基于深度学习的通信网关键节点自动识别方法.pdf

计算机与通信技术Computer and Communication Technology自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications基于深度学习的通信网关键节点自动识别方法刘建设(河北省人防218工程管理站，河北 石家庄 050200)摘要:短波通信网关键节点具有直接影响网络安全及通信稳定的能力，为此，提出基于深度学习的通信网关键节点自动识别方法。建立通信节点重要度水平评价体系，从三个方面分析节点重要度，找出重要度较高节点；构建多层卷积神经网络，降维处理输入节点样本，经过卷积和池化作用，得到节点特征信息；计算每个节点样本与某个类别间所属概率值，其中概率值最大类别即为短波通信网关键节点。以某地短波通信网展开仿真测试，结果表明，所提方法具有理想的关键节点识别精度，为加强关键节点保护力度、避免网络崩溃事件发生提供了有效的数据基础。关键词:卷积神经网络；短波通信网；节点重要度；关键节点识别；拓扑位置；池化作用中图分类号：TP391文献标识码:A文章编号:1003-7241(2024)03-0104-04Automatic Identification Method of Key Nodesin Communication Network Based on Deep LearningLIU Jian-she(Hebei CivilAir Defense 218 Project Management Station,Shijiazhuang 050200 China)Abstract:Key nodes in HF communication network have the ability to directly affect network security and communication stability.There-fore,an automatic identification method of key nodes in communication network based on deep learning is proposed.It establish-es the evaluation system of communication node importance level,analyzes the node importance from three aspects,and find outthe nodes with high importance.The multi-layer convolution neural network is constructed,the dimension of the input node sam-ples is reduced,and the node characteristic information is obtained through convolution and pooling.It calculates the probabilityvalue between each node sample and a category,in which the category with the largest probability value is the key node of HFcommunication network.The simulation results of a short wave communication network show that the proposed method has idealkey node identification accuracy,and provides an effective data basis for strengthening the protection of key nodes and avoidingnetwork collapse.Keywords:Convolutional Neural Network;short wave communication network;node importance;identification of key nodes;topologicallocation;pool effect收稿日期:2022-05-25DOI:10.20033/j.1003-7241.（2024）03-0104-04.1引言在短波通信网中，关键节点指的是相较于其他节点而已，能够对短波通信网结构和功能产生最大影响的特殊节点。短波通信网中关键节点的数量普遍较少，但具备极强影响力，如果该关键节点一旦遭受攻击，很有可能导致整个短波通信网络瘫痪。因此对短波通信网中的关键节点进行识别，可以在很大程度上提高短波通信网络整体的安全性和稳定性。李昌超等1建立多层评估体系，对各项业务进行具体的赋值分析；将层次分析法与熵权法结合在一起，构建通信业务重要度评估模型；在业务加权网络基础上，结合算法即可实现关键节点的识别，但该方法识别结果容易陷入局部最优；Ageev S等2提出了一种在高速多业务通信网络中实时检测小流量异常的自适应混合启发式方法。如果预期流量强度及其分散度的异常值比正常值高15%或更高，则会识别出异常情况，而该方法估计下评估的流量参数的平均相对误差不超过10%，满足了运营网络管理任务执行需求。但是算法的复杂性加上计算的难度，使得该方法不利于大范围推广使用。为了解决上述问题，本文综合考虑了短波通信网的行业背景以及发展现状，利用深度学习算法中的卷积神经网络挖掘通信关键节点中包含的特征信息，并通过计算每个样本数据与类别之间的概率值，实现基于深度学习的通信网关键节点识别。最后以某地局部短波通信网络为测试对象展开仿真测试，验证本文方法的有效性。2短波通信网节点重要度评价体系建立短波通信网是系统中实现自动调度、自动运行的基础保障条件之一。对短波通信网的研究主要从网络系统104自动化技术与应用2024 年第 43 卷第 3 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications以及短波通信网络两方面考虑，系统中站点的位置、规模对节点的重要度具有重大影响；短波通信网络中节点拓扑位置的不同同样具有显著影响。本文将二者综合考虑在内，建立了短波通信网重要度评价体系，如图1所示。图1短波通信网节点重要度评价体系2.1站点类别因素站点类别因素主要考察的是站点等级以及站点规模对节点重要度的影响力。对比两个相同类型的站点，等级不同产生的影响力大小也不同。与此同时，站点规模的大小也影响节点重要度。例如，调度中心与变电站的重要度就不相同。站点类别因素评价标准具体内容如表1所示。表1站点类别因素评价标准站点类别因素站点等级站点规模评价标准根据站点所在辖区内的网络安全等级变化情况，实现对站点等级的评价，由此判断其对节点重要度产生的影响。根据网络系统或调度中心的占地大小，确定该站点对通信节点产生的影响力水平大小。2.2站点负荷因素站点负荷因素主要是从负荷大小以及负荷等级两方面来考察该站点对节点重要度的影响程度大小。本文对某些重要站点的等级进行了划分，如表2所示。在站点停止作业的前提下，根据服务用户的等级以及减供负荷级别，判断其对节点重要度的影响程度高低。2.3节点拓扑位置在图论的基础上，本文构建了通信拓扑图。用G=(V,E)来表示短波通信网拓扑结构，V=v1,v2,vN表示通信节点样本集，|V|=N，E=e1,e2,eK表示短波通信网链路集，|E|=K。节点拓扑位置分析过程如下所示：（1）度中心度度中心度的主要作用是用来测量短波通信网中某一个通信节点与其他节点之间的联系程度3。当联系程度越高时，说明该节点的重要度也就越高。随机选定一个通信节点i，节点i与其他节点的连接边数用ki表示，N表示短波通信网节点数量。对于节点i的度中心度CDi计算公式如式（1）所示：（1）表2重要用户等级划分标准服务用户类型政府机构居民生活基础设施通信中转站人民银行及商业银行医疗单位服务用户细分省级及以上政府机构省级法院、检察院、地市级政府机构地市级法院、检察院防洪以及相关水利设施污水处理系统供电、供热、供气等设施省级及以上通信中转站地市级通信中转站省级人民银行地市级人民银行以及省级商业银行三级甲等医院二级及以上配备涉及生命安全设施的医疗单位省级疾病预防控制中心等级划分特级一级二级一级二级二级一级二级一级二级一级二级二级（2）紧密中心度紧密中心度的主要作用是用来反映短波通信网中通信节点与其他节点之间的相似程度，二者之间的相似程度越大，说明该节点的位置越接近网络中心点的位置，节点的重要度也就越高。将节点i与节点j相连最短路径中包含的边数定义为dij，i的紧密中心度CCi计算公式如式（2）所示：（2）（3）中介中心度中介中心度是在其他节点对之间保持通信时，以经过某一个通信节点的最短路径数量来反映该节点的重要度，经过该节点的数量越多，说明该节点的重要度也越高。将节点j与节点k之间的最短路径数量设置为gjk，经过节点i的数量为gjk(i)，节点i的中介中心度CBi为：（3）根据上述建立的通信拓扑图，构建短波通信网节点重要度水平评价体系4，找出其中重要度较高的节点，为接下来的卷积神经网络下关键节点识别工作做好基础准备。3卷积神经网络下关键节点识别卷积神经网络（CNN）与其他深度学习算法的不同在于，它具有其他算法所没有的多层网络结构，也可称为多层感知层。CNN算法通过多层感知层完成训练对象的特征提取以及特征映射5，可保证极高精度，在识别、分类以及预测中起到了不可替代的作用。本文在原始CNN105计算机与通信技术Computer and Communication Technology自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications算法的基础上，新添加了两层隐藏深度学习网络，架构图如图2所示。通过Batch normalization加快算法收敛速度，凭借softmax输出最终的计算结果。图2添加两层隐藏深度学习网络的CNN算法架构图3.1数据输入层将短波通信网节点输入到卷积神经网络内，一个节点看作是一个样本，经过特征提取的作用后，使其原本16 0001的向量维度6降为7841，由此降低数据计算过程中的复杂程度。3.2卷积层经过降维映射后，节点样本处于2828的矩阵中，深入挖掘通信节点的局部特征。两层卷积层均是由步长为1、32和64大小的卷积核构成。卷积层的计算公式如式（4）所示：（4）式中，wm,n表示l层内，第n个与第m个特征二者之间的权重大小，x表示节点样本的特征向量，表示l层内，第n个特征所属的偏置。f()代表激活函数，计算过程如公式（5）所示：（5）3.3池化层经过卷积作用后的特征被传送至池化层内，再次进行降维处理，但这个过程并不会改变特征信息的数量。两层池化层的步长都设置为2、滤波器7-9大小也都设置为22。但是二者之间的作用不同，池化层1处理后的节点样本维度为1414；池化层2处理后的节点样本维度为77。池化层的作用过程如式（6）所示：（6）式中，表示l-1层内的第n个特征信息，dowm()代表的是下采样函数。在池化层中，本文采用的算法是最大池化函数。3.4全连接层经过卷积和池化作用后的节点特征信息处于离散状态下，通过全连接层的作用，使其整合为一体，并找出其中最具代表性的样本识别特征。本文将两层全连接层的神经元数量分别设置为3 164和1 000。单个神经元的输出可通过式（7）计算得到：（7）式中，上角标T表示输出周期系数。3.5输出层经过上述处理后，将通信节点特征输入到softmax分类器中，进行节点的分类与输出。首先，划分每个节点所属的类别，然后计算其属于该类别的概率。那么，第m个样本属于第n个类别的概率为：（8）式中，p表示概率函数，k表示类别数量，e表示调节系数，表示概率系数。综上所述，经过一系列计算后，得到每个节点样本与类别之间的所属概率值10，其中，概率值最大的类别就是最终识别到的短波通信网中的关键节点。4仿真测试图3局部短波通信网络架构图图4三种方法评价对比结果为了验证本文方法在实际应用中是否依然有效，选取某地区局部短波通信网络，进行仿真测试验证，架构图如图3所示。其中，圆圈代表的是节点，通常将其看作是106自动化技术与应用2024 年第 43 卷第 3 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications信息系统，线段代表的是支路，为节点与节点之间的连接线路。架构图中共有14个节点信息，16条连接线路。本文选取了11项常见的通信业务，并对其重要程度进行排序，如图4所示。图3中，节点v1代表的是最高级别调度中心，节点v13表示低一级的调度中心，节点v14重要程度最低，其他节点均为介于节点v13和节点v14重要程度之间的调度中心。将节点v2、v5与v8设置为汇聚节点。利用本文方法、权值降低法以及结合算法，对短波通信网中14个节点的重要程度分别评价，结果如图4所示。从图4中可以看出，利用本文方法对v1v14这14个节点的重要程度识别排序为：v1v2v5v8v4v6v7v3v9v13v11v10v12v14；权值降低法重要程度识别排序为：v1v2v4v10v5v9v8v13v3v11v6v14v7v12；结合算法重要程度识别排序为：v4v5v3v2v13v1v9v10v6v8v14v7v11v12。由于节点v1表示省级调度中心，所以该节点的重要程度应该是最高的，通过观察图4，发现本文方法和权值降低法均能够准确识别出来，但是二元分析法与熵权法结合算法却没有识别出来；又因为节点 V14 代表的是220 kV变电站，所以该节点的重要程度应该是最低的，只有本文方法准确识别，其他两种方法均没有识别出来；节点v2、v5与节点v8是汇聚节点，所以这三个节点的重要程度要高于其他500 kV变电站节点，也只有本文方法准确识别，其他两种方法没有识别出来。以下分别对比三种方法的中介中心度，具体的对比结果如表3所示。表3不同方法的节点中介中心度变化情况迭代次数/次100120140160180200220240所提方法99.5799.6699.7810099.9999.7710099.25权值降低法96.5595.8494.3692.2193.5491.2590.8894.71结合算法90.8889.5288.6987.4486.3685.8184.9993.47分析上述实验数据可知，本文所设计的方法中介中心度在三种方法中为最高，说明研究的实际应用效果最优，相比较传统方法，所提方法具有更多优势。综上所述，与其他两种方法相比，本文方法所展现出的性能更优，识别结果更精准。5结束语对于短波通信网而言，关键节点的准确识别是非常有必要的。介于传统方法某些方面的局限性，无法实现精准识别，本文提出基于深度学习的通信网关键节点识别方法。通过构建通信节点重要度水平评价体系，找出其中包含的关键节点，然后利用卷积神经网络对其进行特征挖掘和提取，计算所有样本与某个类别之间的概率值，找出概率值最大的类别即为关键节点。仿真测试中将本文方法与其他方法相比，展现出了较高的识别精度。参考文献:1 李昌超,康忠健,于洪国,等.考虑电力业务重要性的电力通信网关键节点识别J.电工技术学报,2019,34(11):2384-2394.2 Ageev S,V Karetniko v,OlKhovik E,et al.Adaptivemethod of detecting traffic anomalies in high-speed multi-service communication networksJ.E3S Web of Conferences,2020,157(9):04027.3 樊冰,郑陈熹,唐良瑞,等.基于多属性决策的电力通信网的节点重要度计算方法J.电力系统保护与控制,2020,48(9):68-76.4 陈思菁,李纲,毛进,等.突发事件信息传播网络中的关键节点动态识别研究J.情报学报,2019,38(2):178-190.5 冯小伟,胡聪,许畅,等.基于网络效率最优的关键节点识别方法J.计算机工程与设计,2019,40(2):328-335.6 郑文萍,吴志康,杨贵.一种基于局部中心性的网络关键节点识别算法J.计算机研究与发展,2019,56(9):1872-1880.7 丁国君,范开元,李一航,等.基于R-FCN区域全卷积网络的绝缘子红外图像识别研究J.自动化技术与应用,2023,42(11):147-150,183.8 马庭田,叶文华,黄河,等.基于视觉的目标识别中改进SIFT算法研究J.机械制造与自动化,2019,48(2):188-191.9 刘九庆,项前,王宇航.基于SIFT算法和改进的RANSAC算法对森林火灾的图像识别与试验研究J.森林工程,2022,38(6):96-103.10 闫光辉,张萌,罗浩,等.融合高阶信息的社交网络重要节点识别算法J.通信学报,2019,40(10):109-118.作者简介:刘建设（1977-），男，本科，高级工程师，研究方向：计算机通信。107