CN109861864B - 一种基于lstm网络的mac协议识别方法 - Google Patents
一种基于lstm网络的mac协议识别方法 Download PDFInfo
- Publication number
- CN109861864B CN109861864B CN201910110083.2A CN201910110083A CN109861864B CN 109861864 B CN109861864 B CN 109861864B CN 201910110083 A CN201910110083 A CN 201910110083A CN 109861864 B CN109861864 B CN 109861864B
- Authority
- CN
- China
- Prior art keywords
- mac protocol
- signal
- lstm network
- identification
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Small-Scale Networks (AREA)
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MAC协议类型已知的主用户信号s(t)；S2、计算信号s(t)对应的功率Ps(t)；S3、生成Ns×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MAC协议类型未知的主用户信号x(t)；S7、计算信号x(t)对应的功率Px(t)；S8、生成Ns×1观测向量；S9、将MAC协议类型未知的主用户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
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MAC协议类型已知的主用户信号：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Ps(t)；
S3、生成观测向量：选取信号功率Ps(t)中Ns个采样点作为一组观测值，构成一个Ns×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MAC协议类型未知的主用户信号：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Px(t)；
S8、生成观测向量：选取信号功率Px(t)中Ns个采样点作为一组观测值，构成一个Ns×1观测向量；
S9、MAC协议识别：将MAC协议类型未知的主用户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Ps(t)的计算方法如下：
Ps(t)＝|s(t)|2。
优选的，信号s(t)的功率Ps(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Px(t)的计算方法如下：
Px(t)＝|x(t)|2。
优选的，信号x(t)的功率Px(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：
S1、获取MAC协议类型已知的主用户信号：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Ps(t)，Ps(t)＝|s(t)|2；
S3、生成观测向量：选取信号功率Ps(t)中Ns个采样点作为一组观测值，构成一个Ns×1观测向量；Ns建议取值为TDMA或Slotted Aloha时隙长度的整数倍；
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；
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。
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。
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MAC协议类型未知的主用户信号：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Px(t)；Px(t)＝|x(t)|2
S8、生成观测向量：选取信号功率Px(t)中Ns个采样点作为一组观测值，构成一个Ns×1观测向量；
S9、MAC协议识别：将MAC协议类型未知的主用户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。
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,...,PUN)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,...,CM}中选择一种协议Cj(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Cj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σt。
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σt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σt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σt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 (3)
1.一种基于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MAC协议类型已知的主用户信号：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Ps(t)；
S3、生成观测向量：选取信号功率Ps(t)中Ns个采样点作为一组观测值，构成一个Ns×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MAC协议类型未知的主用户信号：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Px(t)；
S8、生成观测向量：选取信号功率Px(t)中Ns个采样点作为一组观测值，构成一个Ns×1观测向量；
S9、MAC协议识别：将MAC协议类型未知的主用户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。
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Ps(t)的计算方法如下：
Ps(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Px(t)的计算方法如下：
Px(t)＝|x(t)|2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910110083.2A CN109861864B (zh) | 2019-02-11 | 2019-02-11 | 一种基于lstm网络的mac协议识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910110083.2A CN109861864B (zh) | 2019-02-11 | 2019-02-11 | 一种基于lstm网络的mac协议识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109861864A CN109861864A (zh) | 2019-06-07 |
| CN109861864B true CN109861864B (zh) | 2022-02-22 |
Family
ID=66897717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910110083.2A Active CN109861864B (zh) | 2019-02-11 | 2019-02-11 | 一种基于lstm网络的mac协议识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109861864B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079898B (zh) * | 2019-11-28 | 2023-04-07 | 华侨大学 | 一种基于TextCNN网络的信道编码识别方法 |
| CN111612097B (zh) * | 2020-06-02 | 2023-02-07 | 华侨大学 | 一种基于gru网络的主用户数目估计方法 |
| CN111988102B (zh) * | 2020-08-31 | 2022-03-04 | 华侨大学 | 基于gru网络的mac信息识别方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105611626A (zh) * | 2015-12-28 | 2016-05-25 | 南京信息工程大学 | 无线传感网中基于感知器的区域分簇目标跟踪算法 |
| CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
| CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
| CN108712397A (zh) * | 2018-04-28 | 2018-10-26 | 天津大学 | 基于深度学习的通信协议识别方法 |
-
2019
- 2019-02-11 CN CN201910110083.2A patent/CN109861864B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105611626A (zh) * | 2015-12-28 | 2016-05-25 | 南京信息工程大学 | 无线传感网中基于感知器的区域分簇目标跟踪算法 |
| CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
| CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
| CN108712397A (zh) * | 2018-04-28 | 2018-10-26 | 天津大学 | 基于深度学习的通信协议识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109861864A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | MAC protocol identification using support vector machines for cognitive radio networks | |
| CN109861864B (zh) | 一种基于lstm网络的mac协议识别方法 | |
| CN110311829B (zh) | 一种基于机器学习加速的网络流量分类方法 | |
| Shi et al. | Deep learning-based automatic modulation recognition method in the presence of phase offset | |
| Cheng et al. | Sensing OFDM signal: A deep learning approach | |
| WO2022037130A1 (zh) | 网络流量异常的检测方法、装置、电子装置和存储介质 | |
| CN111935721B (zh) | 一种实现异构网络共存的方法和系统 | |
| Yang et al. | MAC protocol classification in a cognitive radio network | |
| CN108242961B (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
| CN112910806B (zh) | 基于深度神经网络的联合信道估计及用户激活检测方法 | |
| CN107070569A (zh) | 基于hmm模型的多点协作频谱感知方法 | |
| CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| US10459066B2 (en) | Self-adaptive system and method for robust Wi-Fi indoor localization in large public site | |
| CN112804119B (zh) | 一种基于卷积神经网络的mac协议识别方法 | |
| Geng et al. | Spectrum sensing for cognitive radio based on feature extraction and deep learning | |
| CN111417124A (zh) | 在认知无线网络环境下频谱感知的方法 | |
| CN111612097B (zh) | 一种基于gru网络的主用户数目估计方法 | |
| Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
| Zhang et al. | A mac protocol identification approach based on convolutional neural network | |
| Bkassiny | A deep learning-based signal classification approach for spectrum sensing using long short-term memory (LSTM) networks | |
| CN114567398B (zh) | 一种基于卷积长短时记忆神经网络的频谱感知方法 | |
| CN108055096B (zh) | 基于信号和噪声特征检测的频谱感知方法 | |
| Yang et al. | Improving medium access efficiency with intelligent spectrum learning | |
| CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
| CN115190633A (zh) | 面向设备间通信的智能频谱在线抗干扰频点分配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |