CN110492926B - 一种基于机器学习的光纤窃听定位方法、系统及电子设备 - Google Patents
一种基于机器学习的光纤窃听定位方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110492926B CN110492926B CN201910682968.XA CN201910682968A CN110492926B CN 110492926 B CN110492926 B CN 110492926B CN 201910682968 A CN201910682968 A CN 201910682968A CN 110492926 B CN110492926 B CN 110492926B
- Authority
- CN
- China
- Prior art keywords
- eavesdropping
- signal information
- neural network
- artificial neural
- optical fiber
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于机器学习的光纤窃听定位方法、系统及电子设备,该基于机器学习的光纤窃听定位方法,包括:采集光纤信道的历史信号信息,历史信号信息包括窃听情况信息和信道性能信息;根据历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;采集光纤信道的当前信号信息,判断当前信号信息是否存在窃听行为;若存在窃听行为,则将当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。本发明利用人工神经网络算法对光通信物理层数据完成精细化处理,实现光纤窃听的智能定位;并且通过光纤信道的眼图及其参数差异进行综合分析计算,进行窃听定位。
Description
技术领域
本发明涉及通信安全技术领域,特别是指一种基于机器学习的光纤窃听定位方法、系统及电子设备。
背景技术
至2019年初,我国光缆总长度逾4470万公里,光纤接入用户数超3亿户。光通信速率和距离大幅提升,光网络开放能力显著增强。现有光通信无法抵御线路或节点窃听攻击,面临信息“被搭线”劫持和“被串接”劫持的风险,对关键信息基础设施的高速互联安全构成严重威胁。因此我们有必要对通信光缆线路的保护给予足够关注,在促进其高速发展的同时,制定有效的管理和防护措施,确保其安全可靠运行,为正常的通讯提供坚实的保证。
美国早在二十世纪九十年代就成功地完成了通信光缆的窃听,且窃听方法不断升级,窃听手段愈加隐蔽。非侵入式窃听能够在不造成通信业务中断的情况下实现窃听。常见的光纤窃听方法包括光纤弯曲法、V型槽切口法、散射法、光束分离法、渐进耦合法等。尤其值得注意的是光纤弯曲法,其窃听成本相对较低,一般在通信链路中间实行窃听,只要收集到其中1%左右的泄露光,就可以100%恢复出原始信号。因此,光纤窃听极易引发信息的泄露,对通信安全造成重大安全隐患。
发明内容
针对现有技术的不足之处,本发明的目的是提出一种基于机器学习的光纤窃听定位方法、系统及电子设备,核心在于借助人工智能的数据处理和分析能力,对光通信系统物理层数据进行智能分析和精细化处理,有助于解决非法窃听的定位等复杂问题,实现对光缆非法窃听的智能定位,增强信息抗截获能力,最终提升通信安全性。
基于上述目的,本发明提供的一种基于机器学习的光纤窃听定位方法,包括:
采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
在本发明的一些实施例中,根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型的步骤包括:
随机初始化人工神经网络的权值和神经元的阈值;
将所述历史信号信息作为人工神经网络的输入向量输入到人工神经网络中,按照公式(3)和激活函数一层一层的计算隐藏层神经元和输出层神经元的输入和输出;
其中,x为m维输入向量,且m值取决于特征值的个数;y为n维输出向量,且n值取决于定位的精度;为神经网络的激活函数,常用的激活函数有很多,这里选用常见的Logistic激活函数;w为需要学习的权值向量;
根据输出向量和公式(4)不断修正人工神经网络的权值,直到误差函数趋于收敛,得到训练后的人工神经网络模型;
其中,η是梯度下降的学习率,可自定义大小;ε是平方误差代价函数;w为需要学习的权值向量。
在本发明的一些实施例中,所述采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为的步骤包括:
根据所述历史信号信息运用支持向量机算法进行训练,得到训练后的支持向量机算法模型;
采集光纤信道的当前信号信息,将所述当前信号信息作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
在本发明的一些实施例中,上述基于机器学习的光纤窃听定位方法还包括对所述历史信号信息进行预处理和存储;
所述预处理为将所述历史信号信息生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率和抖动。
在本发明的一些实施例中,上述基于机器学习的光纤窃听定位方法还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
在本发明的一些实施例中,上述基于机器学习的光纤窃听定位方法还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
在本发明的一些实施例中,所述信道特征参数包括眼宽、眼高、Q因子、平均功率或抖动。
在本发明的一些实施例中,上述基于机器学习的光纤窃听定位方法还包括:
若不存在窃听行为,则继续采集光纤信道的信号信息。
基于相同的发明构思,本发明还提供给了一种基于机器学习的光纤窃听定位系统,包括:
采集模块,用于采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
训练模块,用于根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
判断模块,用于采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
定位模块,用于若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
基于相同的发明构思,本发明还提供了一种基于机器学习的光纤窃听定位电子设备,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于机器学习的光纤窃听定位方法。
传统物理层防护大多需要数学建模,然后利用抽象出的数学模型进行推导计算。但光纤信道复杂多变,涉及参数众多,现有解决方案抽象出的数学模型难以做到全面而精确。
本发明借助人工智能算法,解决非法窃听的精确定位问题,与现有技术相比,本发明具有以下有益效果:
(1)人工智能算法因为其深层结构和强大的特征学习能力能够从大量的数据中自动提取、选择和优化特征,提高了准确性并降低了提取难度。
(2)人工智能算法因为出色的大数据处理能力,可以提升定位准确率,从而能够有效提高窃听定位的准确率。
(3)定位同时可以保障信息传输的连贯性,提高通信效率。
(4)光纤窃听定位系统核心的定位模块算法可以替换,有利于扩展;更多人工智能算法之间还可以进行对比验证,或实现更复杂功能。
附图说明
图1为OTDR检测界面图;
图2为布里渊时域散射检测与定位系统的结构示意图;
图3为本发明基于机器学习的光纤窃听定位方法的一个实施例的流程示意图;
图4为本发明基于机器学习的光纤窃听定位方法的另一个实施例的流程示意图;
图5为本发明中窃听定位的人工神经网络模型的原理图;
图6为本发明基于机器学习的光纤窃听定位方法的又一个实施例的流程示意图;
图7为本发明基于机器学习的光纤窃听定位方法的一个具体实施例的流程示意图;
图8为本发明基于机器学习的光纤窃听定位系统的结构示意图;
图9为本发明基于机器学习的光纤窃听定位系统的一个具体实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
针对光纤窃听的主流定位方法包括光测试仪和光时域反射仪(OTDR)和布里渊时域散射法。其中前者基于信道中反射光的情况,后者利用光纤弯曲导致的应力变化进行推断。
(1)光测试仪和光时域反射仪(OTDR)
光测试仪是一种应用广泛的测量光信号衰减或损耗的仪器。通过比较发出和接收到的光信号功率值可以得到特定光纤信道的光损耗。光测试仪记录特定光纤的历史损耗数据,通过比较当前信号的损耗情况与相应历史数据可以发现一些可能与入侵相关的行为。光测试仪较适宜于检测一些简单的并且会导致较大信号损耗的窃听行为。
OTDR的原理是通过精确地发射各种波长的有规律的光脉冲并测量反射光信号返回的时间和反射光信号的强度来分析光纤信道情况。通过跟踪反射光信号的时间和强度,OTDR能够确定光环路的完整路径。
如图1所示,OTDR具有检测光纤断裂、弯曲、异常损耗和各种窃听等异常情况的能力。通常情况下,对光缆保护层进行切割必然会使光纤应力发生改变或产生微弯等效应,因此,通过对光纤受到的微扰进行故障或窃听定位,由其对光纤传输链路的损耗进行监测,可以定位到一些窃听行为。
(2)布里渊时域散射法
此技术利用光纤弯曲导致的应力变化来进行窃听监测和定位。
首先,把应力变化与布里渊频移相联系,通过测出布里渊频移ν间接测出应力变化曲线ε:
v(T0,ε)=v(T0,0)(1+4.48ε) (1)
布里渊散射是由介质中的声学声子引起的一种非弹性散射,布里渊频移由介质的声学特征和弹性力学特征决定,还与入射光频率和散射角有关。
如图2所示,泵浦光注入光纤中产生布里渊散射,经脉冲调制形成光脉冲,放大后进入待测光纤。产生的布里渊反射信号由环形器接收至本地,与参考光进行相干检测,从而获取特征信息。
由于接收到散射光的时间间隔T已知,所以待测光纤上某点可由下公式进行定位:
其中n为光纤折射率,T为发出脉冲光到接收到布里渊散射光的时间间隔。
布里渊时域散射法:根据布里渊时域反射信号的频移量测出光纤上应力的大小及分布特点。如发生异常变化,则对应发生地点定位,从而实现窃听的检测与定位。
本发明的发明人研究发现,光纤窃听的主流定位方法存下以下缺点:
OTDR存在的缺点:
OTDR利用瑞利散射和菲涅尔反射,通过测量光脉冲的反射信号强度和返回时间来分析光纤信道情况,可以检测到压力、双折射和其他因素引起的信号畸变,因此可鉴别到光纤的弯曲、断裂以及异常的损耗等行为。此外,也可以通过反射光的返回时间确定链路异常位置。
然而,OTDR不能直接用于解决光纤非法窃听问题,主要原因包含以下三个方面:1)由于存在事件盲区,其检测能力具有一定的局限性。对于反射事件,可能无法确定事件发生的地点;对于光信号泄漏这样的非反射事件,OTDR探测到的只是连续的损耗,没有明显的不连续探测信号的突变,事件的盲区比较大。2)OTDR需要单独作用于链路一端,所以更多用于已知故障链路的定位,而非正常传输链路的监测。3)随着窃听技术的提高,窃听装置产生的损耗极小,对原有通信系统影响较微弱;同时设备运行过程中获得的状态监测数据越来越多样和设备自身结构和运行环境越来越复杂,提取窃听状态相关的特征难度也在增加,而OTDR无法有效监测窃听引起的信道参数变化。
OTDR具有检测光纤断裂、弯曲、异常损耗和各种窃听等异常情况的能力。通常情况下,对光缆保护层进行切割必然会使光纤应力发生改变或产生微弯等效应,因此,通过对光纤受到的微扰进行监测或对光纤传输链路的损耗进行监测,可以检测一些窃听行为。但因光信号泄露是非反射事件,OTDR的探测盲区较大;监测与通信不能同时进行;微量信号泄露很难察觉,因此存在局限性。
布里渊时域散射法存在的缺点:
布里渊时域散射法原理较为复杂,主要通过测量光纤的异常应力情况来进行窃听监测。但光纤受应力情况较为普遍,系统错判漏判情况较多,且系统的定位功能精确度有待提高。
因此,如何提高光纤信道参数的数据分析和处理能力,实现非法窃听的精准定位,是提高光缆安全性和可靠性的关键瓶颈。
本发明针对光缆窃听“定位难”的关键问题,重点研究基于人工智能的光缆窃听定位技术,借助人工智能的数据处理和分析能力,对光通信系统物理层数据进行智能分析和精细化处理,有助于解决非法窃听的智能定位等复杂问题,实现对光缆非法窃听的精准定位,增强信息抗截获能力,最终提升光缆传输的安全性。
利用人工神经网络算法对光通信物理层数据完成精细化处理,实现光纤窃听的智能定位;并通过光纤信道的眼图及其参数差异进行综合分析计算,进行窃听定位。
如图3所示,本实施例提供了一种基于机器学习的光纤窃听定位方法,包括:
步骤101,采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
步骤102,根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
步骤103,采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
步骤104,若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
下面将对本发明的基于机器学习的光纤窃听定位方法作详细的描述。
可选的,本实施例提供了一种基于机器学习的光纤窃听定位方法,包括:
步骤101,采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
作为机器学习的准备工作部分,需要采集线路中正常传输和存在不同窃听情况时的大量样本数据,进行参数学习。由于数据本身对机器学习算法有至关重要的作用,机器学习算法对数据的需求量很大,因此需要设备对数据进行持续的采集。该步骤需要对光纤信道收集两种数据,一种是窃听情况采集,比如是否存在窃听(分光)和窃听点位置,另一种为信道的性能数据。
可选的,步骤101还包括对历史信号信息进行预处理和存储;
预处理为将历史信号信息(即收集到的原始数据)生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率和抖动;存储是将处理后的数据信息存储到数据库中。
其中,眼图是一系列数字信号在示波器上累积而显示的图形,它包含了丰富的信息,从眼图上可以观察出码间串扰和噪声的影响,体现了数字信号整体的特征,从而估计系统优劣程度,因而眼图分析是高速互连系统信号完整性分析的核心。眼宽反映信号的总抖动,是眼图在水平轴所开的大小,其定义为一个UI(Unit Interval,单位时间间隔)中左右交叉点的时间差。交叉范围内的时间点是基于信号中的两个零交叉点处的直方图平均数计算而来。眼高很好的反映了传输线上信号的噪声容限,是空白的区域在纵轴上的距离。噪声瞬时值超过眼高的一半就可能发生错误判决。Q因子:测量眼图信噪比的参数,它的定义是接收机在最佳判决门限下信号功率和噪声功率的比值。Q因子综合反映眼图的质量问题。Q因子越高,眼图的质量就越好,信噪比就越高。Q因子一般受噪声、光功率、电信号阻抗匹配等因素影响。平均功率通过眼图反映的平均功率,即是整个数据流的平均值。平均功率则是直方图的平均值,应为总眼图振幅的50%。抖动是在高速数据传输线中导致误码的定时噪声。如果系统的数据速率提高,在几秒内测得的抖动幅度会大体不变,但在位周期的几分之一时间内测量时,它会随着数据速率成比例提高,进而导致误码。因此,在系统中尽可能的减少这种相关抖动,提升系统总体性能。
步骤102,根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
可选的,如图4所示,步骤102包括:
步骤201,随机初始化人工神经网络的权值和神经元的阈值;
步骤202,向前传播:将所述历史信号信息作为人工神经网络的输入向量输入到人工神经网络中,按照公式(3)和激活函数一层一层的计算隐藏层神经元和输出层神经元的输入和输出;
其中,x为m维输入向量,且m值取决于特征值的个数;y为n维输出向量,且n值取决于定位的精度;为神经网络的激活函数,常用的激活函数有很多,这里选用常见的Logistic激活函数;w为需要学习的权值向量;
步骤203,向后传播:根据输出向量和公式(4)不断修正人工神经网络的权值,直到误差函数趋于收敛,得到训练后的人工神经网络模型;
其中,η是梯度下降的学习率,可自定义大小;ε是平方误差代价函数;w为需要学习的权值向量。在光纤传输中,各种人为和自然因素(包括信道衰减、故障或被攻击等)会对光纤信号造成影响,包括衰减、串扰、色散和损耗、相位漂移、抖动等,这些影响的直接结果是导致BER(误码率)、SNR(信噪比)、噪声因子、信号能量水平、带宽扩展等性能变化,并且表现出一定的可以分辨的特点。
人工智能的方法是通过计算机学习、推理监测数据和实际状态之间非线性关系从而进行非法窃听的精准定位。深度学习作为一种人工神经网络发展而成的机器学习方法,其深层结构和强大的特征学习能力能够从大量的数据中自动提取、选择和优化特征。这意味人工神经网络是一种自适应统计建模工具,比传统的逻辑学推理演算更具有优势。系统将自主学习不同地点不同窃听方法带来的微小特征值差别,从而进行归回计算,最终计算出窃听者位置。如图5所示,具体原理如下:
常见的多层结构前馈网络,其由三部分组成:
输入层:众多神经元接受大量非线形输入消息。输入的消息称为输入向量。
输出层:消息在神经元链接中传输、分析、权衡,形成输出结果。输出的消息称为输出向量。
隐藏层:是输入层和输出层之间众多神经元和链接组成的各个层面。节点个数要多于输入层和输出层。
人工神经元网络的每一层神经元拥有输入(它的输入是前一层神经元的输出)和输出,每一层是由Ni(Ni代表在第i层上的N)个网络神经元组成,每个Ni上的网络神经元把对应在前一层上的神经元输出做为它的输入,我们把神经元和与之对应的神经元之间的连线用生物学的名称,叫做突触,在数学模型中每个突触有一个加权数值,我们称作权重,那么要计算第i层上的某个神经元的值等于每一个权重乘以第i-1层上对应的神经元的输出,然后全体求和得到了第i层上的某个神经元值,然后该值通过该神经元上的激活函数(此处采用可微的Logistic函数)以控制输出大小,因为其可微分且连续,方便处理。逐层求出神经元的输出,然后根据输出反向调整权值大小,直到误差函数收敛,然后根据最终的输出层神经元值判断窃听位置。
步骤103,采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
可选的,如图6所示,步骤103包括:
步骤301,根据所述历史信号信息运用支持向量机算法进行训练,得到训练后的支持向量机算法模型;当支持向量机算法的损失函数趋于收敛时,判定支持向量机算法模型训练成功。
可选的,步骤301还包括对所述历史信号信息进行预处理和存储;
预处理为将历史信号信息(即收集到的原始数据)生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率和抖动;存储是将处理后的数据信息存储到数据库中。
步骤302,采集光纤信道的当前信号信息,将所述当前信号信息作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
在光纤信道传输时,各种人为和自然因素(包括信道衰减、故障或被攻击等)对光纤信号都有影响,并反映在眼图信号的特征中,比如眼宽、眼高、Q因子、平均功率、抖动等。
可选的,步骤302还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。信道特征参数包括眼宽、眼高、Q因子、平均功率或抖动。
可选的,若存在窃听行为,则进行报警;若不存在窃听行为,继续采集信号信息。
具体的,若所述输出结果为1则判断存在窃听行为,若所述输出结果为0则判断不存在窃听行为。
步骤104,若存在窃听行为,则将当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
在光纤信道传输时,各种人为和自然因素(包括信道衰减、故障或被攻击等)对光纤信号都有影响,并反映在眼图信号的特征中,比如眼宽、眼高、Q因子、平均功率、抖动等。
可选的,步骤104还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。信道特征参数包括眼宽、眼高、Q因子、平均功率或抖动。
可选的,步骤104还包括,若不存在窃听行为,则继续采集光纤信道的信号信息。
如图7所示,本实施例提供了一种基于机器学习的光纤窃听定位方法的一个具体实施例,包括:
步骤1:训练数据采集及预处理
数据采集是对不同信道情况下多个信号获取对象信息的过程。数据采集主要完成窃听情况和性能信息的采集、采集数据的预处理以及上传等操作。作为机器学习的准备工作部分,需要采集线路中正常传输和存在不同窃听情况时的大量样本数据,进行参数学习。由于数据本身对机器学习算法有至关重要的作用,机器学习算法对数据的需求量很大,因此需要设备对数据进行持续的采集。
该步骤需要对信道收集两种数据,一种是窃听情况采集,比如是否存在窃听(分光)和窃听点位置,另一种为信道的性能数据。该步骤所需要的数据格式是将收集到的原始数据生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率、抖动等。数据存储指将处理后的数据信息存储到数据库中。
根据处理的数据分别运用人工神经网络算法和支持向量机算法进行训练,分别得到窃听定位的人工神经网络模型和训练后的支持向量机算法模型
将训练集投入到人工神经网络中(ANN)进行训练。当神经网络中的损失函数趋于收敛时,判定该神经网络模型训练成功。窃听定位的人工神经网络模型运用人工神经网络算法,其所需的各节点激励函数和权重值都已通过训练集学习得到。人工神经网络的训练过程分为三个阶段:
随机初始化人工神经网络的权值和神经元的阈值。
向前传播:按照公式(3)和激活函数一层一层的计算隐层神经元和输出层神经元的输入和输出。
其中,x为m维输入向量,且m值取决于特征值的个数;y为n维输出向量,且n值取决于定位的精度;为神经网络的激活函数,常用的激活函数有很多,这里选用常见的Logistic激活函数;w为需要学习的权值向量;
向后传播:根据公式(4)修正权值。(其中误差函数ε根据算法不同有不同的定义)
其中,η是梯度下降的学习率,可自定义大小;ε是平方误差代价函数;w为需要学习的权值向量。
反复重复向前传播和向后传播步骤,直到满足终止条件(误差函数趋于收敛)。
支持向量机算法模型的训练过程为:
选取上面描述的若干种性能数据作为特征并将其作为支持向量X,根据收集到的性能数据将存在窃听的数据标记为1,没有发生窃听的数据标记为0,1和0为性能数据的标签。将生成的支持向量X=(x1,x2,…xn)与标签做好对应形成真正的数据集。当支持向量机算法的损失函数也趋于收敛时,判定支持向量机算法模型训练成功。
步骤2:工作信道数据采集
在光纤信道传输时,各种人为和自然因素(包括信道衰减、故障或被攻击等)对光纤信号都有影响,并反映在眼图信号的特征中,比如眼宽、眼高、Q因子、平均功率、抖动等。此步骤中需要对光纤信道进行实时监测,得出上述信道特征参数。在后续处理中作为测试集数据。
步骤3:窃听报警获知
根据窃听报警来获知确实存在窃听,是窃听定位模块启动的前提条件。
大量特征数据的输入作为测试数据导入至机器学习的输入端。窃听监测模块利用已学习参数,对数据进行分类判决,输出是0还是1,如果是1判断确实存在窃听,则进行报警;如果是0则表示不存在窃听,继续采集信号信息。
步骤4:分析处理
报警后,将若干信道特征参数作为神经网络的输入,计算得出位置信息。
步骤5:定位输出
人工神经网络的输入是当窃听发生时所有信道相关特征数据的串联,输出为窃听点位置即可疑窃听区间。
如图8所示,本实施例提供了一种基于机器学习的光纤窃听定位系统,包括:
采集模块11,用于采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
训练模块12,用于根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
判断模块13,用于采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
定位模块14,用于若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
可选的,采集模块11还用于对历史信号信息进行预处理和存储;
预处理为将历史信号信息生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率和抖动。
可选的,训练模块12还用于进行以下处理:
随机初始化人工神经网络的权值和神经元的阈值;
将所述历史信号信息作为人工神经网络的输入向量输入到人工神经网络中,按照公式(3)和激活函数一层一层的计算隐藏层神经元和输出层神经元的输入和输出;
其中,x为m维输入向量,且m值取决于特征值的个数;y为n维输出向量,且n值取决于定位的精度;为神经网络的激活函数,常用的激活函数有很多,这里选用常见的Logistic激活函数;w为需要学习的权值向量;
根据输出向量和公式(4)不断修正人工神经网络的权值,直到误差函数趋于收敛,得到训练后的人工神经网络模型;
其中,η是梯度下降的学习率,可自定义大小;ε是平方误差代价函数;w为需要学习的权值向量。
可选的,判断模块13还用于以下处理:
根据所述历史信号信息运用支持向量机算法进行训练,得到训练后的支持向量机算法模型;
采集光纤信道的当前信号信息,将所述当前信号信息作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
可选的,判断模块13还用于对当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
可选的,判断模块13还用于对当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
基于机器学习的光纤窃听定位系统可以应用于多种传输场景中,图9给出了基于机器学习的光纤点对点传输窃听定位系统架构。图9中的上部是光纤点对点传输示意图,合法收发双端各自用一个电发射端机和一个光发射端机概括,且两端各有实时监测系统,可以在检测到窃听时发出报警信号。非法窃听端则用窃听端机表示,传输过程则简略用两段光缆和一个光中继器表示。如图9所示,非法窃听端可以在线路中的任何一点进行窃听。
合法通信双端的实时监测系统持续地从线路中收集链路信息,发现窃听行为后发出告警信号,警报到达信号处理模块,过DSP处理得到信道状况(眼图),和信道特征参数(眼宽、眼高、Q因子、平均功率、抖动等)。此信息将作为窃听定位的人工神经网络模型的输入。
假设窃听定位的人工神经网络模型已经训练好,其目的就是要进行统计性的数据建模分析,根据数据的细微差异进行统计学习。将DSP处理后的数据作为人工神经网络模型的输入,根据其输出判断窃听位置。假设当链路存在窃听行为时,信道特征参数的变化会直接反应到已训练好的窃听定位模块中,导致其对应输出发生变化。
本实施例的关键技术不仅能应用于国防和军事系统,同时也能用于国民经济敏感部门的光纤专网的安全需求,实现军民通用。具体来说,所提技术方案可应用于接入网、骨干网、国家电力通信网等多种光传输网络场景,有助于解决窃听快速定位、异常检测、传输质量优化等实际问题,从而为机密的通信任务提供安全、稳定、可靠的通信保障。
本实施例提供了一种基于机器学习的光纤窃听定位电子设备,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于机器学习的光纤窃听定位方法。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器学习的光纤窃听定位方法,其特征在于,包括:
采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置;
其中,所述根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型的步骤包括:
随机初始化人工神经网络的权值和神经元的阈值;
将所述历史信号信息作为人工神经网络的输入向量输入到人工神经网络中,按照公式(3)和激活函数一层一层的计算隐藏层神经元和输出层神经元的输入和输出;
根据输出向量和公式(4)不断修正人工神经网络的权值,直到误差函数趋于收敛,得到训练后的人工神经网络模型;
其中,η是梯度下降的学习率,ε是平方误差代价函数,w为需要学习的权值向量。
2.根据权利要求1所述的基于机器学习的光纤窃听定位方法,其特征在于,所述采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为的步骤包括:
根据所述历史信号信息运用支持向量机算法进行训练,得到训练后的支持向量机算法模型;
采集光纤信道的当前信号信息,将所述当前信号信息作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
3.根据权利要求1或2所述的基于机器学习的光纤窃听定位方法,其特征在于,还包括对所述历史信号信息进行预处理和存储;
所述预处理为将所述历史信号信息生成眼图,提取眼图中的眼宽、眼高、Q因子、平均功率和抖动。
4.根据权利要求2所述的基于机器学习的光纤窃听定位方法,其特征在于,还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为支持向量机算法模型的输入,根据支持向量机算法模型的输出结果确定当前信号信息是否存在窃听行为。
5.根据权利要求1所述的基于机器学习的光纤窃听定位方法,其特征在于,还包括对所述当前信号信息进行处理得到信道特征参数,将所述信道特征参数作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置。
6.根据权利要求4或5所述的基于机器学习的光纤窃听定位方法,其特征在于,所述信道特征参数包括眼宽、眼高、Q因子、平均功率或抖动。
7.根据权利要求1所述的基于机器学习的光纤窃听定位方法,其特征在于,还包括:
若不存在窃听行为,则继续采集光纤信道的信号信息。
8.一种基于机器学习的光纤窃听定位系统,其特征在于,包括:
采集模块,用于采集光纤信道的历史信号信息,所述历史信号信息包括窃听情况信息和信道性能信息;
训练模块,用于根据所述历史信号信息运用人工神经网络算法进行训练,得到窃听定位的人工神经网络模型;
判断模块,用于采集光纤信道的当前信号信息,判断所述当前信号信息是否存在窃听行为;
定位模块,用于若存在窃听行为,则将所述当前信号信息作为人工神经网络模型的输入向量,根据人工神经网络模型的输出向量确定窃听点位置;
其中,训练模块还用于进行以下处理:
随机初始化人工神经网络的权值和神经元的阈值;
将所述历史信号信息作为人工神经网络的输入向量输入到人工神经网络中,按照公式(3)和激活函数一层一层的计算隐藏层神经元和输出层神经元的输入和输出;
其中,x为m维输入向量,且m值取决于特征值的个数;y为n维输出向量,且n值取决于定位的精度;为神经网络的激活函数,常用的激活函数有很多,这里选用常见的Logistic激活函数;w为需要学习的权值向量;
根据输出向量和公式(4)不断修正人工神经网络的权值,直到误差函数趋于收敛,得到训练后的人工神经网络模型;
其中,η是梯度下降的学习率,可自定义大小;ε是平方误差代价函数;w为需要学习的权值向量。
9.一种基于机器学习的光纤窃听定位电子设备,其特征在于,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7任意一项所述的基于机器学习的光纤窃听定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682968.XA CN110492926B (zh) | 2019-07-26 | 2019-07-26 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682968.XA CN110492926B (zh) | 2019-07-26 | 2019-07-26 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110492926A CN110492926A (zh) | 2019-11-22 |
CN110492926B true CN110492926B (zh) | 2021-01-05 |
Family
ID=68548554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682968.XA Active CN110492926B (zh) | 2019-07-26 | 2019-07-26 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110492926B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113141208B (zh) * | 2020-01-19 | 2022-02-15 | 烽火通信科技股份有限公司 | 一种实现光通道路径健康度评估和故障定位的方法及系统 |
CN111340787B (zh) * | 2020-02-28 | 2023-09-29 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN112202498B (zh) * | 2020-09-14 | 2021-10-08 | 华中科技大学 | 单纤双向直调直检系统中反向瑞利散射的消除方法及装置 |
CN112637926B (zh) * | 2020-11-28 | 2022-06-03 | 重庆财经学院 | 一种基于随机森林均匀量化特征提取的安全中继选择方法 |
CN112910567B (zh) * | 2021-01-25 | 2022-07-01 | 北京邮电大学 | 一种基于递归神经网络的窃听分类监测方法及相关设备 |
CN116388884B (zh) * | 2023-06-05 | 2023-10-20 | 浙江大学 | 防窃听超声波干扰样本设计方法、系统及装置 |
CN117353807B (zh) * | 2023-12-04 | 2024-03-05 | 唐山市艾科特科技有限公司 | 一种基于人工智能的光缆远程监测系统及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493040B1 (en) * | 2004-07-15 | 2009-02-17 | Nortel Networks Limited | Method and apparatus for securing fiber in an optical network |
CN103226028B (zh) * | 2013-05-02 | 2015-07-01 | 电子科技大学 | 一种相敏光时域反射仪扰动信号检测与识别方法 |
EP3094038B1 (en) * | 2015-05-12 | 2019-08-07 | ID Quantique S.A. | Apparatus and method for providing eavesdropping detection of an optical fiber communication |
US10164710B2 (en) * | 2016-10-24 | 2018-12-25 | Nokia Of America Corporation | Optical transceiver for secure data transmission |
CN106683305A (zh) * | 2017-01-22 | 2017-05-17 | 唐山市镜圆科技有限公司 | 防窃听光纤报警系统 |
US10187171B2 (en) * | 2017-03-07 | 2019-01-22 | The United States Of America, As Represented By The Secretary Of The Navy | Method for free space optical communication utilizing patterned light and convolutional neural networks |
CN107369282A (zh) * | 2017-08-23 | 2017-11-21 | 武汉理工光科股份有限公司 | 一种地埋式cotdr周界入侵报警系统及信号处理方法 |
CN108038300B (zh) * | 2017-12-07 | 2021-08-03 | 长春理工大学 | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 |
CN109064696A (zh) * | 2018-08-17 | 2018-12-21 | 成都九洲电子信息系统股份有限公司 | 基于深度学习实现的光纤周界安防系统 |
CN108709633B (zh) * | 2018-08-29 | 2020-05-05 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
CN109447048B (zh) * | 2018-12-25 | 2020-12-25 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN109921847B (zh) * | 2019-04-15 | 2020-09-22 | 中国电力科学研究院有限公司 | 一种无源光网络中故障支路的定位方法和系统 |
-
2019
- 2019-07-26 CN CN201910682968.XA patent/CN110492926B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110492926A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110492926B (zh) | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN101753207B (zh) | 光纤链路故障识别方法、装置及系统 | |
Abdelli et al. | Machine-learning-based anomaly detection in optical fiber monitoring | |
CN110995339A (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
CN109167627B (zh) | 一种调制格式及光信噪比监测方法及装置 | |
CN104729667A (zh) | 一种分布式光纤振动传感系统中的扰动类型识别方法 | |
CN111649817A (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN110518973B (zh) | 一种基于机器学习的光纤窃听监测方法及相关设备 | |
CN114692681A (zh) | 基于scnn的分布式光纤振动及声波传感信号识别方法 | |
Song et al. | Experimental study of machine-learning-based detection and location of eavesdropping in end-to-end optical fiber communications | |
CN103595488A (zh) | 一种光缆网络反窃听的装置及方法 | |
CN109120336A (zh) | 基于相位敏感光时域反射传感器的防误警漏警方法 | |
Abdelli et al. | Fault monitoring in passive optical networks using machine learning techniques | |
CN111541484A (zh) | 基于延时采样的光纤通信系统光信噪比监测方法 | |
Abdelli et al. | Gated recurrent unit based autoencoder for optical link fault diagnosis in passive optical networks | |
CN107545684A (zh) | 一种分布式光纤振动传感系统中的多点扰动事件报警方法 | |
Abdelli et al. | Branch identification in passive optical networks using machine learning | |
CN105187119B (zh) | 基于光时域反射仪的无源光网络链路等距故障识别方法 | |
Pesic et al. | Proactive restoration of optical links based on the classification of events | |
Abdelli et al. | A BiLSTM-CNN based multitask learning approach for fiber fault diagnosis | |
CN112910567B (zh) | 一种基于递归神经网络的窃听分类监测方法及相关设备 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
Usmani et al. | Road Traffic Detection with a LSTM Autoencoder using State of Polarization on Deployed Metropolitan Fiber Cable |
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 |