CN109861864A

CN109861864A - 一种基于lstm网络的mac协议识别方法

Info

Publication number: CN109861864A
Application number: CN201910110083.2A
Authority: CN
Inventors: 彭盛亮; 李焕焕; 陈铮; 杨喜
Original assignee: Huaqiao University
Current assignee: Huaqiao University
Priority date: 2019-02-11
Filing date: 2019-02-11
Publication date: 2019-06-07
Anticipated expiration: 2039-02-11
Also published as: CN109861864B

Abstract

本发明涉及一种基于LSTM网络的MAC协议识别方法，包括：离线训练阶段：S1、获取已知信号s(t)；S2、计算信号s(t)对应的功率P_s(t)；S3、生成N_s×1观测向量；S4、生成打有标签的训练数据集；S5、训练LSTM网络模型；在线识别阶段：S6、接收未知信号x(t)；S7、计算信号x(t)对应的功率P_x(t)；S8、生成N_s×1观测向量；S9、将未知信号的观测向量送入训练好的LSTM网络模型，得到识别结果。本发明方法，引入深度学习思想，利用LSTM网络充分考虑接收信号的时域相关性，能够在较少人工干预的条件下达到更高的识别精度。

Description

一种基于LSTM网络的MAC协议识别方法

技术领域

本发明属于通信技术中认知无线电领域，具体涉及次级用户基于长短期记忆(Long Short-term Memory，LSTM)网络识别主用户所使用的媒体访问控制(Medium AccessControl，MAC)协议类型的方法。

背景技术

随着无线用户数量的快速增长，频谱资源愈加紧缺。认知无线电(CognitiveRadio,CR)作为一种具有学习能力的频谱共享技术，缓解了频谱紧缺的状况。认知无线电网络的媒体访问控制(Medium Access Control,MAC)协议是认知无线电技术应用的重要组成部分。一方面，识别主用户网络使用的MAC协议类型可以协助认知用户更智能地与周围环境交互信息，从而更好地检测频谱空洞，同时减少对活跃主用户的干扰。另一方面，随着认知无线电技术的不断发展，实现可重构的MAC协议以及异构认知网络都迫切需要MAC协议识别技术。

目前，MAC协议识别的研究主要基于机器学习方法，其中又以支持向量机(SupportVector Machine,SVM)为代表。此类方法选择手工提取认知终端接收信号的能量均值、方差或者信道忙碌、空闲时间作为特征，训练SVM分类器。但是此类方法基于传统的机器学习方法，具有一定的局限性：当网络负载较低的时候，它们识别准确率普遍不高；识别算法依赖手动提取特征，需要较大的工作量和较高的专业技能。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于LSTM网络的MAC协议识别方法方法，用于解决现有机器学习方法识别效果差和需要手工特征提取等问题。

为了实现上述目的，本发明的技术方案是：

一种基于LSTM网络的MAC协议识别方法，包括：

利用LSTM网络识别信号采用的MAC协议类型，包含离线训练阶段和在线识别两个阶段；

所述离线训练阶段包括：

S1、获取已知信号：空口接收或者仿真得到多种已知MAC协议类型的信号s(t)；

S2、计算信号功率：计算信号s(t)的功率为P_s(t)；

S3、生成观测向量：选取信号功率P_s(t)中N_s个采样点作为一组观测值，构成一个N_s×1观测向量；

S4、生成训练集：根据信号的MAC协议类型对观测向量打标签，并生成大量打过标签的观测向量作为训练数据集；

S5、训练LSTM网络：将训练数据集输入LSTM网络，进行训练，得到训练好的网络模型。

所述在线识别阶段包括：

S6、接收未知信号：空口接收未知MAC协议类型的信号x(t)；

S7、计算信号功率：计算信号x(t)的功率为P_x(t)；

S8、生成观测向量：选取信号功率P_x(t)中N_s个采样点作为一组观测值，构成一个N_s×1观测向量；

S9、MAC协议识别：将未知信号的观测向量送入S5训练好的网络模型中，进行识别，得到识别结果。

优选的，功率P_s(t)的计算方法如下：

P_s(t)＝|s(t)|²。

优选的，信号s(t)的功率P_s(t)服从指数分布，其概率密度函数如下：

其中，P₀表示功率均值。

优选的，功率P_x(t)的计算方法如下：

P_x(t)＝|x(t)|²。

优选的，信号x(t)的功率P_x(t)服从指数分布，其概率密度函数如下：

其中，P₀表示功率均值。

本发明的有益效果如下：

(1)本发明方法引入深度学习思想，利用LSTM网络处理接收信号，自动提取特征，整个识别过程人工干预较少；

(2)本发明方法充分利用海量通信数据训练LSTM网络，MAC协议识别精度显著提升；在相同的条件下，相较于传统的SVM方法，本发明识别精度提升10％左右。

以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于LSTM网络的MAC协议识别方法不局限于实施例。

附图说明

图1为发明实施例的方法流程示意图；

图2为本发明实施例的认知无线电系统模型示意图；

图3为本发明实施例的四种MAC协议信号示意图；

图4为本发明方法与SVM方法识别精度对比图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明所提出的基于LSTM网络的MAC协议识别方法包括以下步骤：离线训练阶段和在线识别阶段；

所述离线训练阶段包括：

S2、计算信号功率：计算信号s(t)的功率为P_s(t)，P_s(t)＝|s(t)|²；

S3、生成观测向量：选取信号功率P_s(t)中N_s个采样点作为一组观测值，构成一个N_s×1观测向量；N_s建议取值为TDMA或Slotted Aloha时隙长度的整数倍；

例如，TDMA、Slotted Aloha、Pure Aloha和CSMA的标签值为0，1，2和3，数据集中每类协议的观测向量个数为50万个。

训练过程引入梯度截断，防止在梯度下降过程中发生梯度爆炸。模型训练可基于TensorFlow框架，超参数设置可根据实际损失手动优化。

所述在线识别阶段包括：

S6、接收未知信号：空口接收未知MAC协议类型的信号x(t)；

S7、计算信号功率：计算信号x(t)的功率为P_x(t)；P_x(t)＝|x(t)|²

具体的，如图2所示，本实施例中，认知无线电系统模型由N个主用户(PU₁,PU₂,...,PU_N)和一个次级用户(SU)构成。N个主用户在M个可选的MAC协议组成的集合{C₁,C₂,...,C_M}中选择一种协议C_j(1≤j≤M)与基站进行通信。次级用户通过监测主用户信号来确定C_j的类型。本发明考虑的MAC协议集合由四种常见协议组成，包括：TDMA、Slotted Aloha、PureAloha和CSMA。假设四种协议发送数据包的长度相等；TDMA和Slotted Aloha时隙长度相等，且都等于数据包长度；传输信道为瑞利衰落信道；信号s(t)和x(t)的功率p服从指数分布，其概率密度函数为：

其中P₀是功率均值。

在TDMA协议中，N个主用户被分配在不同的时隙无冲突地发送数据包。每个数据包的产生是一个伯努利随机过程，产生概率为σ_t。

在Slotted Aloha协议中，每个主用户都有权力使用任意时隙，不管此时隙是否被其他用户占用。在每个时隙，所有主用户均以概率σ_t产生新的数据包，并发送出去。如果有多个用户在相同时隙发送，就会产生冲突。

在Pure Aloha协议中，不存在时隙结构，每个主用户都可以在任意时刻以概率σ_t生成新的数据包，并发送出去。如果多个主用户的发送时间有重叠，也会产生冲突。

在CSMA协议中，同样不存在时隙结构，数据包也可以从任意时刻开始。不同于PureAloha的是，每个用户在以概率σ_t产生和发送数据包之前，都会先进行信道侦听。只有侦听到信道空闲，才会发送，从而避免冲突。

如图3所示给出了四种MAC协议的信号示意图。白色表示信道空闲，灰色表示数据包发送成功，黑色表示发送冲突。如图所示，不同的MAC协议信号样式明显不同。因此可以利用深度学习中的深度神经网络作为分类器，处理接收信号，识别出其中的MAC协议类型。

LSTM网络是深度学习中一种特殊的循环神经网络，可以解决传统循环神经网络“长期依赖”等问题。它主要有三个特征：结合内部状态来处理序列；展示一个时间序列的时间动态行为；处理连续的、相关联的任务。与传统的神经网络相比，LSTM网络的主要区别在于它保持了一种内部状态，输出由当前输入和前一时刻的内部状态共同决定。考虑到通信信号具有时域相关性，本发明选择LSTM网络作为MAC协议识别的分类器。

本发明的有益效果为：(1)引入深度学习思想，利用LSTM网络处理接收信号，自动提取特征，整个识别过程人工干预较少；(2)充分利用海量通信数据训练LSTM网络，MAC协议识别精度显著提升。如图4所示，在相同的条件下，相较于传统的SVM方法，本发明识别精度提升10％左右。

以上仅为本发明实例中一个较佳的实施方案。但是，本发明并不限于上述实施方案，凡按本发明所做的任何均等变化和修饰，所产生的功能作用未超出本方案的范围时，均属于本发明的保护范围。

Claims

1.一种基于LSTM网络的MAC协议识别方法，包括：

所述离线训练阶段包括：

S2、计算信号功率：计算信号s(t)的功率为P_s(t)；

所述在线识别阶段包括：

S6、接收未知信号：空口接收未知MAC协议类型的信号x(t)；

S7、计算信号功率：计算信号x(t)的功率为P_x(t)；

2.根据权利要求1所述的基于LSTM网络的MAC协议识别方法，其特征在于，功率P_s(t)的计算方法如下：

P_s(t)＝|s(t)|²。

3.根据权利要求1所述的基于LSTM网络的MAC协议识别方法，其特征在于，功率P_x(t)的计算方法如下：

P_x(t)＝|x(t)|²。