CN113328881B - 一种面向非合作无线网络的拓扑感知方法及装置、系统 - Google Patents
一种面向非合作无线网络的拓扑感知方法及装置、系统 Download PDFInfo
- Publication number
- CN113328881B CN113328881B CN202110576245.9A CN202110576245A CN113328881B CN 113328881 B CN113328881 B CN 113328881B CN 202110576245 A CN202110576245 A CN 202110576245A CN 113328881 B CN113328881 B CN 113328881B
- Authority
- CN
- China
- Prior art keywords
- data
- topology
- node
- hypothesis
- test
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 230000001364 causal effect Effects 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000000528 statistical test Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 108010057186 Insulin Glargine Proteins 0.000 claims 1
- COCFEDIXXNGUNL-RFKWWTKHSA-N Insulin glargine Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@H]1CSSC[C@H]2C(=O)N[C@H](C(=O)N[C@@H](CO)C(=O)N[C@H](C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3C=CC(O)=CC=3)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3NC=NC=3)NC(=O)[C@H](CO)NC(=O)CNC1=O)C(=O)NCC(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)NCC(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(=O)NCC(O)=O)=O)CSSC[C@@H](C(N2)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@@H](NC(=O)CN)[C@@H](C)CC)[C@@H](C)CC)[C@@H](C)O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@@H](NC(=O)[C@@H](N)CC=1C=CC=CC=1)C(C)C)C1=CN=CN1 COCFEDIXXNGUNL-RFKWWTKHSA-N 0.000 claims 1
- 229960002869 insulin glargine Drugs 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向非合作无线网络的拓扑感知方法及装置、系统,方法包括:通过信号检测机理获取目标网络一段时间内发送数据的节点序列号和发送时刻,组成数据矩阵;将数据矩阵两两进行格兰杰因果假设检验,利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合;依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,实现拓扑感知。通过本发明的基于条件格兰杰因果的拓扑感知算法,可以在不解码数据包的情况下,依据信号发送数据矩阵推断联通关系,准确地推理出网络拓扑信息,能够利用感知信息进行拓扑推理。
Description
技术领域
本发明属于通信技术领域,具体涉及一种面向非合作无线网络的拓扑感知方法及装置、系统。
背景技术
拓扑感知是指通过对目标网络的频谱数据、通信时序等信息的感知,推理该网络的拓扑结构,从而指导后续的战场决策。网络拓扑信息是极为重要的网络高层语义推理,在战场上准确识别敌方的网络拓扑,可以了解敌方网络的总体情况,有利于战略性决策的实施;同时可以在网络拓扑的基础上进一步识别网络的关键节点和关键链路,从而可以对其进行精准干扰,或者辅助战场资源管理决策。
然而,面向非合作方的无线网络拓扑感知又存在着很大的挑战。推理非合作方的网络拓扑和推理己方网络拓扑不同且难度更大。这是因为非合作方导致感知方可获取的信息有限且不可靠,无法控制目标网络数据流也意味着基于网络协议的相关方法无法工作。因此,找到一种有效的面向非合作无线网络的拓扑感知方法迫在眉睫。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种面向非合作无线网络的拓扑感知方法及装置、系统。
为实现上述技术目的,本发明采取的技术方案为:
一种面向非合作无线网络的拓扑感知方法,根据信号的发送时间和发送节点序列号,对节点进行相关性检测,分析目标网络的通联关系,从而得到拓扑结构,具体包括:
步骤1:通过信号检测机理获取目标网络一段时间内发送数据的节点序列号和发送时刻,组成数据矩阵P;
步骤2:将数据矩阵两两进行格兰杰因果假设检验,利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合;
步骤3:依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,实现拓扑感知。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1具体为:
传感器通过采样将接收到的信号能量值和信号检测阈值比较,确定是否存在信号:
若存在信号,则将信号依据时隙,以信号下降沿作为标准进行离散化,如下式,
其中xi,l表示第i个节点第l个时隙的数据值,Ts表示时隙时间长度,ti表示第i个节点信号达到时间;
从而得到预处理好的数据矩阵P
上述的步骤2所述将数据矩阵中的数据按行两两进行格兰杰因果假设检验,包括零假设和备择假设设置、以及计算统计检验量,具体步骤为:
步骤2.1.1:将数据建模为格兰杰因果假设:
对于变量X和Y,零假设H0:
假设在没有变量Y的先验信息的前提下,X的信息可以被很好地预测,即Y不能格兰杰引起X;
备择假设H1:
假设,Y的先验信息对于X的信息的预测有所帮助,即Y格兰杰引起X,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai和bi是线性回归的参数,量化了过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤2.1.2:计算统计检验量G:
上述的步骤2所述利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合,具体如下:
步骤2.2.1:选取合适的时间窗数nw,将数据用时间窗分为nw份,然后计算格兰杰因果检验统计量G;
步骤2.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的潜在邻居集合。
上述的步骤3所述依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,具体步骤如下:
步骤3.1.1:在节点X的邻居集合K中,分别检验每一个节点对X的信息预测是否有特殊作用;
零假设S0:在已知K集合中除Y以外的所有节点信息,对节点X信息的预测有作用,即Y对X并无特殊作用;
备择假设S1:相比零假设,Y的先验信息对X信息的预测有作用,即Y对X有特殊作用,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai,bi和ei是线性回归的参数,从而量化过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤3.1.2:计算统计检验量Gc:
上述的步骤3所述利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,具体步骤如下:
步骤3.2.1:选取合适的时间窗数,如nw=2,将数据用时间窗分为两份,然后计算条件格兰杰因果检验统计量Gc。如对于变量X和Y,将其分为X1,X2,Y1,Y2,然后分别计算X2对Y1、Y2对X1的检验统计量Gc;
步骤3.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的最终邻居集合。
一种面向非合作无线网络的拓扑感知装置,其特征在于,包括:
数据预处理模块:用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;
潜在邻居识别模块:利用数据预处理模块提供的数据,进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;
最终邻居识别模块:利用潜在邻居识别模块的处理结果,进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选。
上述的数据预处理模块包括:
初始化单元:用于初始化装置,清空上一时间段的数据;
感知单元:用于感知信号,获得信号发送时刻和节点序列号;
处理单元:用于以信号下降沿为标准,对信号进行离散化;
存储单元:用于将处理后的数据进行存储;
输出单元:用于将处理好的数据输出到潜在邻居识别模块和最终邻居识别模块。
上述的潜在邻居识别模块和最终邻居识别模块,均包括:
统计量计算单元:用于计算格兰杰因果假设检验的检验统计量;
零分布计算单元:用于计算格兰杰因果零分布的均值;
潜在邻居识别模块还包括:潜在邻居筛选单元:用于筛选潜在邻居集合;
最终邻居识别模块还包括:最终邻居筛选单元:用于筛选最终邻居集合。
一种面向非合作无线网络的拓扑感知系统,其特征在于,包括:
存储器,用于存储指令和数据;
处理器,与所述存储器耦合,所述处理器被配置为调用并执行存储在存储器中的指令与数据,具体为:
处理器,用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;用于进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;用于进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选,并将其存储至存储器。
本发明具有以下有益效果:
通过本发明的基于条件格兰杰因果的拓扑感知算法,可以在不解码数据包的情况下,依据信号发送数据矩阵推断联通关系,准确地推理出网络拓扑信息;使得在网络对抗、军事侦查、网络管理等多项任务中,能够利用感知信息进行拓扑推理,从而为后续资源分配和决策制定提供依据。
附图说明
图1是本发明实施场景示意图;
图2是本发明一种面向非合作无线网络的拓扑感知方法的流程示意图;
图3是本发明基于条件格兰杰因果的拓扑感知算法的流程图;
图4是本发明一种面向非合作无线网络的拓扑感知装置的结构示意图;
图5是本发明面向非合作无线网络的拓扑感知系统的结构示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1,本发明实施场景涉及目标网络和感知网络,其中目标网络由若干节点构成,有一定的拓扑但未知,感知网络由感知设备和分析设备构成,感知设备对目标网络进行感知并进行数据预处理,然后传输给分析设备进行拓扑推理。
参见图2,本发明的一种面向非合作无线网络的拓扑感知方法,根据信号的发送时间和发送节点序列号,对节点进行相关性检测,分析目标网络的通联关系,从而得到拓扑结构,具体包括:
步骤1:通过信号检测机理获取目标网络一段时间内发送数据的节点序列号和发送时刻,组成数据矩阵P;
步骤2:将数据矩阵两两进行格兰杰因果假设检验,利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合;
步骤3:依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,实现拓扑感知。
参见图3,所述步骤1具体为:
节点序列号和发送时刻体现在数据矩阵P中,这个数据矩阵是一个0、1矩阵。比如数据矩阵P中如果x1,2=1,那么就代表节点序列号为1的节点在时刻2发送了一个数据包。
传感器通过采样将接收到的信号能量值和信号检测阈值比较,确定是否存在信号:
若存在信号,则将信号依据时隙,以信号下降沿作为标准进行离散化,如下式,
其中xi,l表示第i个节点第l个时隙的数据值,Ts表示时隙时间长度,ti表示第i个节点信号达到时间;
从而得到预处理好的数据矩阵P
步骤2所述将数据矩阵中的数据按行两两进行格兰杰因果假设检验,包括零假设和备择假设设置、以及计算统计检验量,具体步骤为:
数据矩阵P是步骤2.1.1-2.1.2中的所有变量的总和,P的每一行对应一个变量。
步骤2.1.1:将数据建模为格兰杰因果假设:
对于变量X和Y,零假设H0:
假设在没有变量Y的先验信息的前提下,X的信息可以被很好地预测,即Y不能格兰杰引起X;
备择假设H1:
假设,Y的先验信息对于X的信息的预测有所帮助,即Y格兰杰引起X,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai和bi是线性回归的参数,量化了过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤2.1.2:计算统计检验量G:
步骤2所述利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合,具体如下:
步骤2.2.1:选取合适的时间窗数nw,如nw=2,将数据用时间窗分为nw份,然后计算格兰杰因果检验统计量G;
如对于变量X和Y,将其分为X1,X2,Y1,Y2,然后分别计算X2对Y1、Y2对X1的检验统计量G;
步骤2.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的潜在邻居集合。
步骤3所述依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,具体步骤如下:
数据矩阵的每一行数据对应一个变量,每个变量对应一个潜在邻居集合。在3.1.1的公式中,X就是从数据矩阵中取出的一个变量,L、Y就是从潜在邻居集合K中取出的变量,然后对他们进行条件格兰杰假设检验。
步骤3.1.1:在节点X的邻居集合K中,分别检验每一个节点对X的信息预测是否有特殊作用;
零假设S0:在已知K集合中除Y以外的所有节点信息,对节点X信息的预测有作用,即Y对X并无特殊作用;
备择假设S1:相比零假设,Y的先验信息对X信息的预测有作用,即Y对X有特殊作用,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai,bi和ei是线性回归的参数,从而量化过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤3.1.2:计算统计检验量Gc:
步骤3所述利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,具体步骤如下:
步骤3.2.1:选取合适的时间窗数,如nw=2,将数据用时间窗分为两份,然后计算条件格兰杰因果检验统计量Gc。如对于变量X和Y,将其分为X1,X2,Y1,Y2,然后分别计算X2对Y1、Y2对X1的检验统计量Gc;
步骤3.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的最终邻居集合。参见图4,本发明一种面向非合作无线网络的拓扑感知装置,包括:
数据预处理模块:用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;
潜在邻居识别模块:利用数据预处理模块提供的数据,进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;
最终邻居识别模块:利用潜在邻居识别模块的处理结果,进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选。
所述数据预处理模块包括:
初始化单元:用于初始化装置,清空上一时间段的数据;
感知单元:用于感知信号,获得信号发送时刻和节点序列号;
处理单元:用于以信号下降沿为标准,对信号进行离散化;
存储单元:用于将处理后的数据进行存储;
输出单元:用于将处理好的数据输出到潜在邻居识别模块和最终邻居识别模块。
所述潜在邻居识别模块和最终邻居识别模块,均包括:
统计量计算单元:用于计算格兰杰因果假设检验的检验统计量;
零分布计算单元:用于计算格兰杰因果零分布的均值;
潜在邻居识别模块还包括:潜在邻居筛选单元:用于筛选潜在邻居集合;
最终邻居识别模块还包括:最终邻居筛选单元:用于筛选最终邻居集合。
参见图5,本发明一种面向非合作无线网络的拓扑感知系统,包括:
存储器,用于存储指令和数据;
处理器,与所述存储器耦合,所述处理器被配置为调用并执行存储在存储器中的指令与数据,具体为:
处理器,用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;用于进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;用于进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选,并将其存储至存储器。
本实施例的面向非合作网络的拓扑感知装置、系统可以执行图3所示方法的实施例的技术方案,其实现原理类似,在此不再赘述。
本发明中,通过所提的基于条件格兰杰因果的拓扑感知算法,对具有实施例背景和特点的非合作无线网络拓扑感知问题进行求解,从而得到目标未知网络的连通关系,推理其拓扑结构,为后续任务奠定基础。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种面向非合作无线网络的拓扑感知方法,其特征在于,根据信号的发送时间和发送节点序列号,对节点进行相关性检测,分析目标网络的通联关系,从而得到拓扑结构,具体包括:
步骤1:通过信号检测机理获取目标网络一段时间内发送数据的节点序列号和发送时刻,组成数据矩阵;
步骤2:将数据矩阵两两进行格兰杰因果假设检验,利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合;
步骤2所述将数据矩阵中的数据按行两两进行格兰杰因果假设检验,包括零假设和备择假设设置、以及计算统计检验量,具体步骤为:
步骤2.1.1:将数据建模为格兰杰因果假设:
对于变量X和Y,零假设H0:
假设在没有变量Y的先验信息的前提下,X的信息可以被很好地预测,即Y不能格兰杰引起X;
备择假设H1:
假设,Y的先验信息对于X的信息的预测有所帮助,即Y格兰杰引起X,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai和bi是线性回归的参数,量化了过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤2.1.2:计算统计检验量G:
步骤2所述利用时间窗的方法求出格兰杰因果零分布的均值,作为阈值筛选得到节点的潜在邻居集合,具体如下:
步骤2.2.1:选取合适的时间窗数nw,将数据用时间窗分为nw份,然后计算格兰杰因果检验统计量G;
步骤2.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的潜在邻居集合;
步骤3:依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,实现拓扑感知。
3.根据权利要求1所述的一种面向非合作无线网络的拓扑感知方法,其特征在于,步骤3所述依据数据矩阵和潜在邻居集合分组进行条件格兰杰因果假设检验,具体步骤如下:
步骤3.1.1:在节点X的邻居集合K中,分别检验每一个节点对X的信息预测是否有特殊作用;
零假设S0:在已知K集合中除Y以外的所有节点信息,对节点X信息的预测有作用,即Y对X并无特殊作用,所述Y为从潜在邻居集合K中取出的变量;
备择假设S1:相比零假设,Y的先验信息对X信息的预测有作用,即Y对X有特殊作用,用式子表示如下:
其中X[n]是X在第n个时隙的值,ai,bi和ei是线性回归的参数,从而量化过去的值对现在的值的影响程度,k是模型的阶数,ε[n]和η[n]分别是H0和H1的误差;
步骤3.1.2:计算统计检验量Gc:
4.根据权利要求3所述的一种面向非合作无线网络的拓扑感知方法,其特征在于,步骤3所述利用时间窗的方法求出条件格兰杰因果零分布的均值,作为阈值筛选得到节点的最终邻居集合,具体步骤如下:
步骤3.2.1:选取合适的时间窗数,如nw=2,将数据用时间窗分为两份,然后计算条件格兰杰因果检验统计量Gc;如对于变量X和Y,将其分为X1,X2,Y1,Y2,然后分别计算X2对Y1、Y2对X1的检验统计量Gc;
步骤3.2.2:计算所有节点的检验统计量之后求出均值,对检验统计量进行筛选,大于该阈值认为两个变量相关,否则认为无关;然后将相关的变量放置在一起作为节点的最终邻居集合。
5.一种实现权利要求1所述面向非合作无线网络的拓扑感知方法的面向非合作无线网络的拓扑感知装置,其特征在于,包括:
数据预处理模块:用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;
潜在邻居识别模块:利用数据预处理模块提供的数据,进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;
最终邻居识别模块:利用潜在邻居识别模块的处理结果,进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选。
6.根据权利要求5所述的一种面向非合作无线网络的拓扑感知装置,其特征在于,所述数据预处理模块包括:
初始化单元:用于初始化装置,清空上一时间段的数据;
感知单元:用于感知信号,获得信号发送时刻和节点序列号;
处理单元:用于以信号下降沿为标准,对信号进行离散化;
存储单元:用于将处理后的数据进行存储;
输出单元:用于将处理好的数据输出到潜在邻居识别模块和最终邻居识别模块。
7.根据权利要求5所述的一种面向非合作无线网络的拓扑感知装置,其特征在于,所述潜在邻居识别模块和最终邻居识别模块,均包括:
统计量计算单元:用于计算格兰杰因果假设检验的检验统计量;
零分布计算单元:用于计算格兰杰因果零分布的均值;
潜在邻居识别模块还包括:潜在邻居筛选单元:用于筛选潜在邻居集合;
最终邻居识别模块还包括:最终邻居筛选单元:用于筛选最终邻居集合。
8.一种实现权利要求1所述面向非合作无线网络的拓扑感知方法的面向非合作无线网络的拓扑感知系统,其特征在于,包括:
存储器,用于存储指令和数据;
处理器,与所述存储器耦合,所述处理器被配置为调用并执行存储在存储器中的指令与数据,具体为:
处理器,用于对感知到的数据进行预处理,从而获得数据矩阵P,作为拓扑推理的初始数据;用于进行格兰杰因果假设检验,计算检验统计量,并将零分布的均值作为阈值进行潜在邻居筛选;用于进行条件格兰杰因果假设检验,计算统计量,并将零分布的均值作为阈值进行最终邻居筛选,并将其存储至存储器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576245.9A CN113328881B (zh) | 2021-05-26 | 2021-05-26 | 一种面向非合作无线网络的拓扑感知方法及装置、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576245.9A CN113328881B (zh) | 2021-05-26 | 2021-05-26 | 一种面向非合作无线网络的拓扑感知方法及装置、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113328881A CN113328881A (zh) | 2021-08-31 |
CN113328881B true CN113328881B (zh) | 2022-05-03 |
Family
ID=77416833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110576245.9A Active CN113328881B (zh) | 2021-05-26 | 2021-05-26 | 一种面向非合作无线网络的拓扑感知方法及装置、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113328881B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647198B (zh) * | 2022-03-09 | 2023-02-03 | 深圳市经纬纵横科技有限公司 | 基于物联网的智能家居控制方法、系统和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
CN109407654A (zh) * | 2018-12-20 | 2019-03-01 | 浙江大学 | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108684051B (zh) * | 2018-05-11 | 2021-11-19 | 广东南方通信建设有限公司 | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 |
WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
CN110855478A (zh) * | 2019-10-30 | 2020-02-28 | 南京航空航天大学 | 一种面向不可靠信息的单传感器拓扑感知方法及装置 |
-
2021
- 2021-05-26 CN CN202110576245.9A patent/CN113328881B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
CN109407654A (zh) * | 2018-12-20 | 2019-03-01 | 浙江大学 | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 |
Non-Patent Citations (1)
Title |
---|
Paul Tilghman ; David Rosenbluth.Inferring Wireless Communications Links and Network Topology from Externals Using Granger Causality.<< MILCOM 2013 - 2013 IEEE Military Communications Conference >>.2014, * |
Also Published As
Publication number | Publication date |
---|---|
CN113328881A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An integrated intrusion detection system for cluster-based wireless sensor networks | |
CN112165485A (zh) | 一种大规模网络安全态势智能预测方法 | |
CN108601026B (zh) | 基于随机抽样一致性的感知数据错误化攻击检测方法 | |
Yan et al. | A hybrid intrusion detection system of cluster-based wireless sensor networks | |
CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN110855478A (zh) | 一种面向不可靠信息的单传感器拓扑感知方法及装置 | |
WO2021043126A1 (en) | System and method for event recognition | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN114143037A (zh) | 一种基于进程行为分析的恶意加密信道检测方法 | |
CN113328881B (zh) | 一种面向非合作无线网络的拓扑感知方法及装置、系统 | |
Martins et al. | A support vector machine based technique for online detection of outliers in transient time series | |
CN117220920A (zh) | 基于人工智能的防火墙策略管理方法 | |
CN117527441A (zh) | 一种互联网行为异常检测方法、装置、设备及存储介质 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN115473748B (zh) | 基于BiLSTM-ELM的DDoS攻击分类检测方法、装置及设备 | |
CN117035424A (zh) | 一种基于反绎学习的矿井安全态势协作感知系统及方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN115987643A (zh) | 一种基于lstm和sdn的工控网络入侵检测方法 | |
CN115329834A (zh) | 电缆状态确定方法、装置及系统 | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
CN113079168A (zh) | 一种网络异常检测方法、装置及存储介质 | |
Chow et al. | FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments | |
Balakin et al. | Detection of computer attacks using outliner method |
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 |