李歆昊 張 旻

?

基于人工免疫的鏈路層協(xié)議幀同步字識別

李歆昊*張 旻

(電子工程學(xué)院 合肥 230037) (安徽省電子制約技術(shù)重點實驗室 合肥 230037)

該文提出一種基于人工免疫的同步字識別算法，解決了無線網(wǎng)絡(luò)鏈路層協(xié)議幀同步字的識別問題。算法在定義相關(guān)概念的基礎(chǔ)上，通過對已知協(xié)議類型文件集脫氧核苷酸(ODN)濃度的計算，得到了相關(guān)協(xié)議的同步字脫氧核苷酸庫；然后，利用得到的同步字脫氧核苷酸庫與相關(guān)文件集進(jìn)行連續(xù)一致匹配，生成同步字檢測基因庫；最后，利用得到的同步字脫氧核苷酸庫和同步字檢測基因庫，通過連續(xù)一致匹配和基因相似度值的計算，實現(xiàn)了同步字的準(zhǔn)確識別。仿真實驗驗證了算法的有效性，與已有的模式串匹配算法相比，所提算法的魯棒性較好，具有一定的工程應(yīng)用價值。

幀結(jié)構(gòu)；同步字；人工免疫；陰性選擇；相似度值

1 引言

隨著社會的飛速發(fā)展，無線通信和智能通信在人們的生活中扮演著越來越重要的角色，而通信協(xié)議分析是上述通信過程中實現(xiàn)同步的關(guān)鍵[1]。此外，在非合作的軍事對抗領(lǐng)域，協(xié)議分析是獲取敵方通信信息和進(jìn)行有效干擾的前提[2]。因此，針對通信協(xié)議識別的研究受到了國內(nèi)外學(xué)者的廣泛關(guān)注。鏈路層協(xié)議是通信協(xié)議的重要組成部分，但是由于鏈路層協(xié)議種類繁多且?guī)Y(jié)構(gòu)各不相同，要實現(xiàn)有效分幀并最終完成協(xié)議的解析，首先需要解決同步字的識別問題[3]。因此，研究一種有效的同步字識別方法具有重要的意義。

人工免疫系統(tǒng)是受生物免疫系統(tǒng)的免疫現(xiàn)象和生物醫(yī)學(xué)理論啟發(fā)而設(shè)計的計算機(jī)系統(tǒng)，利用已有的生物免疫學(xué)說，人工免疫系統(tǒng)對應(yīng)提出了陰性選擇算法、免疫遺傳算法、克隆選擇算法、基于疫苗的免疫算法和基于免疫網(wǎng)絡(luò)的免疫算法等[16,17]。在鏈路層協(xié)議構(gòu)成的比特流序列中，用于確定每幀起止位的同步字要求具有特異性，而人工免疫系統(tǒng)具有優(yōu)良的區(qū)分“自體”和“異體”的能力，這與同步字的識別有相似之處。因此，本文提出了基于人工免疫的鏈路層協(xié)議幀同步字識別算法。算法在定義相關(guān)概念的基礎(chǔ)上，通過對已知協(xié)議類型文件集脫氧核苷酸濃度的計算，得到了相關(guān)協(xié)議的同步字脫氧核苷酸庫；然后，利用得到的同步字脫氧核苷酸庫與相關(guān)文件集進(jìn)行連續(xù)一致匹配，生成同步字檢測基因庫；最后，利用得到的同步字脫氧核苷酸庫和同步字檢測基因庫，通過連續(xù)一致匹配和基因相似度值的計算，在誤碼率一定的條件下實現(xiàn)了同步字的準(zhǔn)確識別。

2 數(shù)據(jù)幀的基礎(chǔ)知識

數(shù)據(jù)鏈路層的協(xié)議雖然有許多種，但為了保證數(shù)據(jù)傳輸?shù)臏?zhǔn)確性和可靠性，各種協(xié)議的比特流在鏈路層都要封裝成幀并且進(jìn)行透明傳輸。

封裝成幀就是在一段數(shù)據(jù)的前后分別添加首部和尾部，這樣就構(gòu)成了一個完整幀，圖1表示用幀首部和幀尾部封裝成幀的一般概念[18]。

由于幀開始和結(jié)束的標(biāo)記是使用特定指明的控制字符，因此在傳輸?shù)臄?shù)據(jù)中，任何8 bit的組合絕對不能與用作幀定界的控制字符的比特編碼相同，滿足以上編碼條件的傳輸被稱為透明傳輸。

圖1 幀封裝

在完成了幀封裝且滿足透明傳輸條件后，待傳輸數(shù)據(jù)無縫連接形成比特流進(jìn)行傳輸。此時，幀首部與幀尾部形成具有同步功能的字段，稱之為同步字；兩兩同步字之間包含的數(shù)據(jù)部分稱之為信息段。因此，對于鏈路層傳輸?shù)谋忍亓餍问降膮f(xié)議幀，其結(jié)構(gòu)如圖2所示。

圖2 鏈路層幀結(jié)構(gòu)

3 同步字的識別

3.1 同步字脫氧核苷酸庫

DNA是存儲生物體遺傳信息的主要介質(zhì)，但只有DNA中的基因才是具有上述遺傳效應(yīng)的片段，而基因又由若干的脫氧核苷酸(ODN)構(gòu)成。上述三者之間的關(guān)系如圖3所示。

結(jié)合鏈路層幀結(jié)構(gòu)，我們給出了DNA，基因和ODN的定義。

(1)DNA：整個鏈路層的比特流數(shù)據(jù)；

(2)基因：同步字的檢測器，DNA的片段，同步字檢測的比較單元；

(3)脫氧核苷酸：每4 bit作為一個脫氧核苷酸，記做ODN，若干個脫氧核苷酸構(gòu)成了基因。

我們將整個鏈路層的比特流數(shù)據(jù)對應(yīng)為生物體的DNA；比特流中的同步字被認(rèn)為是基因，這些基因由同步字的ODNs組成。多個ODN的有序連接表示比特流中的一個或多個同步字。利用已知濃度信息統(tǒng)計每個ODN趨向于代表同步字的程度，濃度的相關(guān)定義及計算公式如下：是單個包含同步字的訓(xùn)練集文件中的ODN總數(shù)；是單個不包含同步字的訓(xùn)練集文件中的ODN總數(shù)；是訓(xùn)練集中ODN在包含同步字的文件中出現(xiàn)的次數(shù)；是訓(xùn)練集中ODN在不包含同步字的文件中出現(xiàn)的次數(shù)；是訓(xùn)練集中包含同步字的文件數(shù)目；是訓(xùn)練集中不包含同步字的文件數(shù)目；濃度的計算公式如式(1)：

圖3 DNA，基因，ODN關(guān)系圖

3.2 同步字檢測基因庫

在得到同步字ODN庫后，需要產(chǎn)生同步字檢測基因庫，而同步字檢測基因庫的生成需要首先得到同步字候選基因庫和類同步字基因庫，具體步驟如下所示。

3.2.1 相關(guān)基因庫生成 利用得到的同步字ODN庫，采用連續(xù)一致匹配的方法匹配包含同步字比特流的DNA，生成同步字候選基因庫。連續(xù)一致匹配是指從第1位發(fā)生匹配的位置開始，利用滑動窗口的方法向后進(jìn)行匹配比較，匹配一直進(jìn)行到發(fā)生間斷為止。此時，統(tǒng)計從開始匹配到匹配結(jié)束共有多少同步字ODN庫中的ODN參與匹配，如果ODN數(shù)目不小于閾值，將同步字DNA的這個片段作為同步字基因，反之不是同步字基因。由于鏈路層數(shù)據(jù)在實際應(yīng)用中常以字節(jié)為單位進(jìn)行傳輸，且同步字的長度一般大于等于3個字節(jié)。因此，本文規(guī)定閾值的取值為6。

由于訓(xùn)練樣本中包含有不同種類的協(xié)議數(shù)據(jù)，因此得到的同步字候選基因庫中的基因存在與不包含同步字比特流序列基因匹配的可能性。通過采用上述生成同步字候選基因庫相同的方法，利用ODN庫與訓(xùn)練集中所有不包含同步字比特流序列進(jìn)行匹配，可以得到類同步字基因庫。

3.2.2 同步字檢測基因庫 將類同步字基因庫中的基因看做“自體”，同步字候選基因庫中的基因看做“異體”，采用連續(xù)一致匹配的方法，進(jìn)行陰性選擇。如果同步字候選基因庫中的基因與類同步字基因庫中的任一基因匹配成功，就刪除該同步字候選基因。重復(fù)上述過程，直到同步字候選基因庫中所有與類同步字基因庫發(fā)生匹配的基因被完全刪除為止。此時，同步字候選基因庫就升級為同步字檢測基因庫。

3.2.3 待識別序列類同步字基因庫 采用與生成同步字候選基因庫相同的方法，通過ODN庫與待識別序列的匹配，我們能夠很容易地得到待識別序列的類同步字基因庫并實現(xiàn)待識別序列的同步字識別。

3.3 濃度閾值的選取

經(jīng)過陰性選擇后的同步字檢測基因庫與不包含同步字?jǐn)?shù)據(jù)的相似度值為0，與大部分包含同步字?jǐn)?shù)據(jù)的相似度值不為0，此時算法具有較好的識別效果。但實際情況下，訓(xùn)練集包含的協(xié)議類型有限，產(chǎn)生的同步字檢測基因庫僅對訓(xùn)練集協(xié)議類型數(shù)據(jù)具有較好的識別效果。當(dāng)訓(xùn)練集的組成改變時，算法的識別準(zhǔn)確性和推廣泛化能力降低。因此，實際應(yīng)用中選取最優(yōu)濃度閾值沒有意義。

本文針對選取的訓(xùn)練集，使用1維搜索的方法，對訓(xùn)練集中的已知協(xié)議數(shù)據(jù)進(jìn)行同步字識別。每種濃度下進(jìn)行50次識別，并計算出平均的識別正確率。隨著濃度值的增加，同步字識別正確率達(dá)到理想值而不能再提高。選取識別正確率最大值所對應(yīng)的最小濃度取值為濃度閾值，在此濃度閾值下產(chǎn)生的同步字檢測基因庫將對檢測集中的同步字達(dá)到完美識別。

3.4 基因的相似度計算

為了提高本文算法的識別準(zhǔn)確性，定義兩個基因之間的匹配程度為相似度值。因此，對于彼此之間不匹配的基因，它們的相似度值為0；對于兩兩匹配的基因，它們應(yīng)該滿足如下的條件，即若，其中，則兩基因位ODN匹配時的相似度值要大于兩基因位和位ODN匹配時的相似度值之和。如果定義是位ODN匹配時的相似度值，則有，利用數(shù)學(xué)歸納法我們可以得到式(2)：

根據(jù)上述分析，可以得到相似度值的計算公式為

(3)

將待識別序列類同步字基因庫中的一個基因與同步字檢測基因庫中的每個基因進(jìn)行匹配比較，利用式(3)計算得到此基因與同步字檢測基因庫中各基因的相似度值，并將最大的相似度值作為該基因與同步字檢測基因庫的相似度值；重復(fù)上述過程，直到得到類同步字基因庫中每個基因與同步字檢測基因庫的相似度值；最后將這些相似度值中最大的作為類同步字基因庫與同步字檢測基因庫的相似度值，與其對應(yīng)的同步字檢測基因庫中的基因即被判定為待識別序列的同步字。

4 算法流程

本文算法的具體流程主要包括兩部分：即有向?qū)У厣赏阶謾z測基因庫的訓(xùn)練部分、在連續(xù)一致匹配和相似度值計算基礎(chǔ)上實現(xiàn)同步字準(zhǔn)確識別的檢測部分，具體步驟如下所示。

步驟1 選取若干組包含同步字和不包含同步字的比特流數(shù)據(jù)組成訓(xùn)練集，初始化,,,,,為0, ODN 長度bit；

步驟4 利用得到的同步字候選基因庫和類同步字基因庫，采用連續(xù)一致匹配的方法，在連續(xù)匹配ODN數(shù)目閾值bit的條件下進(jìn)行陰性選擇，得到同步字檢測基因庫；

步驟6 利用式(3)，計算待識別序列類同步字基因庫與同步字檢測基因庫的相似度值，與其對應(yīng)的同步字檢測基因庫中的基因即被判定為待識別序列的同步字。

5 仿真實驗

實驗選取CCSDS空間鏈路層協(xié)議中的TC協(xié)議幀、TM協(xié)議幀、Proximity-1協(xié)議幀和局域網(wǎng)鏈路層802.3協(xié)議幀，各協(xié)議幀的相關(guān)參數(shù)如表1所示。

實驗1識別數(shù)據(jù)生成

由圖4可知，當(dāng)濃度值增大到0.5時，正確識別同步字的概率為1，且隨著濃度值的增大，識別概率不變。因此，我們選取濃度閾值對訓(xùn)練集中的ODN進(jìn)行篩選。

(2)同步字檢測基因庫生成：仿真產(chǎn)生長度為240000 bit的上述4種協(xié)議幀和其信息段各10組，分別構(gòu)成訓(xùn)練集中的包含同步字比特流文件集和不包含同步字比特流文件集。設(shè)置同步字ODN長度bit、濃度閾值，利用仿真產(chǎn)生的訓(xùn)練集數(shù)據(jù)，統(tǒng)計各ODN對應(yīng)十進(jìn)制數(shù)的濃度值分布如圖5所示。

由圖5可知，16種ODN的濃度值都大于0.4，其中濃度值大于濃度閾值的ODN有7種，它們對應(yīng)的二進(jìn)制取值0101, 0111, 1010, 1011, 1101, 1110, 1111構(gòu)成同步字ODN庫。

表1 協(xié)議幀特征統(tǒng)計

協(xié)議幀同步字幀長(bit) TC11000101110001011100010111000101110001011100010111000101011110011110101110010000256n (n=1,2,3) TM00011010110011111111110000011101128n (n=1,2,3) Pro-1111110101111001100100000128n (n=1,2,3) 802.31010101010101010101010101010101010101010101010101010101010101011256n (n=1,2,3)

圖4濃度值

圖5 濃度值分布

由表2可知，生成的同步字檢測基因庫由30個檢測基因組成，每個基因的長度為24 bit。利用上述得到的同步字檢測基因庫，我們就可以對待識別序列的同步字進(jìn)行檢測識別。

實驗2 同步字識別

(1)無誤碼識別： 在無誤碼且起始位正確的條件下，分別仿真產(chǎn)生長度為640000 bit的上述4種協(xié)議幀進(jìn)行同步字識別。設(shè)置ODN匹配數(shù)目，得到的類同步字基因庫如表3所示。

計算得到的類同步字基因庫中每個基因與同步字檢測基因庫的相似度值如圖6所示。由圖6可知，Proximity-1協(xié)議幀的相似度值是384210526, TC協(xié)議幀的相似度值是245029240, TM協(xié)議幀的相似度值是86964912, 802.3協(xié)議幀的相似度值是1107017544。它們對應(yīng)的同步字檢測基因庫中的基因即為識別的該協(xié)議的同步字，結(jié)果如表4所示。

我們將得到的各協(xié)議的同步字識別結(jié)果與正確同步字進(jìn)行比較，對比結(jié)果如表5所示。

表5中第1行是正確的同步字，第2行是識別的同步字。由表5可知，在上述4種協(xié)議的識別結(jié)果中，TC協(xié)議幀、Proximity-1協(xié)議幀和802.3協(xié)議幀的識別結(jié)果能夠完全匹配正確的同步字，TM協(xié)議幀與正確同步字的匹配只相差3位，也達(dá)到了較好的識別準(zhǔn)確性。

(2)有誤碼識別： 在誤碼率為0.5%且起始位錯誤的條件下，分別仿真產(chǎn)生長度為640000 bit的上述4種協(xié)議幀，計算各協(xié)議的類同步字基因庫中的每個基因與同步字檢測基因庫的相似度值如圖7所示。

由圖7可知，Proximity-1協(xié)議幀的相似度值是358672560, TC協(xié)議幀的相似度值是234314514, TM協(xié)議幀的相似度值是87391461, 802.3協(xié)議幀的相似度值是1078453616。它們對應(yīng)的同步字檢測基因庫中的基因如表6所示。

如表6所示，識別結(jié)果與不存在誤碼且起始位正確時的完全相同，表明本文算法具有較好的抗誤碼性能。

實驗3 誤碼性能對比

仿真產(chǎn)生長度為640000 bit的TC協(xié)議幀，分別利用本文的人工免疫算法和已有的模式串匹配算法，在不同誤碼率條件下各進(jìn)行100次的蒙特卡洛同步字識別仿真實驗，驗證兩種算法的抗誤碼性能，實驗結(jié)果如圖8所示。

表2 同步字檢測基因庫

同步字檢測基因庫 010101010101010101010101 010101010101010101101000 010101010101010101101001 010101010101010101101100010101010101010101101101 010101010101010101110000 010101010101010101110001 010101010101010110100010010101010101010110100011 010101010101010110100100 010101010101010110110010 010101010101010110110011010101010101010110110100 010101010101010111000010 010101010101010111000011 010101010101010111000100010101111001111010111001 011111010111100110010000 011111111110000011101010 011111111110000011101011011111111110000011101100 101010101010101010101010 101010101010101101100110 101010101010101110000100110101010101010101010101 110111110101111001100100 111110101111001100100000 101010101010101101000110101010101010101110000110 101010101010101110001000

表3 待測序列類同步字基因庫

協(xié)議幀類同步字基因庫 TC010101111001111010111001 010110110001011100010111 TM011111111110000011101010 011111111110000011101011 011111111110000011101100 Pro-1010110111110101111001100 111110101111001100100000 110111110101111001100100 802.3010101010101010101010101 010101010101010101101000 010101010101010101101001 010101010101010101101100010101010101010101101101 010101010101010101110000 010101010101010101110001 010101010101010110100010010101010101010110100011 010101010101010110100100 010101010101010110110010 010101010101010110110011010101010101010110110100 010101010101010111000010 010101010101010111000011 010101010101010111000100010110101010101010101010 101010101010101010101010 101010101010101010101101 110101010101010101010101

圖6 無誤碼條件下的相似度值分布

圖7 有誤碼條件下的相似度值分布

圖8 抗誤碼性能對比

表4 同步字識別結(jié)果

協(xié)議幀同步字識別結(jié)果 TC010101111001111010111001 TM011111111110000011101011 Pro-1111110101111001100100000 802.3010101010101010101010101 101010101010101010101010

表5 識別結(jié)果對比

表6 同步字識別結(jié)果

協(xié)議幀同步字識別結(jié)果 TC010101111001111010111001 TM011111111110000011101011 Pro-1111110101111001100100000 802.3010101010101010101010101

由圖8可知，在誤碼率達(dá)到2.5%時，模式串匹配算法的識別概率在40%左右，而本文的人工免疫算法保持在75%左右；當(dāng)誤碼率繼續(xù)升高到3.5%時，模式串匹配算法的識別概率只有5%左右，而人工免疫算法仍然保持在50%以上，可見本文算法比已有的模式串匹配算法具有更好的抗誤碼性能。

6 結(jié)論

本文提出了一種基于人工免疫的鏈路層協(xié)議幀同步字識別算法。在得到同步字脫氧核苷酸庫和同步字檢測基因庫的基礎(chǔ)上，通過計算待識別序列的類同步字基因庫與同步字檢測基因庫的相似度值，達(dá)到識別同步字的目的。由于誤碼對相似度值的計算和判斷影響較小，且最終的同步字識別以同步字檢測基因庫為準(zhǔn)，因此與已有模式串匹配算法相比，本文算法具有較好的魯棒性。

[1] 張永光, 婁才義. 信道編碼及其識別分析[M]. 北京: 電子工業(yè)出版社, 2010: 1-2.

ZHANG Yongguang and LOU Caiyi. Channel Coding and Recognition Analysis[M]. Beijing: Publishing House of Electronics Industry, 2010: 1-2.

[2] 李相迎. CCSDS數(shù)據(jù)鏈路層協(xié)議識別關(guān)鍵技術(shù)研究[D]. [博士論文]，中國科學(xué)院大學(xué), 2011.

LI Xiangying. Key technologies of protocol identification for CCSDS data link layer[D]. [Ph.D. dissertation], University ofChineseAcademyofSciences, 2011.

[3] HUANG S, HE J, ZENG X,. Accurate frame synchronization for IEEE 802.16d system[C]. WCSP 2009. International Conference on IEEE, Nanjing, China, 2009: 1-3. doi: 10.1109/WCSP.2009.5371458.

[4] 金凌. 面向比特流的未知幀頭識別技術(shù)研究[D]. [碩士論文], 上海交通大學(xué), 2011.

JIN Ling. Study on bit stream oriented unknown frame head identification[D]. [Master dissertation], Shanghai Jiao Tong University, 2011.

[5] 白彧, 楊曉靜, 王懋. 基于相關(guān)濾波和哈達(dá)瑪變換的幀同步碼識別[J]. 探測與控制學(xué)報, 2011, 33(3): 69-72.

BAI Yu, YANG Xiaojing, and WANG Mao. Recognition method of frame synchronization codes based on relativity filter and Hadamard transformation algorithm[J].&, 2011, 33(3): 69-72.

[6] 陸凱, 張旻, 李歆昊. 一種有效的等幀長幀同步盲識別方法[J]. 火力與指揮控制, 2015, 40(9): 68-71.

LU Kai, ZHANG Min, and LIXinhao. A blind recognition method of fixed frame length frame synchronization[J].&, 2015, 40(9): 68-71.

[7] 郭凱豐, 王萌. 基于等幀長信號的幀頭檢測方法研究[J]. 信號與信息處理, 2014, 44(6): 33-36.

GUO Kaifeng and WANG Meng. Research on detection of frame head on fixed frame length[J]., 2014, 44(6): 33-36.

[8] 張玉, 楊曉靜. 集中插入式幀同步識別方法[J]. 兵工學(xué)報, 2013, 34(5): 554-560.

ZHANG Yu and YANG Xiaojing. Recognition method of concentratively inserted frame synchronization[J]., 2013, 34(5): 554-560.

[9] IMAD R, SICOT G, and HOUCKE S. Blind frame synchronization for error correcting codes having a sparse parity check matrix[J]., 2009, 57(6): 1574-1577. doi: 10.1109/ TCOMM.2009.06.070445.

[10] ZHANG Y, CHEN X, FAN W,Robust and reliable frame synchronization method for DVB-S2 system[C]. Wireless Telecommunications Symposium(WTS), Tampa, Florida, USA , 2010: 1-5. doi: 10.1109/WTS.2010.5479625.

[11] QIN J, HUANG Z, LIU C,Novel blind recognition algorithm of frame synchronization words based on soft-decision in digital communication systems[J]., 2015, 10(7): e0132114. doi: 10.1371/journal.pone.0132114.

[12] HOUCKE S and SICOT G. Blind frame synchronization for block code[C]. European Signal Processing Conference, Florence, Italy, 2006: 1-4.

[13] WANG Y, ZHANG C, PENG Q,Learning to Detect Frame Synchronization[M]. Berlin, Germany, Neural Information Processing, Springer Berlin Heidelberg, 2013: 570-578. doi: 10.1007/978-3-642-42042-9_71.

[14] 王和洲. 面向比特流的鏈路協(xié)議識別與分析技術(shù)[D]. [碩士論文], 中國科學(xué)技術(shù)大學(xué), 2014.

WANG Hezhou. Research on bit-stream oriented link protocol identification and analysis techniques[D]. [Master dissertation], University of Science and Technology of China, 2014.

[15] 張一嘉. 局域網(wǎng)鏈路層數(shù)據(jù)幀識別算法的設(shè)計與實現(xiàn)[J]. 通信對抗, 2007, 99(4): 41-44.

ZHANG Yijia. Design and implementation of algorithm for LAN data frame recognition[J].2007, 99(4): 41-44.

[16] WANG W, ZHANG P, TAN Y,. An immune local concentration based virus detection approach[J].2011, 12(6): 443-454. doi: 10.1631/jzus.C1000445.

[17] 龔濤, 蔡自興. 基于正常模型的人工免疫系統(tǒng)及其應(yīng)用[M]. 北京: 清華大學(xué)出版社, 2011.

GONG Tao and CAI Zixing. Artificial Immune System Based on Normal Model and Its Applications[M]. Beijing: Tsinghua University Press, 2011.

[18] 謝希仁. 計算機(jī)網(wǎng)絡(luò)[M]. 北京: 電子工業(yè)出版社, 2008: 66-67.

XIE Xiren. Computer Network[M]. Beijing: Publishing House of Electronics Industry, 2008: 66-67.

Frame Synchronization Word Identification of Link Layer Protocol Based on Artificial Immune

LI Xinhao ZHANG Min

(,230037,)(,230037,)

Inspired by biologic immune system, a novel frame synchronization word identification algorithm based on artificial immune is proposed. Firstly, due to the calculation of ODN concentration of known protocol type file set, ODN library of synchronization word in corresponding protocol is constructed. Then, through uniform continuity matching between ODN library of synchronization word and relevant file set, the detecting synchronization word gene library is constructed. At last, through calculating similarity value and uniform continuity matching by using ODN library of synchronization word and detecting gene library, synchronization word can be identified exactly. The new method, which has higher accurate recognition than pattern matching algorithm suggested by simulation results, has significant potential in engineering application.

Frame structure; Synchronization word; Artificial immune; Negative selection; Similarity value

TN911.22

A

1009-5896(2017)03-0561-07

10.11999/JEIT160476

2016-05-10；改回日期：2016-09-09；

2016-11-14

李歆昊 lixinhao1989616@126.com

國家自然科學(xué)基金(61171170)，安徽省自然科學(xué)基金(1408085QF115)

The National Natural Science Foundation of China (61171170), The Natural Science Foundation of Anhui Province (1408085QF115)

李歆昊： 男，1989年生，博士，主要研究方向為信道編碼識別.

張 旻： 男，1966年生，教授，博士，主要研究方向為通信信號處理、智能計算.