基于支持向量机的MAC协议识别方法与流程

本发明属于无人机无线网络通信技术领域，特别是一种在信号强度达不到数据包解调要求、信噪比等信道特征动态变化的强电磁干扰环境下正确识别mac协议的基于支持向量机的mac识别方法。

背景技术：

与载人飞行器相比，无人机的特质使得它更适合执行一些对人身有较大威胁的任务，因此近年来无人机获得人们越来越多的关注，相关技术有了很大的发展。而相对于使用一架大型的无人机执行任务，小型无人机群模式有以下的优势：1、小型无人机的制造及维护费用更低；2、无人机群的任务达成率更高；3、无人机群系统有更高的可拓展性。

然而，无人机节点相比于无线自组织网络和车载自组织网络中的节点具有更强的移动性、更快的速度，所以无人机节点会更加频繁地进出网络。mac协议在网络中主要负责为网络中各节点分配信道资源。由于不同mac协议在不同网络环境中表现出的性能大相径庭，比如，csma协议适用于低竞争网络而在高竞争网络中性能很差，而tdma协议则刚好相反，因此，为保证网络持续具有高性能，在完成不同的任务时无人机网络会使用不同的mac协议，甚至在同一个任务的不同阶段使用的mac协议也会有所不同。所以，无人机节点如何在入网时识别出网络中使用的mac协议至关重要。

目前大部分mac协议识别都是通过解调数据包的方式实现，即通过提取收到的数据包的协议字段来完成mac协议的识别。然而，在某些强电磁干扰的复杂环境中，如战场环境，无人机节点有时无法解调收到的数据包，自然也不能通过提取数据包的协议字段识别mac协议。例如，在战场环境中，一架无人机从指挥基地出发携带着命令消息飞往一个无人机编队，到达预定位置时该无人机准备发送命令消息和入网请求，但此时由于强烈的电磁干扰，导致所接收到的信号的信噪比无法满足解调门限，该无人机无法解析接收到的无人机编队发出的数据包，从而无法通过解析数据包的方式识别mac协议，而此时识别出mac协议并及时发出命令消息十分关键。再比如，无人机编队飞向敌军上空执行干扰任务。我们知道，没有先验信息的忙干扰效率十分有限，有针对性地进行mac协议的干扰更为有效，所以通过某种方法在不知道敌军通信密钥，无法解调数据包的情况下如何识别出mac协议进行mac协议的识别很有必要。正因如此，无人机节点在强电磁干扰环境中或没有先验信息的情况下如何进行mac协议的识别，是当前研究中亟待解决的问题。

更进一步地，由于在强电磁干扰的环境中，信噪比等信道特征处在不断变化之中，如果不能根据当前的信道特征自适应地调整mac识别方式，那么就不能保证mac协议的准确识别。

因此，现有技术存在的问题是：在强电磁干扰环境中，信号强度达不到数据包解调要求或信噪比等信道特征动态变化时，无法正确识别出mac协议。

技术实现要素：

本发明的目的在于提供一种基于支持向量机的mac协议识别方法,在信号强度达不到数据包解调要求、信噪比等信道特征动态变化的强电磁干扰环境下正确识别mac协议。

实现本发明目的的技术解决方案为：

一种基于支持向量机的mac协议识别方法,包括如下步骤：

(10)采集物理层信号：调整采样频率，采集一次空间中的物理层信号，包括接收信号强度，构成时间-信号强度序列；

(20)自适应特征提取：根据时间-信号强度序列，自适应提取信道特征；

(30)支持向量机训练：将信道特征传入支持向量机，利用信道特征对支持向量机进行训练；

(40)mac协议识别：利用训练过的支持向量机进行mac协议识别。

本发明与现有技术相比，其显著优点为：

在信号强度达不到数据包解调要求、信噪比等信道特征动态变化的强电磁干扰环境下，能正确识别mac协议。

本发明通过对无线网络物理层的信号采样、特征提取并结合svm，在不解调数据包的情况下进行mac协议的识别。并针对信道特征动态变化的问题提出了自适应特征提取算法予以解决。该算法能够根据当前信道的信噪比、数据包分布等动态变化的情况，自我调整所提特征和提取特征时所用参数，以保证mac协议识别准确。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明

图1为本发明基于支持向量机的mac识别方法的主流程图。

图2为图1中自适应特征提取步骤的流程图。

图3为图1中mac协议识别步骤的流程图。

具体实施方式

如图1所示，本发明基于支持向量机的mac协议识别方法,包括如下步骤：

(10)采集物理层信号：调整采样频率，采集一次空间中的物理层信号，包括接收信号强度，构成时间-信号强度序列；

例如，每隔2秒采集的接收信号强度。tdma与csma的物理信号分布明显不同。通常，tdma的信号分布清晰的呈现出周期性的特征，而csma则呈现出随机性。利用这一不同可以有效地对不同的mac协议进行区分。

(20)自适应特征提取：根据时间-信号强度序列，自适应提取信道特征；

如图2所示，所述(20)自适应特征提取步骤包括：

(21)阈值调整：根据物理层接收信号强度，较高的为有效信号，较低的为噪声，计算有效信号与噪声的差值，根据差值动态调整区分有效信号与噪声的离散化阈值，例如有效信号强度为-80dbm，噪声为-100dbm，则阈值为-90dbm；若有效信号强度变为-100dbm，噪声变为-108dbm，则阈值调整为-103dbm；

不依赖解调的mac协议识别方法大多根据信道忙闲的统计数据进行判别，所以能否正确区分所采样信号是噪音还是数据直接决定识别结果。而信噪比作为物理层信号的一个重要参数，其直接与信号的接收强度有关，也就是说，信噪比的变化会直接影响所采样信号是噪音还是数据的区分度。例如，有一串采样信号的接收信号强度分布在-100dbm和-130dbm附近，虽然都无法满足-80dbm的解调条件，但可以用-115dbm作为划分阈值将-100dbm的信号归类为数据，-130dbm的信号归类为噪声。但是，强电磁干扰环境中随时可能改变信噪比，使得所有采样信号的接收强度都低于-120dbm。在这种情况下，继续使用-115dbm作为划分阈值显然无法正确划分数据、噪声，从而无法正确识别出mac协议，因此，根据当前信道自适应地调整数据/噪音的阈值十分重要。

(22)采样信号数组建立：根据离散化阈值，建立采样信号数组，该一维数组的值由1和0组成，1表示该下标时刻信道繁忙，0表示该下标时刻信道空闲；

(23)信道忙闲持续数组建立：根据采样信号数组，分别建立两个一维数组，信道忙持续时间数组和信道闲持续时间数组，信道忙持续时间数组中的值为采样信号数组中连续出现的1的数目，代表信道繁忙持续时间；信道闲持续时间数组中的值为采样信号数组中连续出现的0的数目，代表信道空闲持续时间；

(24)信道参数计算：根据忙信道数组和闲信道数组，分别计算信道忙碌和信道空闲的最小值、最大值和中位数；

(25)流量负载计算：根据忙信道数组和闲信道数组，计算当前网络的流量负载；

(26)根据流量负载，利用忙信道数组，计算长短帧比例和分布；

不依赖解调的mac识别根据物理层信号判断mac协议，而流量负载的大小直接影响物理层信号的分布，所以流量负载同样是影响不解调mac协议识别的关键因素。

在网络中流量满负载时，tdma协议与csma协议很容易区分，而当网络中负载流量仅有10％时，tdma协议和csma协议就相对不易区分。而在更极端的情况中，比如网络中的流量是周期性注入的，那么csma会与tdma非常相似，在这种情况下仅仅依靠信道忙/闲状态特征则不易区分两协议，我们需要增加新的特征才行。考虑到csma协议的最大特点是其使用“rts-cts握手”机制和“ack确认”机制。为了节省信道资源这两种机制都采用非常短的帧实现，同时为了尽可能的充分利用信道资源数据帧一般都会尽可能的长，所以引入描述信道中长帧与短帧占比和分布的特征，通过该特征可以区分csma/ca协议和tdma协议。

(27)周期计算：当长短帧比例不大于比例阀值时，利用采样信号数组计算周期；

虽然可以通过长短帧占比和分布的特征区分csma协议和tdma协议，但当信噪比过低时rts、cts、ack等短帧极可能会混入噪声从而使该特征失效，因此需要寻求其他特征。可以尝试从另一个角度来考虑该问题，之前提取的长短帧特征是通过识别出csma协议来区分二者，这里可以考虑通过识别出tdma协议来区分两协议。tdma协议与csma协议的不同就在于它为每个节点分配固定的时隙使得信道忙闲状态呈现周期性，利用这一特点，考察信道忙闲状态是否具有周期性，来识别出tdma协议从而区分两协议。

(28)八元特征组获取：根据信道忙碌和信道空闲的最小值、最大值、中位数、长短帧比例、长短帧分布、是否具有周期性，得到由这八个特征组成的八元特征组，以表征信道特征。

(30)支持向量机训练：将信道特征传入支持向量机，利用信道特征对支持向量机进行训练；

(40)mac协议识别：利用训练过的支持向量机进行mac协议识别。

如图3所示，所述(40)mac协议识别步骤具体为：

(41)采集物理层信号：对待判别网络进行如步骤(10)的物理层信号采集；

(42)自适应特征提取：按步骤(20)对采集到的待判定网络的物理层信号进行自适应特征提取；

(43)mac协议识别：将提取的信道特征送入训练过的支持向量机，支持向量机识别出mac协议。

本发明通过对无线网络物理层的信号采样、特征提取并结合svm，在不解调数据包的情况下进行mac协议的识别。并针对信道特征动态变化的问题提出了自适应特征提取算法予以解决。该算法能够根据当前信道的信噪比、数据包分布等动态变化的情况，自我调整所提特征和提取特征时所用参数，以保证mac协议识别准确。