100%，但是隨著誤碼率的升高，算法的識別準確率隨之下降。本文算法在誤碼率為1%時的準確率為98.7%，在誤碼率升高至5%時仍然具有75%以上的準確率。文獻［10］提出的算法在誤碼率為2%時，準確率已不足50%，而在誤碼率高于4%后，基本上無法正確識別出SW。文獻［16］和文獻［11］提出的算法識別準確率較高，但仍不及本文算法。在誤碼率較低時，準確率的差距小于5%，但是隨著誤碼率的升高，差距開始變大，當誤碼率大于5%時，差距超過了20%。雖然文獻［11］和文獻［16］算法的識別準確率與本文算法的差距較小，但是文獻［16］算法需要借助海量的計算資源，而文獻［11］算法僅能找到SW的部分碼字。
在算法的計算量方面，由于文獻［16］借助深度學習的方法，所以計算量較大，故本文不對比該算法的計算量。將誤碼率設置為1%，每種算法分別統計100次蒙特卡羅實驗的平均計算量，結果如表3所示。文獻［10］算法的計算量大約是本文算法的10倍，文獻［11］算法雖然與本文算法的總計算量相近，但是該算法的主要運算為乘法運算，對于計算機而言，乘法計算消耗的時間是加法的4倍以上。綜合分析，本文算法總計算量要顯著小于現有算法，證明本文算法具有更好的時效性。
接下來，對不同算法的實驗結果進行討論。文獻［16］利用神經網絡強大的特征學習能力可以有效處理SW盲識別問題，但是隨著誤碼率升高，比特流中的SW特征會變得模糊，所以識別效果變差;文獻［10］雖然利用大數定理減少誤碼的影響，但是在遍歷數據時并沒有采取抗誤碼措施，所以在統計分析前的SW檢測步驟會出現檢測錯誤的可能，導致識別準確率不佳，此外該算法需要在每種SW長度和幀長范圍內對所有數據進行完全遍歷，因此計算成本很高;文獻［11］在誤碼率較高時，由于SW內出現較多誤碼，導致原有的數學規則被破壞，因此在誤碼率較高時其識別準確率不高。此外，該算法需要將二進制數據轉化為十進制數據，并進行大量的乘法運算，所以算法計算量偏高;本文提出的算法通過改進上升沿/下降沿判定方式、增加擴展長度、對E-SW集合進行統計分析等容錯措施，減少了誤碼對識別準確率的影響，所以抗誤碼性能較好。此外，本文算法雖然需要進行兩次窗口滑動運算，但是每次運算只需在單個窗口內滑動，而不需要每次都遍歷全部數據，因此算法的識別速度更快。綜上所述，本文提出的算法與現有算法相比，識別準確率更高、算法速度更快，并且可以識別出完整的SW。
3.2.2 等長幀情況下的算法性能對比
等長幀是非等長幀的一種特例，所以本文算法從理論上同樣適用于等長幀協議。為驗證本文算法對等長幀協議的有效性，選取僅適用于等長幀協議的文獻［2］和文獻［5］中的算法進行性能比較。將數據字段的長度固定為800 bit，SW沿用之前的設置，仿真結果如圖13所示。
對于等長幀數據，本文算法較文獻［5］算法的識別準確率更高。與文獻［2］算法相比，兩者的識別準確率相近。當誤碼率為4%時，識別準確率均在90%左右。當誤碼率小于4%時，本文算法的識別準確率略低于文獻［2］算法，這是因為本文算法不借助SW周期性出現的性質，所以識別準確率略低。但是，當誤碼率較高（大于4%）時，本文算法的識別準確率要優于文獻［2］算法，這是因為文獻［2］算法僅采用一次窗口滑動的操作，而本文算法采用兩次窗口滑動操作，其可以保證在高誤碼率的情況下減少因誤碼導致的SW匹配錯誤。上述仿真結果證明了本文算法在等長幀數據上的適用性。
3.3 算法在現有非等長幀協議上的性能表現
實驗選取了802.11b協議、空間數據系統協商委員會（Consultative Committee for Space Data Systems， CCSDS）提出的遙控（CCSDS-telecommand， CCSDS-TC）協議、一導彈數據鏈協議和一私有電臺協議4種實際非等長協議幀作為數據輸入，并在生成仿真數據時嚴格按照協議的標準文檔。采用已知協議測試是為了檢驗算法的有效性，并不借助協議的已知信息，各協議幀的SW參數如表4所示。實驗中的SW設定為在每一幀幀頭部分中固定不變的碼字，其可能是SW、前導碼和幀定界符的組合［30］。一般協議的數據字段變化范圍較大，所以將數據字段的長度范圍擴大至［800， 4 000］。
本文算法在各非等長幀協議上的識別準確率如圖14所示，可以看出本文算法對實際非等長協議都具有較高的識別準確率，證明本文算法具有一定的實際應用價值。CCSDS-TC協議、一導彈數據鏈協議和一私有電臺協議的識別準確率較高，但是802.11b協議的識別準確率較上述3種協議低。通過分析802.11b協議的SW可以看出，其存在132個重復為1的碼字片段，這可能會導致算法第2步出現匹配位置不精準的錯誤，其在最終的SW識別結果中表現為：大部分的碼字識別正確而在邊緣處的少量碼字出現錯誤，從而導致了識別準確率略低。
4 結束語
在非合作通信場景下，SW盲識別是分析非等長幀協議的基礎，目前非等長幀協議的SW盲識別算法仍存在抗誤碼性能較差、識別速度慢和識別結果不完整等問題。為解決上述問題，本文提出一種基于兩次窗口滑動運算的非等長幀SW盲識別算法。算法主要包括窗口間的滑動同或運算、滑動相關性運算和統計分析3個關鍵步驟，其可以在接收數據存在誤碼的情況下識別出完整的非等長幀SW。仿真結果表明，在誤碼場景下，本文算法在識別準確率和識別速度兩個方面皆優于現有算法，并且該算法同樣適用于等長幀協議。未來將進一步研究小數據量下的非等長幀SW盲識別問題，以降低算法對數據量的需求。
參考文獻
［1］ 薛開平， 柳彬， 王勁松， 等. 面向鏈路比特流的未知幀關聯分析［J］. 電子與信息學報， 2017， 39（2）： 374380.
XUE K P， LIU B， WANG J S， et al. Data link bit stream oriented association on unknown frame［J］. Journal of Electronics amp; Information Technology， 2017， 39（2）： 374380.
［2］ KIL Y S， LEE H， KIM S H， et al. Analysis of blind frame recognition and synchronization based on Sync word periodicity［J］. IEEE Access， 2020， 8： 147516147532.
［3］ PRATIK P B， KALYANKUMAR B. Non-cooperative denial of communication after synchronizing with repeating sequences［C］∥Proc.of the Defense Science Research Conference and Expo， 2011.
［4］ XU Y Y， ZHONG Y， HUANG Z P. An improved blind recognition algorithm of frame parameters based on self-correlation［J］. Information， 2019， 10（2）： 6472.
［5］ 白彧， 楊曉靜， 王懋. 基于相關濾波和哈達瑪變換的幀同步碼識別［J］. 探測與控制學報， 201 33（3）： 697 80.
BAI Y， YANG X J， WANG M. Recognition method of frame synchronization codes based on relativity filter and Hadamard transformation algorithm［J］. Journal of Detection and Control， 201 33（3）： 697 80.
［6］ SUWANSANTISUK W， CHIANI M， WIN M Z. Frame synchronization for variable-length packets［J］. IEEE Journal on Selected Areas in Communications， 2008， 26（1）： 5269.
［7］ QIN J Y， HUANG Z P， LIU C W， et al. Novel blind recognition algorithm of frame synchronization words based on soft-decision in digital communication systems［J］. PLoS ONE， 2015， 10（7）： e0132114.
［8］ 熊顥， 雷迎科， 吳子龍. 基于碼元密度檢測的幀同步碼盲識別算法［J］. 探測與控制學報， 202 43（1）： 7378.
XIONG H， LEI Y K， WU Z L. Frame synchronization code blind recognition based on symbol density detection［J］. Journal of Detection amp; Control， 202 43（1）： 7378.
［9］ 陳慶超， 王韜， 馮文博， 等. 基于最長公共子串挖掘的未知鏈路層協議幀切割算法［J］. 計算機科學， 2020， 47（7）： 227230.
CHEN Q C， WANG T， FENG W B， et al. Unknown link layer protocol frame segmentation algorithm based on longest common substrings mining［J］. Computer Science， 2020， 47（7）： 227230.
［10］ 李永輝， 陳小莉， 吳彩鳳， 等. 一種非等長幀同步識別與參數提取算法［J］. 電子測量技術， 2019， 42（22）： 123128.
LI Y H， CHEN X L， WU C F， et al. A non-equal length frame algorithm of synchronization recognition and parameter extraction［J］. Electronic Measurement Technology， 2019， 42（22）： 123128.
［11］ 李歆昊， 張旻， 韓樹楠. 基于多重分形譜的鏈路層協議幀同步字盲識別［J］. 電子與信息學報， 2017， 39（7）： 16661672.
LI X H， ZHANG M， HAN S N. Frame synchronization word identification of link layer protocol based on multi-fractal spectrum［J］. Journal of Electronics amp; Information Technology， 2017， 39（7）： 16661672.
［12］ LEI Y K， CAO C H. Frame segmentation in the link layer bit stream data based on directed graph［C］∥Proc.of the 12th International Conference on Communication Software and Networks， 2020： 5862.
［13］ LI X H， MA T， QIAN Q S. Frame synchronization method based on association rules for CNAV-2 messages［J］. Chinese Journal of Electronics， 2023， 32（2）： 295302.
［14］ PAN C S， GUO Z P， YANG L， et al. Frame synchronization word identification of link layer protocol based on N-ECLAT algorithm［C］∥Proc.of the 8th International Conference on Instrumentation amp; Measurement， Computer， Communication and Control， 2018.
［15］ SONG J M， KIL Y S， KIM S H. Blind frame syncword detection using deep neural networks with input linear filtering［C］∥Proc.of the International Conference on Information and Communication Technology Convergence， 2019： 10391041.
［16］ KIL Y S， SONG J M， KIM S H， et al. Deep learning aided blind synchronization word estimation［J］. IEEE Access， 202 9： 3032130334.
［17］ YANG T C， HE D X， LU Z P， et al. BiLSTM-based frame synchronization for overlapped S-AIS signals： a learning empowered approach［C］∥Proc.of the IEEE/CIC International Conference on Communications in China， 2023.
［18］ SARUNAS K， LOUISE H C， ROBERT W S. Training deep filters for physical-layer frame synchronization［J］. IEEE Open Journal of the Communications Society， 202 3： 10631075.
［19］ RODRIGUE I， SEBASTIEN H. On blind frame synchronization of LDPC codes［J］. IEEE Communications Letters， 202 25（10）： 31903194.
［20］ DING X H， ZHOU K X， LI G Y， et al. Customized joint blind frame synchronization and decoding methods for analog LDPC decoder［J］. IEEE Trans.on Communications， 2023， 72（2）： 756770.
［21］ DING Y， HUANG Z P， LI L Q. Joint blind frame synchronization and encoder identification of LDPC codes［C］∥Proc.of the 7th International Conference on Intelligent Computing and Signal Processing， 2022： 825829.
［22］ FENG Z X， LIU Y， ZHANG S Y， et al. Polar-coding-assisted blind frame synchronization based on soft information of frozen bits［J］. IEEE Communications Letters， 2023， 27（10）： 25632567.
［23］ 華博， 毛忠陽， 康家方， 等. 基于非等量采樣的偽碼同步技術研究［J］. 系統工程與電子技術， 202 44（4）： 14011408.
HUA B， MAO Z Y， KANG J F， et al. Research on pseudo-random noise code synchronization technology based on non-commensurate sampling［J］. Systems Engineering and Electronics， 202 44（4）： 14011408.
［24］ ANTONIO A D， MICHELE M. Symbol-spaced feedforward techniques for blind bit synchronization and channel estimation in FSO-OOK communications［J］. IEEE Trans.on Communications， 2024， 72（1）： 361374.
［25］ SAMEER B， AMEER P M， DAVID K R. Synchronization techniques for underwater acoustic communications［J］. International Journal of Communication Systems， 2023， 36（15）： e5563.
［26］ JIN M C， ZHANG S T， HE X D， et al. Blind recognition of frame synchronization in time-code domain［C］∥Proc.of the International Conference on Ubiquitous Communication， 2023.
［27］ RODRIGUE I， SEBASTIEN H. Theoretical analysis of a map based blind frame synchronizer［J］. IEEE Trans.on Wireless Communications， 2009， 8（11）： 54725476.
［28］ LIANG Y S， DINESH R， OREN E E. Sequential frame synchronization based on hypothesis testing with unknown channel state information［J］. IEEE Trans.on Communications， 2018， 63（8）： 29722984.
［29］ SUI H T. Optimum frame synchronization and performance over binary symmetric channel［J］. Journal of Electronics， 199 9（3）： 200208.
［30］ RAMAMOORTHY M S， JALIHAL D， RAMAIYAN V. Optimal frame synchronization under general arrivals［J］. IEEE Trans.on Communications， 2018， 66（11）： 57045717.
作者簡介
王原卿（2000—），男，碩士研究生，主要研究方向為通信對抗。
呼鵬江（1990—），男，講師，博士，主要研究方向為通信對抗。
楊俊安（1965—），男，教授，博士，主要研究方向為信號處理、智能對抗。
劉 輝（1983—），男，講師，博士，主要研究方向為通信對抗、智能信息處理。
