基于信息大数据融合的网络通信信号传输效率模型研究*

2021-05-07杨小琴陈安婕王剑

数字技术与应用 2021年3期

杨小琴陈安婕王剑

(南京工业大学浦江学院,江苏南京 211134)

0 引言

网络通信信号在众多领域当中的应用十分广泛,并且具有十分重要的地位。当前网络信息信号在其传输的过程中正面临着诸多技术方面的挑战,因此为了进一步提升网络通信信号的传输效率,需要结合现代大数据技术中的信息大数据融合,实现对其传输效率的综合提升。传统网络通信信号在传输过程中,需要进行跨度较大、层次较深的综合研究[1]。通过多种不同技术手段和方法才能够完成对信息源数据的采集和提取,以此才能够实现对网络通信信号的传输[2]。同时,当前网络通信环境复杂程度逐渐增加,因此传统网络通信信号传输方法在实际应用中逐渐产生了信息丢失量大、传输速度慢、收敛效率低等问题,严重阻碍网络通信技术的发展。因此,为使网络通信信号能够不受周围环境因素的影响,始终处于高效率、流畅的运行状态,本文将开展基于信息大数据融合的网络通信信号传输效率模型研究。

1 基于信息大数据融合的网络通信信号传输效率模型设计

网络通信信号传输效率受到基站位置、信号功率、建筑物遮挡等诸多因素的影响,因此建立高还原度的数学模型是一件异常复杂且庞大的课题。为降低课题研究的风险,采用抓住主要矛盾的原则,仅考虑影响信号传输效率明显的因素作为模型的影响因子,构建信号传输效率模型。通过引入信息大数据融合,迭代计算模型的匹配度,实现网络通信号传输效率模型的最大化还原。

1.1 构建网络通信信号样本采集矩阵

在对网络通信信号传输效率模型进行建设时,首先构建网络通信信号样本采集矩阵,以此利用压缩感测技术实现对网络通信信号的重建,方便对网络通信信号原始数据进行动态采集[3]。在网络大数据环境当中,所有的铜带数据同步操作,均有利于提升信号传输效率检测的质量。因此,根据这一特点,需要对网络通信环境当中的信号进行稀疏化处理,并结合离散余先变换,实现对稀疏基矩阵的构建,可用如下表达式表示:

公式(1)中,ψ表示为网络通信信号稀疏基矩阵;n表示为网络通信信号稀疏化处理后的稀疏程度;ψ1,ψ2,M,ψn表示为网络通信信号稀疏基矩阵中的元素。再利用上述矩阵完成对网络通信信号样本采集矩阵的构建,得到如下表达式:

公式(2)中,Hu,v表示为网络通信信号样本采集矩阵;du,v表示为第u个网络通信信号到第v个网络通信信号之间的实际传输距离;hu,v表示为均值为零的高斯噪声衰减参数[4]。根据上述公式(2)进一步得出,通过稀疏化处理后的网络通信信号量。将其在矩阵当中进行投影,以此获取到相应的信号矢量值,从而实现对网络通信信号的采集。

构建网络通信信号样本采集矩阵的目的,是在多样复杂且瞬息变幻的海量数据中,提取出具有代表性的信号样本。通过建立信号样本,将通信信号“脸谱化”,发现多样信号间的差异,选取其中代表性信号样本,作为建立信号传输效率模型的典型向量。信号样本采集矩阵是模型能否实现高还原度的基础。

1.2 网络通信信号动态还原

在完成对网络通信信号样本采集矩阵构建后,本文采用逐步迭代的方式,对网络通信信号中的动态数据进行采集,其采集过程如下:

第一步,对网络通信信号节点当中的动态数据进行采集;

第二步,对动态数据进行稀疏处理;

第三步,对动态数据采集矩阵进行构建;

第四步,对动态数据进行传输,从网络通信信号节点位置传输到中心节点位置;

第五步,采用逐步迭代法对动态数据处理;

第六步,获取动态数据的相关信息以及传输效率;

第七步,完成对动态数据的搜集。

根据上述采集过程完成对网络通信信号的动态采集后,开始进行动态数据原始信号的还原[5]。在还原的过后,还需要利用大数据融合的方式,持续完成对动态数据流应用程序的使用[6]。假设在这一过程中,网络通信息号的信噪比处于较小的范围内,则动态数据的传输速度会逐渐减缓;反之,信噪比高时传输速度更快。由于网络通信信号当中的动态数据是由多种不同系统生成,因此差异性较大,数据之间的相互影响较为强烈[7]。针对这一问题,在对网络通信信号动态数据进行还原的过程中,可通过将不同数据信息转换为位数较小的“痕迹”的方式,再从目标节点中进行演绎,以此完成对网络通信信号在模型当中的还原。

表1 实验组与对照组实验结果对比表Tab.1 Comparison of experimental results between experimental group and control group

网络通信信号动态还原过程中,需要特别注意对信噪比还原和异源异型信号干扰的处理。信噪比的高低影响着信号传输效率。在实际网络通信中,由于接入设备不同,产生的信号信噪比强弱迥异,在采集信号样本时,如果疏密度选择过大,会引起信号信噪比不能被可靠还原,造成建模失效。因此需要在计算量允许的情况下,尽可能减小信号采集样本疏密度,提高模型颗粒度。异源异型信号的互相干扰问题,也是影响模型真实度的重要因素,容易造成通信信号动态还原失真。在采集信号样本以及信号动态还原中,需要区分所采集信号的来源和类型。根据不同的信号源、不同的信号类型(如音频、视频、图片、字符串等),按照不同的采集规则区别对待,分类整理后再使用还原算法进行信号动态还原。

1.3 基于信息大数据融合的的通信信号融合

为实现对网络通信信号的融合,本文采用信息大数据融合技术,对信号当中的动态数据进行关联组合,以此提高对信号传输效率估算的准确性[8]。利用数学和技术工具,从网络通信环境当中对动态数据信息进行采集。根据采集后需要的不同融合程度,将融合划分为数据层、特征层和决策层。在数据层当中,针对网络通信信号信息源输入的原始动态数据进行融合处理[9]。基于信息大数据融合的背景,数据层中的数据具有丰富、多样、历史相关等特点,因此在信号融合中,需要在数据层设置多样信息采集点,以便于信号的融合。在特征层中,主要完成对特征性数据在模型当中的导入和导出,结合本文上述网络通信信号样本采集矩阵,对网络通信信号的目标动态数据信息进行提取,并在空间坐标轴当中进行针对性特征处理[10]。最后,在决策层当中,在已知实际网络通信信号传输效率的基础上,对来自不同渠道上的动态数据信息进行获取,以此定位当前网络通信信号的实时传输状态,从而满足多类型数据信息的融合需求。决策层还需要在通信信号融合后,对结果进行迭代计算,利用大数据的海量数据优势和历史数据相关性特点,将融合结果逼近于理想值。通过三层融合,将多类型数据信息作为模型的输出量,以此实现对网络通信信号传输效率的模拟。

2 对比实验

通过本文上述论述,完成了对基于信息大数据融合的网络通信信号传输效率模型的设计与构建,为体现本文模型的有效性,下面将进行一次相关性实验验证。实验过程中的相关配置为3.55GHz Pentium,网络通信信号缓存为258M,总计传输网络通信信号量100G。本文对比实验在Windows 10环境当中完成,并结合VS程序对本文提出的模型在实际中的应用效果进行验证。在实验过程中,准备若干个数据节点,并将其随机分布在一个150×200的区域范围当中。将该区域范围内的中心作为中心节点。为了实现对模型应用效果的定量分析,假设通过本文模型和传统模型均能够得到信号传输效率的所有位置上均为正常值,记录两种模型检测到的最高值。将本文提出的模型作为实验组,传统模型作为对照组,分别利用实验组和对照组模型完成6次实验,将动态数据依次随机分布在150×200区域范围内,完成两种模型对传输效率的展示,对比其与实际传输效率的贴合程度。将实验结果绘制成如表1所示的实验结果对比表。

由表1中的实验结果可以看出,实验组的传输效率最高值明显比对照组传输效率最高值更接近于实际传输效率最高值。因此,通过对比实验证明,本文设计的基于信息大数据融合的网络通信信号传输效率模型与实际信号传输效率更相符,能够为后续提高网络通信信号传输效率的措施研究提供有力的参考依据。