基于遗传算法的D2D通信安全控制研究*

尹梦洁

（湖南省邮电规划设计院有限公司，湖南 长沙 410000）

0 引 言

随着近来智能设备和多媒体业务需求爆炸式的增长，网络容量需求也来越高。业界致力于从提高频谱资源利用率方面解决问题，然而进展缓慢，3GPP进行了一系列标准化工作，从小区分裂，small cell，D2D等方向改进系统容量，其中D2D是在现有4G蜂窝网络上的平滑演进，运营商可以直接对现网系统升级来支持D2D，因此该技术获得运营商的青睐。

在 3GPP（3rd Generation Partnership Project）的各个标准组里，来自全球的运营商和设备制造商参与了D2D通信技术的讨论和技术规范制定，并最终确定其作为5G关键技术之一的地位。目前3GPP已完成了D2D架构、各功能实体、主要支持的功能、信息交互流程以及近距离发现和直接通信工作机制。随着D2D工作机制的进一步完善，未来D2D通信将会在分流运营商网络以及公共安全直接通信场景中获得大规模使用。

通信安全控制在有关无线通信安全，信息安全，网络安全协议中的定义是一致的，指的是通信网络安全的先进技术以及发展方向，近年来智能设备和多媒体业务需求爆炸式的增长，网络容量需求也来越高，网络容量需求也来越高，通信安全也越来越受到人们重视。D2D方法被提出改进系统容量。D是在现有4G蜂窝网络上的平滑演进，运营商可以直接对现网系统升级来支持D2D，因此该技术获得运营商的青睐。随着D2D工作机制的进一步完善，未来D2D通信将会在分流运营商网络以及公共安全直接通信场景中获得大规模使用。模型控制中，若直接测量，一般不可行，那是因为演化该模型的频率将远远超过观察到的频率和最佳的观测数据将被选择用于估计[1]。同时考虑到该模型具有复杂的非线性特征，因此无法生成有效数据与状态估计，根据实际情况存在较大偏差[2]。因此，近年来应采用何种方法来提高观测数据的有效性以及如何提高精度，这是该行业的重点,提出重心，以一致性分析作为基本核心，观察和分析值之间的差被用来替换错误统计[3]；为了减少平滑功能风险，有必要找到减少视图的方法[4]；通过取观测数据的平均值来测量随机误差及其相关误差[5]；误差协方差矩阵与对称循环矩阵具有明显的相似性，其中，误差协方差矩阵需进行离散傅立叶处理，这将产生更准确的结果[6]；如果观察目标基于最大集合方差，则优势更有利[7]。在同化中，状态估计是根据数据信息，应该用什么方法来得到更加精确的观测数据，显著降低误差范围，已经成为当前学者的重点研究内容[8]。

通过以上描述，本文论证了通信安全系统训练优化的训练方法的数学建模是基于所构造的第一整体结构模型，然后通过一个遗传算法说明，接着进行优化训练，再详细介绍遗传算法D2D的设计，有效地构建观测位置的等值权重，给出状态估计分析公式；最终对新方法进行了验证，再将其与传统方法进行比较，从而讨论遗传算法的成效性和客观性。

1 基于遗传算法的通信安全控制研究训练

在本文的论证中，选用遗传算法（Genetic Algorithm，GA）为算法基础，先计算欧式距离，再对观测位置的距离进行判断，接着给出权重。利用已经观测到的数据来减小估计误差值，降低虚假相关，力求预报值接近真实状况。

由于鲁棒性的影响太过明显，控制效果也必然会受到大幅度的影响，尤其是基于通信安全控制系统，就会呈现出更强的非线性与不稳定性。在同化系统中，不同观测点的观测信息，其重要性通常是由观测权重来决定的。在图1中，图像展示的是控制同化示意图，可以看到，“七角星”代表状态更新后的位置，同时利用“五角星”来表示观察位置，在传统方案下则选择顺利滤波。以中心格点为基本对象，利用依次循环的方法，将所有对象都处理至分析网络之中。先计算欧式距离，再将其按照专业的方法将其量化，从而确定权重值的大小，更新位置越近，权重越大，反之，若更新位置越远，权重越小。

图1 通信安全系统控制同化表示图

采用通信安全控制研究训练可以得到相应的观察点的权重，以推算出对应的状态更新向量。详细的步骤如下：

（1）输入变量的选择和离散化。基于欧式距离的变化（用字母表示），设置语言变量域，通常将其范围设置为；然后输出等效权重，再设定变量域的合理范围。之后确定量化因子，可以将其值设定成0.025。

（2）动态粒子群推理。等效权重取决于欧式距离的变化。如果欧式距离更远，则等效权重将更小，然后将采用三角函数隶属函数。表1中表述的是具体通信安全系统训练优化规则。

表1 输入量和输出量对应规则

（3）等价权重u的断定。从表面上讲，观察的数量决定了权重的数量。在控制规则的条件下，获得通信安全系统训练功率输出权重。

（4）解通信安全系统训练优化。通过上文的推理，本文得到了通信安全系统训练优化值（即通信安全系统训练优化输出权重u）。通常将这个过程称为通信安全系统训练优化，本文选取了最大隶属度的方法。

（5）状态更新。根据通信安全系统控制优化训练权重计算出物理空间距离。

2 数值仿真结果分析

本文论证是检测遗传算法D2D安全建模方法的功能，因此必须做模拟实验。在模拟实验中有针对的使用功Sphere函数和Rastrigin函数，将其进行控制，再使用本文粒子群该算法最终得到了控制训练的收敛点收敛结果和需要时间。有关详细信息，请参阅图2，经过分析图2的控制，文本算法的有效使用能尽量地减少计算成本，既节约了很多的运行时间，又更好地增加了控制效率。

在本文的研究过程中，评价指标被使用，并且由下式使用的评价指标可以表示：

图2 遗传算法D2D建模方法的运行

本文在实验测试过程中设置了如下参数：表2给出了实验1的各参数设置结果。其中，N变化间隔等于2，并且间隔的大小取为5。图3表示是均方根的对比图。对图3进行分析可以获得以下3个结论：第一，集合数量会对均方根误差产生显著影响。当集合数量增加后，上述各方案都出现了均方根变小的变化趋势，同时达到更高的同化准确性。第二，当集合数等于2时，以上3个方案在均方根方面都具有优异性能，不能达到同化要求。随着集合数量的进一步增加，以方案获得的收敛速度将明显变快。当集合数等于20时，将获得更高的同化精度；当集合数等于40时，3种方案同化效果一致。结论3，计算负担与集合数量密切相关。如果集的数量较大，则计算负担较重。在这三种方案中，FETKF方案具有突出的优点，而且具有最优的同化成效。

表2 实验研究方法

图3 55组数对同化结果的影响

3 结 语

在通信安全系统训练优化中，蜂窝网络中引入D2D通信技术，带来好处的同时也存在着蜂窝用户与D2D用户之间的同频干扰问题，一定程度上影响了频谱利用率，最优的状态估计需要观测值来不断修正，提出了依赖遗传算法D2D安全建模方法模型的通信安全系统无功优化办法。本文与集合变换卡尔曼滤波（ETKF）方案结合，本文不但给与非线性系统的解的方法，但也给出了非线性系统的计算方案。讨论结果为：在随机离散的条件下，采用该方案能够有成效地改善伪相关，可以防止对更明确的变量的作用，有效地减少观测数据引起的误差，以D2D用户和速率最大化为优化目标，运用基于遗传算法为蜂窝信道、复用信道和专用信道上的D2D用户进行功率分配。仿真结果表明，本文所提的基于信道增益比值的D2D通信模式选择和资源分配的方案，可以更充分地利用频谱和功率资源，进一步提升谱效和D2D用户的和速率。因此进一步减少计算成本，从而让通信安全系统训练优化更上一层楼。