CN116578874B - 一种基于网络协议的卫星信号属性判证方法及装置 - Google Patents

一种基于网络协议的卫星信号属性判证方法及装置 Download PDF

Info

Publication number
CN116578874B
CN116578874B CN202310834250.4A CN202310834250A CN116578874B CN 116578874 B CN116578874 B CN 116578874B CN 202310834250 A CN202310834250 A CN 202310834250A CN 116578874 B CN116578874 B CN 116578874B
Authority
CN
China
Prior art keywords
network protocol
information
data
satellite
signal
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
Application number
CN202310834250.4A
Other languages
English (en)
Other versions
CN116578874A (zh
Inventor
常兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Cpctech Co ltd
Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province
Original Assignee
Wuhan Cpctech Co ltd
Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Cpctech Co ltd, Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province filed Critical Wuhan Cpctech Co ltd
Priority to CN202310834250.4A priority Critical patent/CN116578874B/zh
Publication of CN116578874A publication Critical patent/CN116578874A/zh
Application granted granted Critical
Publication of CN116578874B publication Critical patent/CN116578874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/18—Protocol analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明涉及卫星通信技术领域，提出了一种基于网络协议的卫星信号属性判证方法及装置。该方法通过对获取的目标卫星通信信息中的网络协议信息进行解析和编码，并基于改进的K‑Means聚类算法对编码后的网络协议信息的编码数据进行聚类，可以更有针对性地自动生成包括多种卫星信号属性类别的标签数据，以指导对预构建的神经网络模型的半监督优化训练，得到最优的神经网络模型并用于判证目标卫星的信号属性，不仅减少了模型训练数据人工标注的工作量和成本，还可以提高神经网络模型信号属性判证的准确度。

Description

一种基于网络协议的卫星信号属性判证方法及装置
技术领域
本发明涉及卫星通信技术领域，尤其是一种基于网络协议的卫星信号属性判证方法及装置。
背景技术
卫星通信、导航和遥感等应用已经成为现代社会的重要组成部分。随着卫星系统的不断发展和普及，卫星信号的分类和识别技术也越来越受到关注。卫星信号的分类和识别是指对卫星信号进行分析和识别，以确定该信号的用途和来源。这项技术可以应用于军事、商业、科学研究等领域。目前对于卫星信号分类的技术包括利用数字信号处理技术、机器学习和深度学习等，其中数字信号处理技术是利用数字信号处理技术对卫星信号进行滤波、分析和特征提取等，以实现信号分类和识别；机器学习和深度学习是利用SVM、决策树或是神经网络等对信号进行分类。
然而，现有技术都是针对卫星信号的原始信号或其时频图数据，卫星通信中的网络协议包含的协议、信令码、MI等重要信息都被忽视掉了，卫星通信中的网络协议又具有极强的业务型特征，这些特征对于不同卫星不同任务都具有差异性，需要对其进行识别才能很好地对卫星信号判证；且现有基于神经网络的卫星信号分类识别技术大部分都是监督学习，即需要人为进行训练数据的标注，花费了大量的成本，且由于忽视了卫星通信中网络协议的重要性导致信号判别不够准确。
发明内容
为解决上述现有技术问题，本发明提供一种基于网络协议的卫星信号属性判证方法，包括：
获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息；
对所述网络协议信息进行解析，并按预设的数据编码格式对解析后的网络协议信息进行编码，得到所述网络协议信息的编码数据；
基于所述网络协议信息的编码数据生成标签数据，并利用所述标签数据和所述信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型；
通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
进一步的，所述基于所述网络协议信息的编码数据生成标签数据的步骤具体包括：
通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据。
进一步的，所述通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据的步骤具体包括：
将所述网络协议信息的编码数据作为样本处理成向量形式的数据集，并计算所述数据集中样本向量间的相异性，得到样本向量的接近度矩阵；
计算所述数据集中每个样本向量的平均内部相异性，并基于所述样本向量的接近度矩阵计算数据集的总体相异性；
基于所述平均内部相异性选择初始聚类中心，并计算所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性；
若所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性大于所述数据集的总体相异性，则将对应的样本向量作为聚类中心加入预设的聚类中心存放队列；
遍历所述数据集的每个样本向量，根据其与所述聚类中心存放队列中的聚类中心的最小二范数将其划分到对应聚类中心所属的簇团类别；
对簇团类别进行矫正，将矫正后的簇团类别作为卫星信号的类别，并将对应类别的样本向量作为标签数据。
进一步的，所述利用所述标签数据和所述信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型的步骤具体包括：
将所述信号载波信息进行傅里叶变换得到信号载波时频图并处理成多维输入向量；
将所述多维输入向量以及所述包括多个卫星信号类别的标签数据分别作为训练数据和标签，对所述构建好的神经网络模型进行优化训练，得到所述最优的神经网络模型。
进一步的，所述网络协议信息包括CDP相邻设备识别协议、SNMP简单网络管理协议、Ladp轻量目录访问协议、Kerberos网络授权协议以及IP协议。
进一步的，所述通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性的步骤具体包括：
通过所述最优的神经网络模型从目标卫星通信信息的信号载波信息中判断出目标卫星的信号类别；
基于目标卫星的通信信息，获取其网络协议信息中的IP协议，并基于IP协议识别IP地址；
基于所述目标卫星的信号类别、所述IP地址以及所述IP地址的归属通信网构建所述目标卫星的知识图谱；
通过所述目标卫星的知识图谱识别出所述目标卫星的信号属性。
进一步的，所述按预设的数据编码格式对解析后的网络协议信息进行编码的步骤具体包括：
按protobuf数据编码格式对解析后的网络协议信息进行二进制序列化编码。
为解决上述现有技术问题，本发明还提供一种基于网络协议的卫星信号属性判证装置，包括：
获取模块，用于获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息；
解析和编码模块，用于对所述网络协议信息进行解析，并按预设的数据编码格式对解析后的网络协议信息进行编码，得到所述网络协议信息的编码数据；
生成和训练模块，用于基于所述网络协议信息的编码数据生成标签数据，并利用所述标签数据和所述信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型；
判证模块，用于通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
为解决上述现有技术问题，本发明还提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行所述的基于网络协议的卫星信号属性判证方法。
为解决上述现有技术问题，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于网络协议的卫星信号属性判证方法。
本发明的有益效果体现在：通过对获取的目标卫星通信信息中的网络协议信息进行解析和编码，并基于改进的K-Means聚类算法对编码后的网络协议信息的编码数据进行聚类，可以更有针对性地自动生成包括多种卫星信号属性类别的标签数据，以指导对预构建的神经网络模型的半监督优化训练，得到最优的神经网络模型并用于判证目标卫星的信号属性，不仅减少了模型训练数据人工标注的工作量和成本，还可以提高神经网络模型信号属性判证的准确度。
附图说明
图1为本发明所提供的一种基于网络协议的卫星信号属性判证方法一实施例的流程图；
图2为本发明实施例中通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据的步骤的具体流程图；
图3为本发明实施例中利用标签数据和信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型的步骤的具体流程图；
图4为本发明实施例中通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性的步骤的具体流程图；
图5为本发明所提供的一种基于网络协议的卫星信号属性判证装置一实施例的结构示意图；
图6为本发明所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
参照图1-图4，本申请实施例提供了一种基于网络协议的卫星信号属性判证方法，该方法通过对获取的目标卫星通信信息中的网络协议信息进行解析和编码，并基于改进的K-Means聚类算法对编码后的网络协议信息的编码数据进行聚类，可以更有针对性地自动生成包括多种卫星信号属性类别的标签数据，以指导对预构建的神经网络模型的半监督优化训练，得到最优的神经网络模型并用于判证目标卫星的信号属性，不仅减少了模型训练数据人工标注的工作量和成本，还可以提高神经网络模型信号属性判证的准确度。
如图1所示，上述基于网络协议的卫星信号属性判证方法包括以下步骤：
S101、获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息。
上述步骤中，可以通过卫星信号接收设备对目标卫星的通信进行截获，获取目标卫星的通信信息，通信信息包括网络协议信息和信号载波信息。其中，上述网络协议信息包括但不限于CDP相邻设备识别协议、SNMP简单网络管理协议、Ladp轻量目录访问协议、Kerberos网络授权协议以及IP协议等。由于现阶段的卫星都为多功能卫星，即单个卫星具有多种传输任务，不同任务的网络协议是不同的，且除了卫星以外，目前地面通信站也是具备多种通信任务，即卫星和地面通信站之间是多对多的形式，因此需要获取目标卫星与多个地面站之间的通信信息，解析其中所使用的网络协议有助于更好地判断目标卫星的信号归属。上述信号载波信息包括目标卫星的模拟载波信号的相关信息，如波形、频率等等。
S102、对所述网络协议信息进行解析，并按预设的数据编码格式对解析后的网络协议信息进行编码，得到所述网络协议信息的编码数据。
上述步骤中，可以根据上述获取的网络协议信息包括的多种协议类型的报文格式进行解析，从对应的协议报文中提出对应字段的数据，然后按protobuf数据编码格式对解析后得到的数据进行二进制序列化编码，得到对应网络协议信息的二进制序列化编码数据，便于后续进行数据的向量化处理。
S103、基于所述网络协议信息的编码数据生成标签数据，并利用所述标签数据和所述信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型。
上述步骤中，基于网络协议信息的编码数据生成标签数据的步骤具体包括：
通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据。
其中，改进的K-Means聚类算法是基于传统的K-Means算法进行改进得到，如K-means++算法、Kernel K-means算法等，上面改进算法各有优点，分别从不同的角度对传统算法进行了改进；而本发明根据卫星信号网络协议的特点提出了一种新的聚类方法，融合了网络协议信息中的多种协议类型的数据并对数据进行聚类，从而可以更有针对性地自动生成多种类别的标签数据以指导后续用于判证目标卫星信号属性的神经网络模型的训练，不仅减少了人工数据标注的工作量和成本，还可以提高神经网络模型信号属性判证的准确度。
进一步的，如图2所示，上述通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据的步骤具体包括：
S201、将所述网络协议信息的编码数据作为样本处理成向量形式的数据集，并计算所述数据集中样本向量间的相异性，得到样本向量的接近度矩阵；
S202、计算所述数据集中每个样本向量的平均内部相异性，并基于所述样本向量的接近度矩阵计算数据集的总体相异性；
S203、基于所述平均内部相异性选择初始聚类中心，并计算所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性；
S204、若所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性大于所述数据集的总体相异性，则将对应的样本向量作为聚类中心加入预设的聚类中心存放队列；
S205、遍历所述数据集的每个样本向量，根据其与所述聚类中心存放队列中的聚类中心的最小二范数将其划分到对应聚类中心所属的簇团类别；
S206、对簇团类别进行矫正，将矫正后的簇团类别作为卫星信号的类别，并将对应类别的样本向量作为标签数据。
上述步骤中，首先对目标卫星信号网络协议信息的二进制序列化编码数据进行向量化处理得到向量形式的样本数据集并预设一个常数K作为需要生成的卫星信号类别的数量（即最终的聚类簇团的种类），其中，/>，即/>为/>维的列向量；然后计算样本数据集中样本向量间的相异性/>，得到样本向量的接近度矩阵/>，其中，/>代表两个样本向量/>间的欧氏距离，公式如下：
；
接着计算样本数据集中每个样本向量的平均内部相异性，并基于样本向量的接近度矩阵/>计算数据集的总体相异性/>；然后基于平均内部相异性/>，选择其中平均内部相异性最大，即/>的样本向量/>作为初始聚类中心（即某一类数据的质心）并放入预设的聚类中心存放队列/>，将选取过后的样本向量的平均内部相异性/>设置为0后重新计算平均内部相异性最大的样本向量和初始聚类中心的相异性，即/>，若平均内部相异性最大的样本向量和初始聚类中心的相异性大于数据集的总体相异性，即 ，则将对应的样本向量/>作为新的聚类中心加入上述预设的聚类中心存放队列中并放入队尾，否则重复上述计算和比较过程直到上述聚类中心存放队列的长度为K，即找到K个不同类别簇团/>的聚类中心为止。
进一步的，遍历上述样本数据集中的每个样本向量，根据其与所述聚类中心存放队列中的聚类中心的最小二范数/>将其划分到对应聚类中心所属的簇团类别，然后对簇团类别进行矫正，将簇团中的中位向量作为矫正后簇团类别的聚类中心，并判断矫正后的聚类中心与聚类中心存放队列中的聚类中心是否相同，若相同则将矫正后的簇团类别作为卫星信号的类别，并将得到的卫星信号的类别及对应类别的样本向量作为训练神经网络模型的标签数据。
本发明基于传统的K-Means聚类算法易受离群点的影响且影响较大，以内部相异性辅助聚类中心的选取、结合卫星信号中具有极强业务特征的网络协议信息对数据进行聚类，从而有针对性地改进K-Means聚类算法，可以更有效地自动生成多种卫星信号属性类别的标签数据以指导后续用于判证目标卫星信号属性的神经网络模型的训练，不仅减少了人工数据标注的工作量和成本，还可以提高神经网络模型信号属性判证的准确度。
更进一步的，如图3所示，上述步骤S103中，利用标签数据和信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型的步骤具体包括：
S301、将所述信号载波信息进行傅里叶变换得到信号载波时频图并处理成多维输入向量；
S302、将所述多维输入向量以及所述包括多个卫星信号类别的标签数据分别作为训练数据和标签，对所述构建好的神经网络模型进行优化训练，得到所述最优的神经网络模型。
上述步骤中，可以先对获取的目标卫星的信号载波进行傅里叶变换，将模拟的信号变换为信号载波时频图并处理成多维输入向量输入构建好的神经网络模型，并以上述得到的包括多个卫星信号类别的标签数据作为标签对模型进行半监督的优化训练，得到最优的神经网络模型，使模型能够快速、准确地从目标卫星的通信信息中直接判断出目标卫星的信号所属的类别，/>属于上述簇团/>中的一个。其中，神经网络模型可以是满足任务需求的神经网络，例如通过CNN卷积神经网络构建的模型。
S104、通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
进一步的，如图4所示，上述步骤S104中，通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性的步骤具体包括：
S401、通过所述最优的神经网络模型从目标卫星通信信息的信号载波信息中判断出目标卫星的信号类别；
S402、基于目标卫星的通信信息，获取其网络协议信息中的IP协议，并基于IP协议识别IP地址；
S403、基于所述目标卫星的信号类别、所述IP地址以及所述IP地址的归属通信网构建所述目标卫星的知识图谱；
S404、通过所述目标卫星的知识图谱识别出所述目标卫星的信号属性。
上述步骤中，通过上述标签数据和信号载波信息对模型进行半监督优化训练得到的最优神经网络模型可以从目标卫星的通信信息中直接判断出目标卫星的信号所属的类别，然后获取目标卫星网络协议信息中的IP协议，基于IP协议识别IP地址，并根据IP地址进行匹配组合以初步估计截获的IP所属的通信网归属/>，且进行人工辅助判证时会根据信号的类别/>、信号载波等对/>进行修正，可以得到更为准确的归属通信网Net，从而解决了无法截获子网掩码从而对卫星信号通信网归属估计不准确的问题，其中/>都表示按照ip地址划分的不同的通信网；进一步的基于上述目标卫星的信号类别/>、IP地址以及修正后的IP地址的归属通信网Net构建目标卫星的知识图谱/>，/>中包含了IP地址、、和/>的对应关系，从而通过目标卫星的知识图谱可以自动识别出目标卫星的信号属性，如军用、民用及国别等等。
需要说明的是，本发明实施例中未具体展开说明的技术内容，可以通过现有的相关技术实现，属于现有技术，在本发明实施例中不再赘述。
实施例2：
相应地，请参阅图5，本申请实施例提供了一种基于网络协议的卫星信号属性判证装置，包括：
获取模块1，用于获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息；
解析和编码模块2，用于对所述网络协议信息进行解析，并按预设的数据编码格式对解析后的网络协议信息进行编码，得到所述网络协议信息的编码数据；
生成和训练模块3，用于基于所述网络协议信息的编码数据生成标签数据，并利用所述标签数据和所述信号载波信息优化训练构建好的神经网络模型，得到最优的神经网络模型；
判证模块4，用于通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
上述装置具体实现过程请参照实施例1中提供的一种基于网络协议的卫星信号属性判证方法，在此不再赘述。
实施例3：
请参阅图6，本申请实施例提供了一种电子设备，该电子设备包括至少一个处理器5、至少一个存储器6和数据总线7；其中：处理器5与存储器6通过数据总线7完成相互间的通信；存储器6存储有可被处理器5执行的程序指令，处理器5调用程序指令以执行所述基于网络协议的卫星信号属性判证方法。
其中，存储器6可以是但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器5可以是一种集成电路芯片，具有信号处理能力。该处理器5可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图6所示的结构仅为示意，电子设备还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
实施例4：
本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器5执行时实现所述基于网络协议的卫星信号属性判证方法。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中，需要理解的是，“-”和“~”表示的是两个数值之同的范围，并且该范围包括端点。例如：“A-B”表示大于或等于A，且小于或等于B的范围。“A~B”表示大于或等于A，且小于或等于B的范围。
在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于网络协议的卫星信号属性判证方法，其特征在于，包括：
获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息；
对所述网络协议信息进行解析，按protobuf数据编码格式对解析后的网络协议信息进行二进制序列化编码，得到所述网络协议信息的编码数据；
基于所述网络协议信息的编码数据生成标签数据，将所述信号载波信息进行傅里叶变换得到信号载波时频图并处理成多维输入向量，并将所述多维输入向量以及所述标签数据分别作为训练数据和标签，对构建好的神经网络模型进行优化训练，得到最优的神经网络模型；
通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
2.根据权利要求1所述的基于网络协议的卫星信号属性判证方法，其特征在于，所述基于所述网络协议信息的编码数据生成标签数据的步骤具体包括：
通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据。
3.根据权利要求2任一项所述的基于网络协议的卫星信号属性判证方法，其特征在于，所述通过改进的K-Means聚类算法对所述网络协议信息的编码数据进行聚类，得到包括多个卫星信号类别的标签数据的步骤具体包括：
将所述网络协议信息的编码数据作为样本处理成向量形式的数据集，并计算所述数据集中样本向量间的相异性，得到样本向量的接近度矩阵；
计算所述数据集中每个样本向量的平均内部相异性，并基于所述样本向量的接近度矩阵计算数据集的总体相异性；
基于所述平均内部相异性选择初始聚类中心，并计算所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性；
若所述平均内部相异性最大的样本向量和所述初始聚类中心的相异性大于所述数据集的总体相异性，则将对应的样本向量作为聚类中心加入预设的聚类中心存放队列；
遍历所述数据集的每个样本向量，根据其与所述聚类中心存放队列中的聚类中心的最小二范数将其划分到对应聚类中心所属的簇团类别；
对簇团类别进行矫正，将矫正后的簇团类别作为卫星信号的类别，并将对应类别的样本向量作为标签数据。
4.根据权利要求3所述的基于网络协议的卫星信号属性判证方法，其特征在于，所述网络协议信息包括CDP相邻设备识别协议、SNMP简单网络管理协议、Ladp轻量目录访问协议、Kerberos网络授权协议以及IP协议。
5.根据权利要求4所述的基于网络协议的卫星信号属性判证方法，其特征在于，所述通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性的步骤具体包括：
通过所述最优的神经网络模型从目标卫星通信信息的信号载波信息中判断出目标卫星的信号类别；
基于目标卫星的通信信息，获取其网络协议信息中的IP协议，并基于IP协议识别IP地址；
基于所述目标卫星的信号类别、所述IP地址以及所述IP地址的归属通信网构建所述目标卫星的知识图谱；
通过所述目标卫星的知识图谱识别出所述目标卫星的信号属性。
6.一种基于网络协议的卫星信号属性判证装置，其特征在于，包括：
获取模块，用于获取目标卫星的通信信息，所述通信信息包括网络协议信息和信号载波信息；
解析和编码模块，用于对所述网络协议信息进行解析，并按预设的数据编码格式对解析后的网络协议信息进行编码，得到所述网络协议信息的编码数据；
生成和训练模块，用于基于所述网络协议信息的编码数据生成标签数据，将所述信号载波信息进行傅里叶变换得到信号载波时频图并处理成多维输入向量，并将所述多维输入向量以及所述标签数据分别作为训练数据和标签，对构建好的神经网络模型进行优化训练，得到最优的神经网络模型；
判证模块，用于通过所述最优的神经网络模型对目标卫星的通信信息进行判证，得到所述目标卫星的信号属性。
7.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN202310834250.4A 2023-07-10 2023-07-10 一种基于网络协议的卫星信号属性判证方法及装置 Active CN116578874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310834250.4A CN116578874B (zh) 2023-07-10 2023-07-10 一种基于网络协议的卫星信号属性判证方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310834250.4A CN116578874B (zh) 2023-07-10 2023-07-10 一种基于网络协议的卫星信号属性判证方法及装置

Publications (2)

Publication Number Publication Date
CN116578874A CN116578874A (zh) 2023-08-11
CN116578874B true CN116578874B (zh) 2023-11-21

Family

ID=87536121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310834250.4A Active CN116578874B (zh) 2023-07-10 2023-07-10 一种基于网络协议的卫星信号属性判证方法及装置

Country Status (1)

Country Link
CN (1) CN116578874B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101102A (zh) * 2016-06-15 2016-11-09 华东师范大学 一种基于pam聚类算法的网络异常流量检测方法
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置
CN110325929A (zh) * 2016-12-07 2019-10-11 阿瑞路资讯安全科技股份有限公司 用于检测有线网络变化的信号波形分析的系统和方法
CN110532145A (zh) * 2019-07-15 2019-12-03 胡友彬 便携式机动卫星气象水文信息保障系统及方法
CN112368603A (zh) * 2018-07-09 2021-02-12 索尼半导体解决方案公司 接收设备和用于控制接收设备的方法
CN112507937A (zh) * 2020-12-17 2021-03-16 华南理工大学 融合多源数据的卫星影像无监督分类方法和装置
CN114510357A (zh) * 2021-12-31 2022-05-17 北京空间飞行器总体设计部 一种卫星发射场试验鉴定业务消息交互方法及系统
CN115664906A (zh) * 2022-10-18 2023-01-31 中国人民解放军军事科学院系统工程研究院 一种tdma信号协议无监督聚类方法及装置
CN116047558A (zh) * 2022-12-30 2023-05-02 北京百度网讯科技有限公司 定位方法及装置
CN116405100A (zh) * 2023-05-29 2023-07-07 武汉能钠智能装备技术股份有限公司 一种基于先验知识的失真信号还原方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11914674B2 (en) * 2011-09-24 2024-02-27 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US10721134B2 (en) * 2017-08-30 2020-07-21 Citrix Systems, Inc. Inferring radio type from clustering algorithms
US11924163B2 (en) * 2020-04-08 2024-03-05 Intel Corporation Initiation of domain name system (DNS) resolution in 5G systems
US12101169B2 (en) * 2021-11-30 2024-09-24 Hughes Network Systems, Llc Carrier acquisition in satellite communications
US20220232423A1 (en) * 2022-03-25 2022-07-21 Intel Corporation Edge computing over disaggregated radio access network functions

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101102A (zh) * 2016-06-15 2016-11-09 华东师范大学 一种基于pam聚类算法的网络异常流量检测方法
CN110325929A (zh) * 2016-12-07 2019-10-11 阿瑞路资讯安全科技股份有限公司 用于检测有线网络变化的信号波形分析的系统和方法
CN112368603A (zh) * 2018-07-09 2021-02-12 索尼半导体解决方案公司 接收设备和用于控制接收设备的方法
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置
CN110532145A (zh) * 2019-07-15 2019-12-03 胡友彬 便携式机动卫星气象水文信息保障系统及方法
CN112507937A (zh) * 2020-12-17 2021-03-16 华南理工大学 融合多源数据的卫星影像无监督分类方法和装置
CN114510357A (zh) * 2021-12-31 2022-05-17 北京空间飞行器总体设计部 一种卫星发射场试验鉴定业务消息交互方法及系统
CN115664906A (zh) * 2022-10-18 2023-01-31 中国人民解放军军事科学院系统工程研究院 一种tdma信号协议无监督聚类方法及装置
CN116047558A (zh) * 2022-12-30 2023-05-02 北京百度网讯科技有限公司 定位方法及装置
CN116405100A (zh) * 2023-05-29 2023-07-07 武汉能钠智能装备技术股份有限公司 一种基于先验知识的失真信号还原方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Manami Barthakur ; Kandarpa Kumar Sarma.Semantic Segmentation using K-means Clustering and Deep Learning in Satellite Image.《2019 2nd International Conference on Innovations in Electronics, Signal Processing and Communication (IESC)》.2019,192-196. *
基于改进的K-均值聚类算法的入侵检测系统;卢永祥;;龙岩学院学报(02);39-44 *
闫晓峰 ; 吴治霖 ; 熊刚.一种改进的卫星通信信号识别方法研究.《通信技术》.2020,2898-2903. *
面向卫星重叠通信的波形设计和信号分离研究;桑之昂;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);I136-1368 *

Also Published As

Publication number Publication date
CN116578874A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111027048B (zh) 一种操作系统识别方法、装置、电子设备及存储介质
CN108229419B (zh) 用于聚类图像的方法和装置
CN108830329B (zh) 图片处理方法和装置
EP3476121B1 (en) Matching audio fingerprints
CN109726391B (zh) 对文本进行情感分类的方法、装置及终端
CN111177358B (zh) 意图识别方法、服务器及存储介质
CN113342799B (zh) 一种数据修正方法及系统
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN112765324A (zh) 一种概念漂移检测方法及装置
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
CN110532449B (zh) 一种业务文档的处理方法、装置、设备和存储介质
CN111311593A (zh) 一种基于图像梯度信息的多椭圆检测和评估算法、装置、终端及可读存储介质
CN111027316A (zh) 文本处理方法、装置、电子设备及计算机可读存储介质
CN112288045B (zh) 一种印章真伪判别方法
CN116578874B (zh) 一种基于网络协议的卫星信号属性判证方法及装置
CN117540334A (zh) 基于大数据和边缘计算的数据整合方法
CN116866241A (zh) 基于dpi的物联网终端检测方法、系统及存储介质
CN116070149A (zh) 基于人工智能的数据分析方法、系统及云平台
CN115512181A (zh) 一种区域生成网络训练方法、装置及可读存储介质
US20140355889A1 (en) Tree-Model-Based Stereo Matching
CN114429628A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN115378856B (zh) 通讯检测方法、设备及存储介质
CN115658990B (zh) 一种用于目标空间分群的数据处理方法及装置
CN115620031B (zh) 一种自然资源确权登记信息处理方法、系统及设备

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