本发明涉及无线网络
技术领域：
，尤其涉及一种加密MANET中的用户类型的识别方法。
背景技术：
：MANET(MobileAdHocNetwork)，由一组无线移动节点组成的多跳无中心网络，节点可以自由而动态的组成任意临时性的网络结构，具有很强的抗摧毁性和自组性，应用广泛。针对用户类型的识别主要是通过对网络中的流量进行长时间的监视分析，进而通过一定方法实现对用户类型的识别。目前针对用户类型的识别主要关注于因特网，应用于个性化推荐，包括搜索引擎和电子商务等。推荐的技术主要包括基于关联规则的推荐、基于内容的推荐和基于协同过滤的推荐，主要用于匹配度衡量的指标主要包括向量夹角的余弦值、最大熵、增益比等。总体上是通过数据挖掘和机器学习等方法对大量信息进行处理，将具有相似背景的用户与其喜好的信息或者商品实现关联，进而构建用户模型，在推荐过程中通过待识别用户历史信息形成的用户向量与已构建模型中的用户向量进行匹配度计算，将待测用户类型判定为匹配度最高模型中的用户类型，进而将对应的信息或商品向用户进行推荐，提高了推荐的准确度。上述方法虽然能够对用户类型进行较为有效的识别，但是需要大量的历史数据，识别速度较慢，且无法实现加密MANET中用户类型的识别。技术实现要素：鉴于上述的分析，本发明旨在提供一种加密MANET中用户类型的识别方法，用以解决现有用户类型识别方法需要大量的历史数据，识别速度较慢，且无法应用于加密MANET的问题。本发明的目的主要是通过以下技术方案实现的：提供一种加密MANET中用户类型的识别方法，包括以下步骤：S1.对MANET网络中的子网进行分选；S2.根据子网分选结果利用无线电定位对网络中节点进行区分；S3.在网络节点已区分的基础上对中继转发节点进行识别；S4.基于流量测量进行加密MANET业务类型识别；S5.针对业务类型识别结果对用户类型进行识别。其中，所述步骤S1进一步包括：使用宽带接收机对工作频段内信号进行接收；对接收到的信号进行信号检测和预处理，剔除其中的无用信号；通过信号分析获取信号调频速率、调制方式；通过参数提取，对子网进行区分。所述步骤S2进一步包括：采用复合角度定位方法或时间差定位方法对同一子网中不同的节点进行区分。所述步骤S3进一步包括：根据端到端的流追踪技术实现信息流追踪，实现对信息传输过程中的中继转发节点的识别。所述步骤S4进一步包括：求取网络节点聚集系数均值；使用业务类型的识别规则对加密MANET中传输信息的业务类型进行识别。所述步骤S5进一步包括：S5.1.构造用户序列；S5.2.针对用户序列进行序列转换生成符号序列；S5.3.针对符号序列挖掘单个用户的频繁序列集；S5.4.针对多个用户的频繁序列集，求取不同类型用户的公共频繁序列集；S5.5.求取待测用户频繁序列集对特征序列集的包含率；S5.6根据包含率确定用户的类型。所述步骤S5.1进一步包括：首先提取同一ID的所有数据，按照时间先后顺序进行排列；在去除对象ID和时刻信息后，构造由用户行为类型和业务类型组成的分组序列。所述步骤S5.3进一步包括：使用AprioriAll算法挖掘其中的频度大于阈值的频繁序列，由频繁序列构造频繁序列集合。所述步骤S5.4进一步包括：通过设定频繁度的阈值，求取公共频繁序列集。所述步骤S5.6进一步包括：通信双方x和y频繁序列集对主要用户特征序列集的包含率为IRx和IRy，如果IRx＞IRy则将x判定为主要用户，用户y判定为从属用户，否则将x判定为从属用户，用户y判定为主要用户。本发明有益效果如下：提供了一种加密MANET中用户类型的识别方法，对用户类型识别的准确率高，且无需大量历史数据，提高了识别速度，能有效实现加密MANET中用户类型的识别。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。图1为针对加密MANET用户类型识别的流程图；图2为用于用户类型识别的MANET仿真环境示意图。具体实施方式下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。本发明具体实施例公开了一种加密MANET中用户类型的识别方法，如图1，具体包括以下步骤：S1：对MANET网络中的子网进行分选；具体地，使用宽带接收机对工作频段内信号进行接收；对接收到的信号进行信号检测和预处理，剔除其中的无用信号，如噪声等；通过信号分析获取信号调频速率、调制方式等参数；通过信号分析、针对同步正交网络和异步网络采取不同的方法实现子网划分，具体通过瞬态响应法或者K-means算法进行聚类，实现对子网的区分。其中，对于同步正交网络而言，在全网同步过程中不同子网采用同步频率存在差异，而同一子网内部采用的同步频率却存在很强的关联性，通过瞬态响应法完成(对每个跳频周期瞬态响应的离散小波系数进行去噪)对子网的分选。对于异步网络而言，组网后同一个网络的跳频周期是相同的，所以可以根据跳周期的不同使用K-means算法进行聚类进而完成不同网络的区分。S2：根据子网分选结果利用无线电定位对网络中节点进行区分；具体地，采用复合角度定位方法或时间差定位方法；其中，复合角度定位方法基于无线电测向工作，通过多个无线电监测站点对同一个信号进行测向，利用测向射线(角度)的交会进行定位；时间差定位方法则基于信号达到监测站的时间，通过时间距离换算进行交会定位；进而对同一子网中不同的节点进行区分。S3：在网络节点已区分的基础上对中继转发节点进行识别；具体地，由于MANET中数据帧和响应帧之间具有较为明显的时间接续关系，接收方在收到发给自己的数据后会尽快发出确认或者响应帧，因此可以利用帧接续在时间上形成的关联关系对通信双方实现判定。由于在MANET中信息传输的时延和可经过的最大跳数均有一定的限制，存在特定的阈值；根据端到端的流追踪技术实现信息流追踪，实现对信息传输过程中中继转发节点的识别。S4：基于流量测量进行加密MANET业务类型识别；具体地，包括以下子步骤：S4.1求取网络节点聚集系数均值；首先对节点数据进行处理，生成多跳信号序列，针对生成的多跳信号序列使用LPVG建网，进而求取所有网络节点聚集系数的均值。S4.2：利用识别规则进行业务类型识别；根据求取的节点聚集系数均值使用业务类型的识别规则对加密MANET中传输信息的业务类型进行识别，业务信息的识别规则如表1所示。业务类型判断阈值1判断阈值2业务类型1N/A(0.8011,0.8601)业务类型3>0.8325<0.8011业务类型2N/A>0.8601表1业务识别规则S5：针对业务类型识别结果对用户类型进行识别；具体地，包括以下子步骤：S5.1：构造用户(UBT,Bus_T)序列。基于已识别中继转发节点的前提下，仅考虑通信双方，则用户行为类型中只剩下发送和接收。每一条事务数据包括四个属性：对象ID，用户行为，业务类型，发送或者接收时刻，在数据处理过程中首先提取同一ID的所有数据，按照时间先后顺序进行排列，由于在实际分析过程中仅考虑相关信息时序上的先后问题，不考虑具体时间，所以在相关事务数据排好序后将时间属性去除。针对用户在一定时间内的数据，在去除对象ID和时刻的情况下构造用户行为类型(UBT)和业务类型(Bus_T)组成的分组序列。S5.2：针对用户(UBT,Bus_T)序列进行序列转换生成符号序列。使用特定的字符对分组进行表示完成序列转换，转换规则如下所示：对于回执其他S5.3：针对符号序列挖掘单个用户的频繁序列集。针对符号序列使用AprioriAll算法挖掘其中的频度大于一定阈值的频繁序列，将频繁序列构造频繁序列集合。例如在挖掘过程中如果设定阈值取10次，那么在挖掘过程中如果序列出现频度大于10次即认定该序列为频繁序列，进而将挖掘出的单个用户的频繁序列构造频繁序列集合。S5.4：针对多个用户的频繁序列集求取不同类型用户的公共频繁序列集。设定频繁度的阈值，求取多个用户频繁序列集中的公共频繁序列集，即特征序列集(FeatureSequenceSet,FSS)其中，针对相同类型多个用户的频发序列集进行挖掘，设定阈值(阈值可以取10)，求取在多个用户中均出现且次数大于阈值的序列，进而将挖掘出的频繁序列构造不同类型用户对应的公共频繁序列集。S5.5：求取待测用户频繁序列集对特征序列集的包含率。求取特征序列集中序列在用户频繁序列集中包含率IR，其中numIR为D1中序列与D2中序列相等的数量，num为D1中序列总数。S5.6：针对待测用户对特定类型用户特征序列集的包含率确定用户的类型。在用户类型判断过程中计算通信双方x和y频繁序列集对主要用户特征序列集的包含率IRx和IRy，如果IRx＞IRy则将x判定为主要用户，用户y判定为从属用户，否则将x判定为从属用户，用户y判定为主要用户。本发明所述加密MANET中用户类型的识别方法的技术效果通过使用EXata软件搭建如图2所示的仿真环境进行实验的方法进行验证：步骤1.搭建场景：使用Exata软件搭建分层的MANET。步骤2.搭建实验环境：使用业务软件完成业务信息的交互。场景在运行过程中主要针对节点部署位置添加了随机函数，由于位置的变化使得每次构建的网络都存在一定的差异。步骤3.基本参数配置：仿真环境中仿真区域大小为30×45km2，采用ITM模型(IrregularTerrainModel)对路径损耗进行计算，使用LOGNORMAL模型计算阴影衰落。仿真环境中节点的参数设置如表2所示。参数参数取值PHY-MODELPHY-AbstractDATA-RATE1.2kbpsTxPOWER5WRxSensitivity-80dB表2节点基本参数设置步骤4.生成实验数据：实验进行30次，其中Bus1业务通常由主要用户传向从属用户，从属用户周期性向主要用户传输Bus2业务。步骤5.实验数据分析：对待测用户产生的序列集进行处理，计算其对特征序列集的包含率，进而对用户类型进行判断，在信息业务类型识别准确的前提下，对用户类型识别的准确率达到90％。综上所述，本发明实施例提供了一种加密MANET中用户类型的识别方法，对用户类型识别的准确率高，无需大量历史数据，提高了识别速度。本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。当前第1页1 2 3