CN111130866A - 基于频谱监测数据的通信网络拓扑发现方法 - Google Patents
基于频谱监测数据的通信网络拓扑发现方法 Download PDFInfo
- Publication number
- CN111130866A CN111130866A CN201911288042.9A CN201911288042A CN111130866A CN 111130866 A CN111130866 A CN 111130866A CN 201911288042 A CN201911288042 A CN 201911288042A CN 111130866 A CN111130866 A CN 111130866A
- Authority
- CN
- China
- Prior art keywords
- signal
- communication
- data
- communication network
- equation
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于频谱监测数据的通信网络拓扑发现方法,包括以下步骤:对采集到的电磁频谱数据进行预处理得到信号的基本物理特征;结合聚类分析和电磁分析,发现通信信号的统计规律,判断通联关系,获得通信网络逻辑拓扑结构;根据通信关系配对情况,将属于同一信号源的通信数据进行归类,再利用遗传算法获得信号源位置并将该位置坐标作为fminsearch函数初始值,重新搜索初始值附近的局部最优解,从而获得更高精度的信号源坐标;结合通信网络逻辑拓扑和通信节点定位情况,获得其物理拓扑结构。本发明面对电磁环境异常复杂情况具有较好的效果和鲁棒性。
Description
技术领域
本发明属于数据挖掘领域,特别是一种基于频谱监测数据的通信网络拓扑发现方法。
背景技术
对频谱数据分析技术和信号识别技术方面,目前已经有很多研究,例如基于深度神经网络的新型复杂无线信号识别方法,该方法能够从简单的无线信号中自动学习特性;基于发射机能够提供不同传输参数,利用不同天线接收到的信号之间的关系而提出的一种有效的空间复用和Alamouti编码正交频分复用信号识别算法;基于与候选调制类型的接收信号的相位或幅度相关联的已知概率分布来选择使对数似然函数最大化的调制类型,提出的一种基于似然的QAM和PSK信号盲识别算法;还有基于跳频(FH)信号时频(TF)稀疏性,引入欠定盲源分离算法,将FH信号分选问题转化成基于稀疏TF表示的欠定盲源分离问题的方法。然而这些方法大多需要调制信号或是获取发射机的属性等,对加密电磁环境并不适用。
对信号源定位技术方面,目前的方法主要是基于信号到达时间差(TDOA),信号到达角度(AOA),信号接收强度(RSSI)等,例如先对混合信号进行短时傅里叶变换,然后利用k-均值聚类算法对混合矩阵进行估计得到源信号的到达方向的方法。或者利用多分接收器处接收的信号的到达时间差和到达频率差测量值,提出的一种有效的约束加权最小二乘算法来估计运动源的位置和速度,可以在牛顿法的基础上得到一个数值迭代解。还有在多个不相交源的TDOA测量受到相同的接收器位置位移和同步时钟偏差的情况下考虑TDOA源定位问题,提出的二维降阶泰勒级数定位方法和基于最大似然的闭环形式的时钟偏置解决方案。然而这些方法也多是基于针对同源信号数据进行定位分析,对具有多个信号源的电磁环境并不完全适用。
上述方法对于具有多个信号源的加密电磁环境进行通信网络结构分析并不适用,主要理由如下:1)加密的电磁环境中,信号的发射机属性和通信内容破解难度高、代价大。2)由于环境中具有多个未知信号源,监测站采集的监听信号数据没有标识,导致无法区分属于同一个信号源的数据,从而对信号源定位分析产生影响。
发明内容
为解决上述问题,本发明提出了一种基于频谱监测数据的通信网络拓扑发现方法。该方法能够在该方法能在不破译加密信号内容的前提下,快速有效的发现目标区域的通信网络拓扑结构,面对海量的频谱监测数据具有较好的效果和鲁棒性。
为实现上述目的,实现本发明的技术解决方案为:
一种基于频谱监测数据的通信网络拓扑发现方法,包括以下步骤:
S1、对采集到的电磁频谱数据进行预处理得到信号的基本物理特征;
处理后获得的信号的基本物理特征包括:信号中心频率f,信号带宽B,信号电平dbm,信号起始时间t1和信号结束时间t2。编号为i的监测站获得的频谱数据集为Xi,ni为第i个监测站接收到频谱数据的数量。xk表示第k个频谱,用信号的特征参数表示为xk={fk,Bk,dbmk,t1,k,t2,k}。
S2、结合聚类分析和电磁分析,发现通信信号的统计规律,判断通联关系,获得通信网络逻辑拓扑结构;
1.定频通信通联关系分析
在定频通信中,先将信号载波频率基本保持不变的频谱数据归为一类,根据信号带宽和功率是否相近排除其中频率与定频信号接近的跳频信号,再根据频率的不同分成不同组通联关系。最后根据接收功率不同,分析出产生定频通联关系的收发方,从而将属于同一通信设备的信号数据归到一类中。
2.跳频通信通联关系分析
1)输入信号数据集X={x1,x2,…,xp,…,xq,…};
2)对每一个信号数据按照公式1计算跳频周期T,得到数据集Y;
3)对每组信号数据按照公式2进行归一化处理得到数据集Z;
4)输入邻域半径E和邻域最小点个数MinPts,用DBSCAN进行聚类分析;
5)输出聚类的跳频数据子集{H1,H2,...,Hj,...,Hk},Hj={xj1,xj2,....xjr,...},xjr={fjr,Bjr,dbmjr,t1,jr,t2,jr}
6)对每一组跳频数据子集Hj,按照公式3分别计算跳频通信持续时间tj,根据通信时长是否一致进行配对,输出配对后的跳频数据子集{H1,H2,…,Hk/2}。
S3、根据通联关系配对情况,将属于同一信号源的通信数据进行归类,再结合遗传算法和fminsearch函数获得信号源的位置坐标;
1)输入跳频信号数据集,H={H1,H2,...,Hj,...,Hk}
2)计算平均功率,保留平均功率最大的四组监测站的数据
3)调用遗传算法工具箱,输入最大的四组监测站的频谱数据,搜索得到变量最优值ak
4)将变量最优值ak作为fminsearch函数的初值a0
5)搜索a0附近的局部最优解,更新ak
6)输出最优解ak
S4、结合通信网络逻辑拓扑和通信节点定位情况,获得其通信网络物理拓扑结构。
本发明与现有技术相比,其显著优点为:
1)仅使用频谱监测数据的基本物理特征,结合聚类分析和电磁分析获取场景中的通信通联关系,得到该通信网络的逻辑拓扑图,避免了信号内容难以破解、调制信息未知等问题。
2)通过判断通联关系将通信数据归类于某个特定的信号源,实现了同源信号数据的筛选,避免了区域内存在多个信号源导致数据混乱的问题。
3)结合遗传算法和finsearch函数进行信号源定位计算,共同解决多维无约束优化问题,提高了算法的稳定性和最优解的准确性。
附图说明
图1为判断定频通信关系的流程图。
图2为模拟监测的获取频谱数据的监测模型示意图。
图3为定频通信的收发双方配对关系图。
图4为通过聚类分析结果图及跳频通信通联关系图。(a)聚类分析结果,(b)跳频通信通联关系配对。
图5为所研究区域内通信网络拓扑图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图和实例,对本发明进行进一步详细说明。
本实例中采用的传输模型为奥村模型,它是由大量实验数据结合线性拟合等方式获得的传播损耗模型,能在不同的环境下获得较为准确的预测。根据对目标区域通联关系和通信节点位置研究的需要,做出如下假设:
假设1:未知频谱信号在传播过程中符合Okumura-Hata模型,到达距离d处的监测站,记信号的发射功率为Pt,监测站接收到信号功率为Pr。一般接收的信号功率满足公式1;
市区路径损耗Okumura-Hata经验公式为:
L=69.55+26.16lgf-13.82loght-α(hr)+(44.9-6.55loght)logd
其中L为传播过程中的衰落,f是载波频率,hr是接收天线的高度,ht是发射天线高度,d为未知信号源到监测站的距离,α(hr)为修正因子,取决于不同的地理环境。对于大城市有
α(hr)=3.2(log11.75hr)2-4.97,(f≥300MHz)。
假设2:具有通联关系的通信设备在某时间段进行通信时,采用停止等待ARQ协议,信号接收方收到信号后回复ACK或NAK。通信设备能在一定带宽内根据需求采用定频通信或跳通信的工作模式完成一次通信。
假设3:实验中选用选用的监测设备性能型号一致,各个监测站都能接收未知信号信息,,不考虑机器故障导致的数据缺失问题。所有监测站的数据能够共享,且时间是同步的。在频谱数据采集过程中,监测站和通信设备的位置均不发生移动。
假设4:在跳频通信中,发送报文或ACK均在一次跳频内完成。
S1、对采集到的电磁频谱数据进行预处理得到信号的基本物理特征;
处理后获得的信号的基本物理特征包括:信号中心频率f,信号带宽B,信号电平dbm,信号起始时间t1和信号结束时间t2。编号为i的监测站获得的频谱数据集为Xi,ni为第i个监测站接收到频谱数据的数量。xk表示第k个频谱,用信号的特征参数表示为xk={fk,Bk,dbmk,t1,k,t2,k}。
S2、结合聚类分析和电磁分析,发现通信信号的统计规律,判断通联关系,获得通信网络逻辑拓扑结构;
1.定频通信通联关系分析
在定频通信中,通信双方的位置差异导致接收功率不同,由此能够分析出产生通联关系的收发方,从而将属于同一通信设备的信号数据归到一类中,完成定频信号的通联关系判断。定频通信关系判断流程图如图1所示。
先将信号载波频率基本保持不变的频谱数据归为一类,根据信号带宽和功率是否相近排除其中频率与定频信号接近的跳频信号,再根据频率的不同分成不同组通联关系。最后根据接收功率不同,分析出产生定频通联关系的收发方,从而将属于同一通信设备的信号数据归到一类中。由统计分析获得的定频通信通联关系结果参考图3,图中同一数字标注的表示一组定频通联关系。
2.跳频通信通联关系分析
1)输入信号数据集X={x1,x2,…,xp,…,xq,…};
2)对每一个信号数据按照公式1计算跳频周期T,得到数据集Y;
3)对每组信号数据按照公式2进行归一化处理得到数据集Z;
4)输入邻域半径E和邻域最小点个数MinPts,用DBSCAN进行聚类分析;
5)输出聚类的跳频数据子集{H1,H2,...,Hj,...,Hk},Hj={xj1,xj2,....xjr,...},xjr={fjr,Bjr,dbmjr,t1,jr,t2,jr}
6)对每一组跳频数据子集Hj,按照公式3分别计算跳频通信持续时间tj,根据通信时长是否一致进行配对,输出配对后的跳频数据子集{H1,H2,…,Hk/2}。由聚类分析获得的跳频通信通联关系结果参考图4,图中同一数字标注的表示一组跳频通联关系。
S3、根据通联关系配对情况,将属于同一信号源的通信数据进行归类,再结合遗传算法和fminsearch函数获得信号源的位置坐标;
1)输入跳频信号数据集,H={H1,H2,...,Hj,...,Hk}
2)计算平均功率,保留平均功率最大的四组监测站的数据
3)调用遗传算法工具箱,输入最大的四组监测站的频谱数据,搜索得到变量最优值ak
4)将变量最优值ak作为fminsearch函数的初值a0
5)搜索a0附近的局部最优解,更新ak
6)输出最优解ak
S4、结合通信网络逻辑拓扑和通信节点定位情况,获得其通信网络物理拓扑结构,参考图5。
综上所述,本发明主要针对网络拓扑分析需要的先验知识难以获取等问题,不需要解调信号、分析通信协议更不需要破解信号内容,仅利用频谱监测数据的物理特征和统计规律获得通信网络拓扑,面对电磁环境异常复杂情况具有较好的效果和鲁棒性。
Claims (5)
1.一种基于频谱监测数据的通信网络拓扑发现方法,其特征在于,包括以下步骤:
S1、对采集到的电磁频谱数据进行预处理得到信号的基本物理特征;
S2、结合聚类分析和电磁分析,发现通信信号的统计规律,判断通联关系,获得通信网络逻辑拓扑结构;
S3、根据通联关系配对情况,将属于同一信号源的通信数据进行归类,再结合遗传算法和fminsearch函数获得信号源的位置坐标;
S4、结合通信网络逻辑拓扑和通信节点定位情况,获得其物理拓扑结构。
3.如权利要求1所述的基于频谱监测数据的通信网络拓扑发现方法,其特征在于,实现所述步骤S2的方法为:
2.1定频通信通联关系分析
将信号载波频率保持不变的频谱数据归为一类,根据信号带宽和功率是否相近排除其中频率与定频信号接近的跳频信号,再根据频率的不同分成不同组通联关系;最后根据接收功率不同,得出产生定频通联关系的收发方,从而将属于同一通信设备的信号数据归到一类中;
2.2跳频通信通联关系分析
遍历全部信号X={x1,x2,…,xp,…,xq,…},找出与信号xp中心频率相等且时间最近的信号xq,p<q,其中xp={fp,Bp,dbmp,t1,p,t2,p},xq={fq,Bq,dbmq,t1,q,t2,q},跳频周期T为信号xq的开始时间t1,p与信号xp的结束时间t2,q之差,
T=t2,q-t1,p 公式1
原始跳频信号数据集记为X={x1,x2,...,xi,...,xn},其中xi={fi,Bi,dbmi,t1,i,t2,i},按照公式1处理后的跳频信号数据集为Y={y1,y2,...,yi,...,yn},yi={fi,Bi,dbmi,t1,i,t2,i,Ti},i=1,2,...,n;对数据集Y中所需的特征参数按照公式2进行归一化处理得到数据集Z,Z={z1,z2,...,zi,...,zn};
由DBSCAN聚类分析获得的簇即跳频子集为{H1,H2,...,Hj,...,Hk},其中Hj={xj1,xj2,....xjr,...},xjr={fjr,Bjr,dbmjr,t1,jr,t2,jr},表示属于同一信号源的数据。在每一个跳频子集中,将最后一个信号的结束时间与第一个信号的起始时间之差作为跳频通信持续时间;对每一组跳频数据子集Hj,按照公式3分别计算跳频通信持续时间tj
tj=max(t2,j)-min(t1,j) 公式3
将通信时长基本一致的两个跳频子集记为一类,对信号收发双方进行配对,获得跳频通信通联关系,更新的跳频子集记为{H1,H2,…,Hk/2}。
4.如权利要求1所述的基于频谱监测数据的通信网络拓扑发现方法,其特征在于,实现所述步骤S3的具体方法为:
信号的发射功率记为Pt,监测站接收到信号功率记为Pr,L为传播过程中的衰落,信号传输衰落公式为:
Pr=Pt-L 公式4
L=69.55+26.16lg f-13.82log ht-α(hr)+(44.9-6.55log ht)log d 公式5
式中f是载波频率,hr是接收天线的高度,ht是发射天线高度,d为未知信号源到监测站的距离,α(hr)为修正因子;信号的发射功率Pt分别满足公式6和公式7
Pt=Pr,j+Lj 公式6
Pt=Pr,j+Lj 公式7
联立公式5,6,7得到等式:
设监测站的坐标为Mi=(si,ti),未知信号源的位置坐标为A=(x,y),选取信号电平最大的四组数据进行分析计算,记其中最大一组数据的监测站坐标为M1=(s1,t1),未知通信设备的发射天线高度为h,监测站的数量为m,由等式得到方程组:
5.如权利要求1所述的基于频谱监测数据的通信网络拓扑发现方法,其特征在于,所述步骤S4中:先根据通联关系分析获得通信网络逻辑拓扑,结合节点定位计算获得通信网络的物理拓扑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288042.9A CN111130866A (zh) | 2019-12-15 | 2019-12-15 | 基于频谱监测数据的通信网络拓扑发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288042.9A CN111130866A (zh) | 2019-12-15 | 2019-12-15 | 基于频谱监测数据的通信网络拓扑发现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111130866A true CN111130866A (zh) | 2020-05-08 |
Family
ID=70498878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911288042.9A Pending CN111130866A (zh) | 2019-12-15 | 2019-12-15 | 基于频谱监测数据的通信网络拓扑发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111130866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866615A (zh) * | 2023-02-24 | 2023-03-28 | 南京邮电大学 | 一种基于电磁频谱特征的无线网络通联关系发现方法 |
-
2019
- 2019-12-15 CN CN201911288042.9A patent/CN111130866A/zh active Pending
Non-Patent Citations (3)
Title |
---|
张巍等: "系统聚类树算法在网络拓扑判定中的研究", 《四川大学学报(自然科学版)》 * |
潘婷 等: "基于聚类分析的通联关系研究", 《通信技术》 * |
苏良成 等: "网格化监测站中基于差分场强的信号源定位方法", 《成都信息工程大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866615A (zh) * | 2023-02-24 | 2023-03-28 | 南京邮电大学 | 一种基于电磁频谱特征的无线网络通联关系发现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | CRISLoc: Reconstructable CSI fingerprinting for indoor smartphone localization | |
Sallouha et al. | Localization in long-range ultra narrow band IoT networks using RSSI | |
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
Aernouts et al. | A comparison of signal strength localization methods with sigfox | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
Jiang et al. | Wi-Fi fingerprint based indoor localization without indoor space measurement | |
Chen et al. | Smartphone-based indoor fingerprinting localization using channel state information | |
Alom et al. | A survey of spectrum sensing techniques in cognitive radio network | |
CN106792506B (zh) | 一种WiFi定位方法及服务器 | |
Guibène et al. | Cooperative spectrum sensing and localization in cognitive radio systems using compressed sensing | |
Wang et al. | A fast single-site fingerprint localization method in massive MIMO system | |
Zhang et al. | Utilizing CSI and RSSI to achieve high-precision outdoor positioning: A deep learning approach | |
CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
Nguyen et al. | Improved localization accuracy using machine learning: Predicting and refining RSS measurements | |
Wei et al. | Enriching indoor localization fingerprint using a single AC-GAN | |
Owfi et al. | A Meta-learning based Generalizable Indoor Localization Model using Channel State Information | |
Du et al. | SVM-assisted adaptive kernel power density clustering algorithm for millimeter wave channels | |
CN111130866A (zh) | 基于频谱监测数据的通信网络拓扑发现方法 | |
Wang et al. | A Framework for CSI-Based Indoor Localization with ID Convolutional Neural Networks | |
Rathod et al. | Data-driven and GIS-based coverage estimation in a heterogeneous propagation environment | |
Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
Zha et al. | An novel non-parametric algorithm for spectrum map construction | |
He et al. | Frequency hopping signal sorting based on spectrum monitoring data by adaptive dbscan | |
Zhou et al. | Indoor Positioning With Multibeam CSI From a Single 5G Base Station | |
CN109831264B (zh) | 基于最近邻居回归的时序水声信道质量预测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |