CN105095666A - 一种针对远程虚拟桌面中混合信号的分离方法 - Google Patents

Abstract

本发明公开了一种针对远程虚拟桌面中混合信号的分离方法，属于虚拟安全技术领域，其目的在于解决远程虚拟桌面中的混杂数据分离的问题，其分离效果与学习率无关，且能达到稳定收敛。该方法能够适应基于安全访问网关的虚拟机统一远程控制管理机制，实现远程桌面快速显示的目的。该方法包括盲信号处理，采用模型化的方法，进行混合信号X(t)与源信号S(t)的关系推理，得到源信号S(t)的近似表示Y(t)＝WX(t)；信息最大熵处理，对结果WX(t)采用量化方法，进行分离的信号之间的独立性度量，得到分离矩阵W的目标函数量子行为粒子群算法处理，对结果

Description

一种针对远程虚拟桌面中混合信号的分离方法

技术领域

本发明属于虚拟安全技术领域，具体为一种针对远程虚拟桌面中混合信号的分离方法，其被分离的信号来自于传输到远程虚拟桌面中的混合信号，最终分离出原始源信号。

背景技术

基于安全访问网关(SecureAccessGateway，SAG)的虚拟机统一远程控制管理机制的使用，使得多个源信号在传输到远程虚拟桌面过的程中因传输信道间的耦合而发生混迭，导致接收到的信号是已混合了的数据信号。因为事先不知道各源信号的混合方式，所以如何从混合信号中将各源信号分离出来，成了大型云数据中心虚拟化基础架构平台的关键问题之一。

由于源信号和传输通道的先验知识无法获知，所以通过滤波的方式就不能实现信号分离的目的。上个世纪80年代后期发展起来的盲源分离技术，给解决这一问题带来了新的希望，主要是该技术能够在不知道源信号及混合参数的情况下，仅根据观测到的混合信号就能估计出源信号。此外，相比其他信号处理技术，盲源分离技术有其独特的优势：优异的盲分离、盲辨识、特征提取能力。因此，近年来，盲源分离技术的应用研究是信号领域的研究热点之一。

对比函数是盲信号分离研究的出发点，决定了盲信号分离算法的统计性能。到目前为止，盲信号分离采用的对比函数主要有高阶累积量对比函数和信息论对比函数。而最常用的盲信号分离算法方法是独立分量分析法，主要思想是按照统计独立的原则通过一系列的优化算法将混合的观测信号分离为若干个独立分量，然后把这些独立分量作为源信号的一种近似估计。

独立分量分析算法主要包括快速定点算法、自然梯度算法和等变化自适应算法。快速定点算法基于非高斯性最大化理论，使用固定点迭代理论寻找源信号的非高斯性最大值。虽然该方法收敛性好且不需要选择学习步长，但是其只能用批处理的方式进行不适合实时应用的需要，且随着信号源数量的增加，其分离效果会明显变差。虽然自然梯度算法具有计算量小、分离性能好的特点，但是由于其属于最小均方差算法，所以很难实现稳定收敛，并且容易陷入局部极小。等变化自适应算法的性能与学习率的选取具有很大相关性，且对于超高斯信号的收敛速度没有递归最小二乘算法快。

发明内容

针对上述现有技术问题，本发明的目的在于提供一种针对远程虚拟桌面中混合信号的分离方法，该方法不仅适用于实时远程桌面显示应用，且其分离效果与学习率无关，此外，该方法能达到稳定收敛。更为重要的是，本专利中提出的方法能够适应基于安全访问网关(SecureAccessGateway，SAG)的虚拟机统一远程控制管理机制，实现远程桌面快速显示的目的。

为了达到上述目的，本发明采用如下技术方案：

一种针对远程虚拟桌面中混合信号的分离方法，其特征在于，该方法主要包括以下步骤：

S1：确定盲信号分离模型；

由于传输到远程虚拟桌面的源信号的混合方式是线性的，所以根据盲信号处理(BlindSignalProcessing)理论将盲信号分离模型表示成以下形式：X(t)＝AS(t)+N(t)(1)，其中，X(t)＝(X₁(t),...,X_m(t))^T为m维矢量信号，表示接收到的信号，即实际可观测到的m维数据向量；A为m×n矩阵，表示混合矩阵；S(t)＝(S₁(t),...,S_n(t))^T为n维矢量信号，表示原始输出信号；N(t)＝(N₁(t),...,N_m(t))^T为m维高斯噪音，即表示噪声信号。

由于有噪声存在使得盲分离实现起来比较困难，所以在此不考虑噪声的影响，此时线性混叠模型可重新表述为：X(t)＝AS(t)(1’)。

S2：推导源信号的估计值；

根据式(1’)得出要求的原始信号，表示为以下形式：WX(t)＝S(t)＝Y(t)(2)，其中W为n×n矩阵,表示分离矩阵；X(t)＝(X₁(t),...,X_m(t))^T为m维矢量信号，表示接收到的信号，即实际可观测到的m维数据向量；Y(t)＝(Y₁(t),...,Y_n(t))^T为n维矢量信号，也就是我们要求出的原始信号的近似估计。

S3：选取分离准则；

根据式(2)可知，要得出原始信号关键是求出W，根据信息最大熵理论有L_H(W)＝H(Y)＝-E[lnp_Y(Y)](H1)，其中，p_Y(Y)是Y的概率分布函数。

设已知{X(t)|t＝1,...,T}为T个观察矢量，{Y(t)＝WX(t)|t＝1,...,T}，令 ${\tilde{L}}_H\left(W\right)=-\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\mathrm{lnp}}_Y\left(Y\right(t\left)\right)---\left(H2\right),$ 因为 $\underset{T\→\mathrm{\∞}}{\lim }{\tilde{L}}_H\left(W\right)=L_H\left(W\right).$

根据式(H1)可知所以现在是要求出即可。

S4：设置相关的假设条件；

设N维随机矢量Y＝(y₁,…,y_N)与随机矢量X＝(x₁,…,x_N)之间具有变换关系Y＝G(X)，即y_i＝g_i(X),i＝1,…,N，g_i(X)就是X的函数，其概率分布函数为p_Y(Y)和p_X(X)，则有p_X(X)＝|detJ(G)||_X.p_Y(Y)|_Y＝G(X)，这里J(G)是G(X)的Jacobian矩阵，即 $J\left(G\right)={\left(J_{ij}\right)}_{N\×N}={\left(\frac{\∂y_i}{\∂x_j}\right)}_{N\×N}={\left(\frac{\∂g_i\left(X\right)}{\∂x_j}\right)}_{N\×N}---\left(3\right),$ |detJ(G)|是相应的行列式的绝对值。

S5：引入中间变量；

设有一个中间N维随机矢量Z＝(z₁,...,z_N)^T＝WX,W＝(w_ij)_N×N且，y_i＝g_i(z_i),i＝1,...,N，则对应的(3)为 $J\left(G\right)={\left(J_{ij}\right)}_{N\×N}={\left(\frac{\∂y_i}{\∂x_j}\right)}_{N\×N}={(\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i}\·\frac{\∂z_i}{\∂x_j})}_{N\×N}={\left(\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i}{w}_{ij}\right)}_{N\×N}---\left(4\right).$

令 ${\hat{p}}_i\left(y_i\right)=\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i},$ 则(4)为 $J\left(G\right)={\left(J_{ij}\right)}_{N\×N}={\left({\hat{p}}_i\right(y_i\left)w_{ij}\right)}_{N\×N}---\left(5\right),$ 从而 $\det J\left(G\right)=\det W\underset{i=1}{\overset{N}{\Π}}{\hat{p}}_i\left(y_i\right),$ 则概率分布函数为 $p_Y\left(Y\right(t\left)\right)={\left|\det W\underset{i=1}{\overset{N}{\Π}}{\hat{p}}_i\left(y_i\right(t\left)\right)\right|}^{-1}\·p_X\left(X\right(t\left)\right)$ $\left(6\right).$

S5：确定目标函数；

将(6)带进(H2)得 ${\tilde{L}}_H\left(W\right)=ln\left|\det W\right|+\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}ln{\hat{p}}_i\left(y_i\right(t\left)\right)-\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\mathrm{lnp}}_X\left(X\right(t\left)\right)---\left(H3\right),$ 在(H3)中的第三项与W无关，令这里 $\tilde{L}\left(W\right)=-ln\left|\det W\right|-\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}ln{\hat{p}}_i\left(y_i\right(t\left)\right);$ 因为 $\underset{W}{\arg \max }{\tilde{L}}_H\left(W\right)=\underset{W}{\arg \min }\tilde{L}\left(W\right),$ 所以求(H3)的极大值转换为求下面(H4)的极小值 $\tilde{L}\left(W\right)=-ln\left|\det W\right|-\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}ln{\hat{p}}_i\left(y_i\right(t\left)\right){|}_{Y\left(t\right)=WX\left(t\right)}$ $\left(H4\right).$

S6：优化目标函数：

对问题进行转化：输入混合信号集S＝{Y(t)|t＝1,...,T},{Y(t)＝WX(t)|t＝1,...,T}，适应度函数 $f\left(W\right)=\tilde{L}\left(W\right)=-ln\left|\det W\right|-\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}ln\[{\mathrm{sech}}^2\left(Y\right(t\left)\right)\],$ 迭代次数q＝0，最大迭代数为Q,迭代步幅为α∈(0,1)，粒子群规模为P，输出矩阵W。

S1：初始化粒子群，即随机产生粒子群 $Pop\left(q\right)=\{W_p\left(q\right)={\left(w_{ij}^p\right(q\left)\right)}_{N\×N}|p=1,...,P\},$ 其中P为粒子群规模，q为迭代次数，W_p(q)为q的适应度。

S2：评价粒子，即计算适应度函数f(W_p(q))。

S3：更新粒子，即按下式计算其中V_p(q)为q的速度， $V_p\left(q\right)=\left\{\begin{array}{cc}{W}_p\left(0\right)& q=0\\ W_p\left(q\right)& \begin{array}{cc}if& f\left(W_p\right(q\left)\right)<f\left(V_p\right(q-1\left)\right),q>0\end{array}\\ V_p(q-1)& \begin{array}{cc}if& f\left(W_p\right(q\left)\right)\&GreaterEqual;f\left(V_p\right(q-1\left)\right),q>0\end{array}\end{array}\right..$

S4：更新位置，即计算其中G_p(q)为q的位置。

S5：计算表示0到1之间的随机数，表示q代第p个粒子的速度。

S6：计算表示q代粒子群的平均进化速度。

S7：计算 $w_{ij}^p(q+1)=v_{ij}^p\left(q\right)+\mathrm{\&alpha;}|w_{ij}^p\left(q\right)-c_{lj}^p\left(q\right)|\ln (1/u_{ij}(q\left)\right),u_{ij}\left(q\right)=randm(0,1),$ 其中α∈(0,1)表示迭代步幅，表示q代第p个粒子的速度，表示q代第p个粒子的适应度，进而得到下一代粒子群Pop(q+1)。

S8：q＝q+1，若q<Q，其中Q表示最大迭代次数，转到S2,否则计算 $W=\underset{W_p\left(q\right)}{\arg \min }\left\{f\left(W_p\right(q\left)\right)\right\},$ 输出W，结束。

本发明同现有技术相比，其有益效果表现在：

一、采用的优化算法是量子行为粒子群算法，比自然梯度算法的收敛性好，解决了随机梯度算法不能适用于实时应用的缺陷，计算效率比相对梯度算法高；

二、采用信息论和量子行为粒子群算法，计算简单且控制参数少，所以该方法的可实施性较高；

三、本发明提出的方法适应基于安全访问网关(SecureAccessGateway，SAG)的虚拟机统一远程控制管理机制，能最大程度地提高虚拟化基础架构平台的整体安全性。

具体实施方式

下面将对本发明作进一步的描述。

实施例

针对远程虚拟桌面的快速显示：

在前期开发的大型云数据中心虚拟化基础架构平台上实现基于安全访问网关(SecureAccessGateway，SAG)的远程虚拟桌面的快速显示。

虚拟化基础架构平台创新性地设计实现了基于安全访问网关(SecureAccessGateway，SAG)的虚拟机统一远程控制管理机制，可以为虚拟机提供统一的远程访问入口，同时对远程访问虚拟机的账号行为进行记录和控制，使管理人员可以集中查看虚拟机的远程访问连接状态，对行为可疑的账号可以立即中断其与虚拟机的远程访问连接。对于启用安全访问网关的虚拟化基础架构环境，可以禁用虚拟机的其它远程控制机制，如Windows远程桌面、Telnet、SSH等，既能有效解决上述问题，又能够简化网络安全管理配置，提高虚拟化基础架构平台的整体安全性。

一、模型的选取：对于接收到的输入/输出信号、视频信号和桌面显示信号的混合信号分离问题，模型表示为：X(t)＝AS(t)(1)，其中，X(t)＝(X₁(t),X₂(t),X₃(t))^T为3维矢量信号，表示接收到的信号，即实际可观测到的3维数据向量；A为m×n矩阵，表示混合矩阵；S(t)＝(S₁(t),S₂(t),S₃(t))^T为3维矢量信号；W为n×n矩阵,表示分离矩阵，则要求的原始信号，表示为以下形式：WX(t)＝S(t)＝Y(t)(2)，其中Y(t)＝(Y₁(t),Y₂(t),Y₃(t))^T为3维矢量信号，也就是我们要求出的原始信号。

二、分离准则和目标函数的选择：根据信息最大熵理论有L_H(W)＝H(Y)＝-E[lnp_Y(Y)](H1)，其中，p_Y(Y)是Y的概率分布函数，由于这涉及到很多步骤，具体如下；

1.设已知{X(t)|t＝1,2,3}为3个观察矢量，{Y(t)＝WX(t)|t＝1,2，3}，令 ${\tilde{L}}_H\left(W\right)=-\frac{1}{3}\underset{t=1}{\overset{3}{\&Sigma;}}{\mathrm{lnp}}_Y\left(Y\right(t\left)\right)---\left(H2\right).$

2.根据式(H1)可知所以现在是要求出即可。

3.设N维随机矢量Y＝(y₁,y₂,y₃)与随机矢量X＝(x₁,x₂,x₃)之间具有变换关系Y＝G(X)，即y_i＝g_i(X),i＝1,2,3，其概率分布函数为p_Y(Y)和p_X(X)，则有p_X(X)＝|detJ(G)||_X.p_Y(Y)|_Y＝G(X)，这里J(G)是G(X)的Jacobian矩阵，即 $J\left(G\right)={\left(J_{ij}\right)}_{3\&times;3}={\left(\frac{\&part;y_i}{\&part;x_j}\right)}_{3\&times;3}={\left(\frac{\&part;g_i\left(X\right)}{\&part;x_j}\right)}_{3\&times;3}---\left(3\right),$ |detJ(G)|是相应的行列式的绝对值。

4.设有一个中间3维随机矢量Z＝(z₁,z₂,z₃)^T＝WX,W＝(w_ij)_3×3且，y_i＝g_i(z_i),i＝1,2,3,则对应的(3)为 $J\left(G\right)={\left(J_{ij}\right)}_{3\&times;3}={\left(\frac{\&part;y_i}{\&part;x_j}\right)}_{3\&times;3}={(\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i}\&CenterDot;\frac{\&part;z_i}{\&part;x_j})}_{3\&times;3}={\left(\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i}{w}_{ij}\right)}_{3\&times;3}---\left(4\right).$

5.令 ${\hat{p}}_i\left(y_i\right)=\frac{{\mathrm{dg}}_i\left(z_i\right)}{{\mathrm{dz}}_i},$ 则(4)为 $J\left(G\right)={\left(J_{ij}\right)}_{3\&times;3}={\left({\hat{p}}_i\right(y_i\left)w_{ij}\right)}_{3\&times;3}---\left(5\right),$ 从而 $\det J\left(G\right)=\det W\underset{i=1}{\overset{3}{\&Pi;}}{\hat{p}}_i\left(y_i\right),$ 则概率分布函数为 $p_Y\left(Y\right(t\left)\right)={\left|\det W\underset{i=1}{\overset{3}{\&Pi;}}{\hat{p}}_i\left(y_i\right(t\left)\right)\right|}^{-1}\&CenterDot;p_X\left(X\right(t\left)\right)---\left(6\right).$

6.将(6)带进(H2)得 ${\tilde{L}}_H\left(W\right)=ln\left|\det W\right|+\frac{1}{3}\underset{t=1}{\overset{3}{\&Sigma;}}\underset{i=1}{\overset{3}{\&Sigma;}}ln{\hat{p}}_i\left(y_i\right(t\left)\right)-\frac{1}{3}\underset{t=1}{\overset{3}{\&Sigma;}}{\mathrm{lnp}}_X\left(X\right(t\left)\right)---\left(H3\right),$ 在(H3)中的第三项与W无关，令这里 $\tilde{L}\left(W\right)=-ln\left|\det W\right|-\frac{1}{3}\underset{t=1}{\overset{3}{\&Sigma;}}\underset{i=1}{\overset{3}{\&Sigma;}}ln{\hat{p}}_i\left(y_i\right(t\left)\right);$ 因为 $\underset{W}{\arg \max }{\tilde{L}}_H\left(W\right)=\underset{W}{\arg \min }\tilde{L}\left(W\right),$ 所以求(H3)的极大值转换为求下面(H4)的极小值 $\tilde{L}\left(W\right)=-ln\left|\det W\right|-\frac{1}{3}\underset{t=1}{\overset{3}{\&Sigma;}}\underset{i=1}{\overset{3}{\&Sigma;}}ln{\hat{p}}_i\left(y_i\right(t\left)\right){|}_{Y\left(t\right)=WX\left(t\right)}$ $\left(H4\right).$

三、用量子行为粒子群算法对目标函数进行优化，主要步骤如下：

1.随机产生粒子群 $Pop\left(q\right)=\{W_p\left(q\right)={\left(w_{ij}^p\right(q\left)\right)}_{N\&times;N}|p=1,...,50\},$ 其中50为粒子群规模，q为迭代次数，W_p(q)为q的适应度。

2.计算适应度函数f(W_p(q))。

3.按下式计算其中V_p(q)为q的速度， $V_p\left(q\right)=\left\{\begin{array}{cc}{W}_p\left(0\right)& q=0\\ W_p\left(q\right)& \begin{array}{cc}if& f\left(W_p\right(q\left)\right)<f\left(V_p\right(q-1\left)\right),q>0\end{array}\\ V_p(q-1)& \begin{array}{cc}if& f\left(W_p\right(q\left)\right)\&GreaterEqual;f\left(V_p\right(q-1\left)\right),q>0\end{array}\end{array}\right..$

4.计算 $G_p\left(q\right)={\left(g_{ij}^p\right(q\left)\right)}_{N\&times;N}=\underset{W_p\left(q\right)}{\arg \min }\left\{f\left(W_p\right(q\left)\right)\right\},$ 其中G_p(q)为q的位置。

5.计算表示0到1之间的随机数，表示q代第p个粒子的速度。

6.计算表示q代粒子群的平均进化速度。

7.计算 $w_{ij}^p(q+1)=v_{ij}^p\left(q\right)+\mathrm{\&alpha;}|w_{ij}^p\left(q\right)-c_{lj}^p\left(q\right)|\ln (1/u_{ij}(q\left)\right),u_{ij}\left(q\right)=randm(0,1),$ 其中α∈(0,1)表示迭代步幅，表示q代第p个粒子的速度，表示q代第p个粒子的适应度，进而得到下一代粒子群Pop(q+1)。

8.q＝q+1，若q<500，其中500为最大迭代次数，转到S2,否则计算 $W=\underset{W_p\left(q\right)}{\arg \min }\left\{f\left(W_p\right(q\left)\right)\right\},$ 输出W，结束。

四、分离出原始信号，这样子可以在远程桌面上做如下处理：

对于输入/输出信号对安全性要求比较高，需要进行加密处理；

对于视频信号对带宽要求比较大，需要分配高频率的信道进行传输；

对于桌面显示信号对效率要求比较高，需要进行压缩处理，便于快速传输。

以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (4)

1.一种针对远程虚拟桌面中混合信号的分离方法，其特征在于，包括以下步骤：

盲信号处理，采用模型化的方法，进行混合信号X(t)与源信号S(t)的关系推理，得到源信号S(t)的近似表示Y(t)＝WX(t)；

信息最大熵处理，对结果WX(t)采用量化方法，进行分离的信号之间的独立性度量，得到分离矩阵W的目标函数

量子行为粒子群算法处理，对结果采用群体进化方法进行优化处理，得到W的结果，进而最终实现信号的分离。

2.根据权利要求1所述的针对远程虚拟桌面的混合信号的分离方法，其特征在于，该方法具体包括以下步骤：

S2.1：将盲分离问题用线性混叠模型表示出来：X(t)＝AS(t)，除去噪声的影响,其中X(t)＝(X₁(t),…,X_m(t))^T表示接收到的信号，S(t)＝(S₁(t),…,S_n(t))^T表示原始输出信号，A_m×n表示混合矩阵，T为整数；

S2.2：根据S1得到盲分离模型：WX(t)＝S(t)＝Y(t)，其中W_n×n表示分离矩阵，Y(t)＝(Y₁(t),…,Y_n(t))^T为原始信号；

S2.3：根据S2可知，要得出原始信号关键是求出W，已知{X(t)|t＝1,…,T}为T个观察矢量，{Y(t)＝WX(t)|t＝1,…,T}，其中p_Y(Y)为Y的概率密度函数，因为所以根据信息最大熵理论确定W的目标函数就是

S2.4：使用量子行为粒子群算法实现目标函数的优化。

3.根据权利要求2所述的一种针对远程虚拟桌面中混合信号的分离方法，其特征在于，目标函数的确定包括以下步骤：

S3.1：设N维随机矢量Y＝(y₁,…,y_N)与随机矢量X＝(x₁,…,x_N)之间具有变换关系Y＝G(X)，则有p_X(X)＝|detJ(G)||_X.p_Y(Y)|_Y＝G(X)，这里J(G)是G(X)的Jacobian矩阵，|detJ(G)|是G(X)的绝对值，p_Y(Y)和p_X(X)为概率密度函数；

S3.2：设有一个中间N维随机矢量Z＝(z₁,…,z_N)^T＝WX,W＝(w_ij)_N×N，W是分离矩阵，x_i是第i个接受到的信号，w_ij分离矩阵W的第i行第j列的元素，y_i＝g_i(z_i),i＝1,…,N，T是矩阵转置算子，则

S3.3：p_Y(Y)的分量则(4)为从而则

S3.4：将(6)带入(H1)得 这里所以求(H3)的极大值转换为求下面(H4)的极小值

4.根据权利要求2所述的使用量子行为粒子群算法优化目标函数，其特征在于：

S1：初始化粒子群，即随机产生粒子群其中P为粒子群规模，q为迭代次数，W_p(q)为q的适应度，R为实数集；

S2：评价粒子，即计算适应度函数f(W_p(q))；

S3：更新粒子，即按下式计算其中V_p(q)为q的速度，

S4：更新位置，即计算其中G_p(q)为q的位置；

S5：计算表示0到1之间的随机数，表示q代第p个粒子的速度；

S6：计算表示q代粒子群的平均进化速度；

S7：计算u_ij(q)＝randm(0,1)，randm(0,1)表示0到1之间的随机数，其中α∈(0,1)表示迭代步幅，表示q代第p个粒子的速度，表示q代第p个粒子的适应度，进而得到下一代粒子群Pop(q+1)；

S8：q＝q+1，若q<Q，其中Q表示最大迭代次数，转到S2,否则计算输出W，结束。