趙琨

摘要：信息時代推動了網(wǎng)絡技術發(fā)展步伐，在移動通訊網(wǎng)絡中的應用越發(fā)自如。但影響移動網(wǎng)絡安全運行的因素較多，還需加強對通信網(wǎng)絡異常信號精準識別，通過分析網(wǎng)絡信號樣本信息，了解異常信號數(shù)據(jù)特征，確保用戶信息安全，但傳統(tǒng)網(wǎng)絡信號識別方式弊端較多，無法有效識別異常信號，而其中DFI技術的應用則實現(xiàn)了異常信號優(yōu)化識別，為移動通訊網(wǎng)絡的穩(wěn)定運行提供了基礎保障。

關鍵詞：優(yōu)化識別;異常信號;移動通信網(wǎng)絡

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）20-0036-02

開放科學（資源服務）標識碼（OSID）：

基于現(xiàn)代信息技術的移動通信網(wǎng)絡發(fā)展迅猛，研發(fā)了大量應用軟件，為人們生產(chǎn)生活提供了巨大便利。但木馬病毒傳播與服務攻擊等問題層出不窮，嚴重威脅用戶信息安全。對此，準確識別網(wǎng)絡異常信號、確保網(wǎng)絡安全性與穩(wěn)定運行顯得尤為關鍵。本文主要對移動通信網(wǎng)絡異常信號優(yōu)化識別展開闡述，對異常信號識別原理與優(yōu)化識別方法展開分析，希望對我國移動通信網(wǎng)絡的現(xiàn)代化發(fā)展起到積極促進作用。

1 網(wǎng)絡異常信號識別原理分析

識別異常信號時，提取網(wǎng)絡異常信號數(shù)據(jù)特征，通過異常信號數(shù)據(jù)分類，設立異常信號識別模型，完成異常信號識別。在正常情況下，信號數(shù)據(jù)匯總周期最大數(shù)量值（M），可用網(wǎng)絡信號數(shù)據(jù)長度（q+1）與2的比值獲得，即M=（q+1）/2。利用各匯總周期中的信號數(shù)據(jù)離均差平方、組間離均差平方值，求出網(wǎng)絡異常信號識別周期方差。在其基礎上，設立信號識別模型，匹配各個待檢測信號，將匹配后相同的信號，列入正常信號范疇內(nèi)，不同的信號列入異常信號范圍內(nèi)，以此完成對異常信號的識別。從傳統(tǒng)異常信號識別方法入手分析，由于受多種因素影響，導致無法準確提取異常信號數(shù)據(jù)特征。對此，漏判或誤判等情況經(jīng)常出現(xiàn)，嚴重降低了識別精準度。而DFI（深度/動態(tài)流檢測算法）的應用，可進一步優(yōu)化網(wǎng)絡異常信號識別方法，對移動通信網(wǎng)絡的健康發(fā)展起到了較大推動作用[1-2]。

2 基于DFI優(yōu)化識別網(wǎng)絡異常信號的方法分析

DFI是依據(jù)流量識別網(wǎng)絡信號的技術，應用類型不同，數(shù)據(jù)流上狀態(tài)以及會話連接狀態(tài)也會存在差異。這種算法憑借自身獨特優(yōu)勢，被廣泛應用于各個領域，結(jié)合SVW算法識別網(wǎng)絡異常信號效果更佳，準確度也隨之增強。將該技術獲取的異常信號離線訓練數(shù)據(jù)傳輸至支持向量機內(nèi)，構(gòu)建最優(yōu)分類面向基于SVW算法的識別控制模型，完成對異常數(shù)據(jù)的優(yōu)化識別。

（1）網(wǎng)絡信號分類

通過SVW分類器與支持向量機將數(shù)據(jù)包分成非移動通信網(wǎng)絡流、移動通信網(wǎng)絡流兩類。在向量機二值分類的同時，完成多值分類操作，對網(wǎng)絡信號按照不同類型進行歸一處理。通過SVW的非線性轉(zhuǎn)化操作，實現(xiàn)高維空間、輸入空間的有效轉(zhuǎn)換，并在高維空間內(nèi)，完成信號最優(yōu)分類面的求解。首先對多個維數(shù)信號樣本數(shù)據(jù)進行標記，在超平面為零的情況下，完成兩類樣本的有效識別，以此了解域歸類間隔最大的優(yōu)化問題表征。當獲得域的分類函數(shù)小于假設閾值時，歸類為移動網(wǎng)絡信號，反之則為非移動網(wǎng)絡信號，以此完成信號數(shù)據(jù)的有效分類。

（2）提取信號特征

從SVM信號識別控制模型入手分析，通過該模型能夠?qū)崿F(xiàn)不明確網(wǎng)絡信號數(shù)據(jù)、數(shù)字向量模式的有效轉(zhuǎn)換。利用向量機分類器對數(shù)字向量模式分類，并向信號識別控制模塊傳遞分類成果，最終實現(xiàn)信號控制處理。異常信號特征的提取過程如下：首先，識別目的與全部源，如果固定連接IP數(shù)、固定連接端口數(shù)目保持相同一致，將其歸為正常網(wǎng)絡信號一類，反之歸為網(wǎng)絡異常信號一類。其次，了解兩類數(shù)據(jù)流源的不同，并通過三維特征向量提取算法，完成對異常網(wǎng)絡信號的提取。

（3）識別通信網(wǎng)絡異常信號

訓練提取的異常信號特征向量。訓練預處理特征向量，合理調(diào)控SVM技術參數(shù)，參照Vapnink含義，獲取與其相符合的信號最優(yōu)分類面。將SVM識別的網(wǎng)絡信號分類面，定義為實際決策函數(shù)。并利用此函數(shù)預處理分析待預測的異常信號特征。如果此向量在已識別的網(wǎng)絡記錄表內(nèi)標記，直接向信號控制模塊傳遞，并列入正常網(wǎng)絡信號范疇，反之列為異常網(wǎng)絡信號范疇，以此實現(xiàn)對網(wǎng)絡信號的識別[3]。

3 實驗成果分析

將60萬條網(wǎng)絡數(shù)據(jù)記錄，標記成3組識別控制數(shù)據(jù)，通過傳統(tǒng)算法、本文算法完成異常信號識別實驗，比較不同試驗次數(shù)下的識別漏報率與精確度等結(jié)果。識別精準率是指準確分類樣本數(shù)的比重，誤報率是指誤分成移動正常樣本數(shù)目，占據(jù)全部非移動數(shù)樣本數(shù)目的比重。漏報率是指正常網(wǎng)絡樣本數(shù)目，錯分為非移動樣本數(shù)目，占據(jù)非移動樣本數(shù)的比重。

實驗結(jié)果如下，從識別精準度入手分析，傳統(tǒng)方法下，10次實驗的識別精準度為83%，20次實驗的識別精準度為81%，30次精準度為86%，40次精準度為82%，50次精準度為84%。本文方法下，10次實驗的識別精準度為97%，20次實驗的識別精準度為94%，30次精準度為93%，40次精準度為95%，50次精準度為94%。

從誤報率入手分析，傳統(tǒng)方法下，10次實驗的識別誤報率為0.09%，20次實驗的識別誤報率為0.11%，30次誤報率為0.14%，40次誤報率為0.02%，50次誤報率為0.14%。本文方法下，10次實驗的識別誤報率為0.02%，20次實驗的識別誤報率為0.04%，30次誤報率為0.05%，40次誤報率為0.05%，50次誤報率為0.06%。

從漏報率入手分析，傳統(tǒng)方法下，10次實驗的識別漏報率為0.09%，20次實驗的識別漏報率為0.11%，30次漏報率為0.15%，40次漏報率為0.24%，50次漏報率為0.36%。本文方法下，10次實驗的識別漏報率為0.02%，20次實驗的識別漏報率為0.01%，30次漏報率為0.05%，40次漏報率為0.07%，50次漏報率為0.08%。

實驗結(jié)果研究顯示，本文算法的識別有效率，明顯優(yōu)于傳統(tǒng)算法，切實發(fā)揮了DFI技術、SVW算法整合的優(yōu)勢，異常信號識別分類問題得以高效解決，以此準確獲得信號數(shù)據(jù)包特性。

本文算法的整體優(yōu)越性明顯優(yōu)于傳統(tǒng)算法，更適用于網(wǎng)絡異常信號的控制，試驗次數(shù)不同，兩種算法的識別結(jié)果也存在差異。從異常信號控制精確度入手分析，實驗次數(shù)在22次至28次之間，傳統(tǒng)方法識別控制精確度有明顯高于本文算法，同時在第10次識別實驗中，兩種方法的識別控制度相同，但其他試驗次數(shù)下的識別控制精確度，本文方法要明顯高于傳統(tǒng)方法，整體優(yōu)越性明顯突出。從控制誤檢率入手分析，傳統(tǒng)方法在5-16次、22-31次、40-44次實驗中的控制誤檢率低于本文方法，但在其他實驗次數(shù)中，本文方法的控制誤檢率低于傳統(tǒng)方法，整體性能優(yōu)于傳統(tǒng)方法，具有較高的應用價值。表示本文算法在識別控制中，利用支持向量機分類器，借助分類函數(shù)式，可有效展開對數(shù)字向量模式的分類，以此實現(xiàn)對網(wǎng)絡信號的高效控制處理。

實驗中可通過網(wǎng)絡信號的全局、局部準確率角度，比對各算法在網(wǎng)絡信號識別中的應用價值。局部準確率是指利用識別器，對任意某類目標信號流量的識別準確度，即定義為識別器對該種目標信號流量的識別準確度。假設第i種目標信號流量樣本數(shù)目為Ni，分類器正確識別樣本用Mi表示，局部準確率Pi公式如下：Pi=Mi/Ni。全局準確率是指正確識別目標信號流量樣本數(shù)，在全部網(wǎng)絡樣本總數(shù)中的占比，P=[i=11Mi] /[i=11Ni]。做傳統(tǒng)算法、改進算法的目標信號實時識別實驗，發(fā)現(xiàn)在5-100次的迭代次數(shù)中，改進算法的全局準確率平均在85%左右，而傳統(tǒng)算法全局準確率平均在18%左右。同時在5-100次的迭代次數(shù)中，改進算法的局部準確率平均在93%左右，而傳統(tǒng)算法局部準確率平均在16%左右。可見基于機器學習的移動通信目標信號實時識別的改進算法，其信號實時識別精確度，要明顯優(yōu)于傳統(tǒng)算法，目標信號識別有效性顯著提升，對移動通信網(wǎng)絡的發(fā)展起到了積極推動作用。

4 結(jié)束語

綜上所述，本文在分析移動通信網(wǎng)絡信號識別原理的同時，對SVW算法與DFI技術整合后的支持向量機技術，應用到了網(wǎng)絡異常信號的識別控制中，并設立了網(wǎng)絡信號識別模型，彌補了傳統(tǒng)算法在識別異常信號的不同。通過對本文算法與傳統(tǒng)算法的識別準確度分析，發(fā)現(xiàn)本文算法更適用于異常信號識別控制，提高識別精確度的同時，推動了通信網(wǎng)絡技術的現(xiàn)代化發(fā)展。對此，值得我們近一步深入研究。

參考文獻：

[1] 李恒， 孫慧芬， 趙正平， 等. 4G網(wǎng)絡中負載均衡問題的優(yōu)化案例分析和解決方案——移動通信課程改革校企合作案例[J]. 宜春學院學報， 2017（3）.

[2] 阮志揚.計算機網(wǎng)絡通訊存在的問題及如何改進[J].計算機光盤軟件與應用，2012（8）：66-67.

[3] 李尚坤， 李燕龍， 王俊義， 等. 基于時域有限差分和非參數(shù)核回歸的室內(nèi)移動通信干擾信號預測模型研究[J]. 計算機應用研究， 2017（4）.

[4] 穆榮寧.計算機網(wǎng)絡通信安全與維護芻議[J].信息與電腦（理論版），2012（7）.

[5] 劉昱顯， 來智勇， 石復習， 等. 基于桁架的多網(wǎng)絡遠程控制相機精準移動方法[J]. 現(xiàn)代電子技術， 2018，41（12）：14-17+21.

[6] 黃婷婷.網(wǎng)絡通信安全分析及其安全防護措施[J].科技傳播，2012（15）.

[7] 王熙.中國移動推新融合通信運營商去管道化再創(chuàng)新[J].通信世界，2018（18）：35.

[8] 曾屹.探究網(wǎng)絡中多終端融合通信業(yè)務的實現(xiàn)[J].信息通信，2018（05）：230-231.

【通聯(lián)編輯：代影】