基于机器学习的5G通信目标信号识别方法

2020-02-02王天顺付丽方

通信电源技术 2020年20期

王天顺，付丽方

（郑州升达经贸管理学院信息工程学院，河南郑州 451191）

0 引言

5G通信目标信号识别通常采用理论决策和模式识别两种方法。一般情况下，基于假设检验的理论决策方法根据信号的统计特性和代价函数最小的原则来计算测试量（主要特征），阈值的设置是理论决策方法的核心[1]。在这两种方法中，理论决策方法具有较强鲁棒性，但并不实用，而模式识别方法虽然识别范围广，但受到噪声影响较大[2-4]。针对这一问题，提出了一种基于机器学习的5G通信目标信号识别方法研究，解决了在复杂电磁环境下的通信目标信号识别问题，提高了信号识别精度。

1 基于机器学习信号识别原理

因为5G通信不能描述攻击持久性，所以不能反映攻击场景的特点，由此扩展了网络攻击信息层次。该层次需要分层分析攻击场景，并基于场景因素扩展攻击层次，主要扩展为目标层、因素层以及原子层3个部分[5]。采集5G通信攻击信息，并消除其中的冗余信息，将有价值的信息存储与知识库中，通过诱导处理解决通信网络信息受攻击问题，由此实现通信攻击信息识别。

2 5G通信目标信号分析与特征提取

2.1 5G通信目标信号分析

分析5G通信中的所有信号时可以将信号分解成若干特征尺度的函数，但需要满足下列条件，一是极值与过零点数目相同或差最多不能超过1，二是数据极端值的平均值在任何一点上都为0。基于此，给出了如下的信号模态分解方法，首先拟合信号各极值点，分析上下包络线，求得拟合信号与包络线的均值，其次通过重复以上步骤，将得到的差分作为新的拟合信号，直至其满足特征模态函数的条件，即第一次分解的PF分量与差分一致，也就是特征尺度的最小分量，最后将原信号的PF分量分类，得到拟合后的信号。不断重复上述步骤能够得到特征尺度不同的PF分量，直至出现符合要求的单调信号。但使用以上方法分解多个谐波分量时，干扰将引起相位跳跃，而且由于噪声影响将引入异常信号，这时形成的高频信号使模态分解过程发生混叠，因此需要提取干扰信号的特征。

2.2 特征提取与预处理

在5G通信网络中引入异常信号后，正常信号与异常信号混叠。对不受噪声影响的正常信号进行傅里叶变换处理，由于提取干扰信号特征时所获得的信号具有多样性，无法用相同的信号检测，因此使用傅里叶技术处理信号时应重新选择新的信号，为识别具有抗干扰能力的信号提供准确数据。受到的噪声干扰信号为：

式中，s表示受到噪声干扰信号谱宽；φ表示受到噪声干扰信号提取所需参数；λ(x)表示提取频率；x0表示信号提取时延参数。按式（1）选取最佳视窗标准在时域和频域信号变换参数达到最大值时可获得最佳信号窗。

3 信号识别

通过对5G通信目标信号的分析与特征提取，结合机器学习方法跟踪与识别5G通信目标信号，为模拟人类识别过程提供技术支持。获取新的信号特征后，确定该信号的优先传输路径，观察不同通信信号之间的相似性，其相似度为：

式中，fi(a)为通信信号相似性分析模型；ω为信号权重；n为通信接收信号数量；i表示信号分量，由此式可求得通信信号的相似程度。通过相似性分析可以精准确定5G通信信号的传输路径，即发送路径、传输路径以及接收路径，使用通信信号相似度分析模型函数fi(a)，由此识别这3条路径中的通信目标信号。

基于5G通信目标信号识别方法能够跟踪5G通信目标信号，由此获得新的特征，及时判断和计算信号相似性，显示新接收到的通信信号特征，分析其是否可靠，如果可靠，则可以将其视为可靠性最高的通信信号特征，由此完成信号识别。

4 对比实验

为了验证基于机器学习的5G通信目标信号识别方法研究的合理性，进行实验验证分析。

4.1 实验参数设置

设置对比实验，将本文方法与理论决策法和模式识别法相对比，采用MATLAB软件进行仿真实验，设信号采集频率为50 kHz，信号窗大小为35维，长度为40 ms，分帧200帧，噪声为加性高斯白噪声，选取120个实验数据，分别用3种方法对比抵御网络攻击程度。

4.2 实验结果与分析

在噪声环境下，5G通信网络受到来自不同方向的攻击导致网络存在一定脆弱性，分别使用理论决策法、模式识别法以及基于机器学习识别法对比分析抵御网络攻击程度，结果如图1所示。

图1 3种方法抵御网络攻击程度对比分析

由图1可知，在实验数据为40个时，理论决策法抵御网络攻击程度为40%，模式识别法抵御网络攻击程度为30%，基于机器学习识别法抵御网络攻击程度为78%。在实验数据为120个时，理论决策法抵御网络攻击程度为58%，模式识别法抵御网络攻击程度为50%，基于机器学习识别法抵御网络攻击程度为90%。由此可知，使用基于机器学习识别法抵御网络攻击程度较强。为进一步验证该方法合理性，需对比分析3种方法识别精准度，结果如表1所示。通过分析表1可知，理论决策法识别精准度最高为0.60，最低为0.47，模式识别法识别精准度最高为0.64，最低为0.39，基于机器学习识别法识别精准度最高为0.98，最低为0.94。说明基于机器学习识别法识别精准度受噪声影响较小，具有良好识别效果。