无线通信网络节点间通联关系的识别方法、系统及设备

本发明属于无线通信网络中认知无线电，尤其涉及一种无线通信网络节点间通联关系的识别方法、系统及设备。

背景技术：

1、目前，频谱信号在信息传输过程中发挥着重要的作用，其对海量的辐射源频谱监测数据进行分析研究具有重大的意义。对频谱监测数据的挖掘分析主要集中在频谱态势展示、信号特征提取以及信号分类等方面。而对这些研究做进一步处理分析，例如通联关系的挖掘、在频谱监测数据中对信号传输过程中的潜在威胁信息进行识别更具有意义。对海量的频谱监测数据中的掩藏情报信息以及通信目标之间的通信行为仅从研究在现代战争环境下具有重要的意义。不同军事目标之间大都存在一定的通信关系以及信息交互，合理利用数据挖掘技术对频谱监测数据进行关联性分析以从中获取重要的军事情报。例如可以利用频谱监测数据获取敌方军事活动情况。现代战场环境中，各种频谱信号暗含着各个通信设备之间的通信关系，即便在加密条件下，不对监测信号内容进行分析，仅仅凭借信号的物理特征以及其统计特征便可以识别出其通联关系，获取敌方通信设备的部署位置，活动情况以及其相互关系。因此，对通信辐射源通联关系的研究具有非常重要的意义。

2、目前针对通信个体行为的研究主要通过监测手段对截获信号内容进行破解，依据破解内容对通信个体的行为以及通信意图进行分析研究。目前已有多种针对信号内容对通信个体行为以及通信意图进行分析的方法，例如j.x.等提出一种基于认知干扰的监测手段，根据监测器在全双工模式下对接收端进行干扰，改变可疑通信，从而可以提升从监测信息中获取通信信息的能力(jie x,duan l,rui z.proactive eavesdropping viacognitive jamming in fading channels[j].ieee transactions on wirelesscommunications,2016,16(5):2790-2806.)。h.y.提出了一种窃听手段，这是基于半双工通信的，通过改变可疑链路对并行信道分布的信任，使其在较小的无阻塞信道子集上进行传输，并降低其传输效率，使其可以更清楚地被监测(han y,duan l,zhang r.jamming-assisted eavesdropping over parallel fading channels:,10.1109/tifs.2019.2901821[p].2019.)。y.等同时也提出了一种窃听手段，这是一种基于欺骗干扰实现的，利用全双工方式同时进行窃听与欺骗中继，从而改变传输速率以提升监测性能(yong,zeng,rui,etal.wireless information surveillance via proactiveeavesdropping with spoofing relay[j].ieee journal of selected topics insignal processing,2016,10(8):1449-1461.)。

3、在基于先验知识对通联关系进行识别的研究中，通常通过已知频谱信号通信所采用的通信协议以及通信规则，对频谱数据依据时域、频域以及空域依据特征进行统计分析，从而确定分类规则以实现通联关系的识别(路林.即时通信协议的特征与通联关系分析[d].郑州:解放军信息工程大学,2012.)。l.c.提出了一种基于超短波电台间采取的通信规则进行通联关系的挖掘方法，根据监测到的超短波电台频谱数据特征来进行通信规则分析，从而实现通联关系的识别(liu c,wu x,yao c,et al.discovery and research ofcommunication relation based on communication rules of ultrashort wave radiostation[c],ieee 4th international conference on big data analytics(icbda),piscateway,nj:ieee,2019.)。但是在电磁对抗环境下，获取这些先验知识是十分困难的，并且由于目前通信设备大都会对信号进行加密处理，有些先验知识甚至根本无法获取。

4、此外，频谱监测数据中除了包含频谱信号的通信信息外，信号本身的物理特性以及这些特性的统计规律也可以反映通信设备之间的通信关系以及反应通信行为的信息。这些特性是难以进行加密的，且获取十分容易，因此可以通过这些物理特性以及这些特性的统计规律进行通信个体之间通联关系的发现以及挖掘整个通信网络的拓扑结构等信息。pan等利用多个监测节点对频谱信号进行监测，通过不同节点监测到的监测数据结合信号衰落模型通信辐射源进行定位，从而实现不同辐射源之间通联关系的识别(pan t,wu x,yao c,et al.communication behavior structure mining based on electromagneticspectrum analysis[c],ieee 8th joint international information technology andartificial intelligence conference(itaic).piscateway,nj:ieee,2019.)。但是由于信号衰落模型在不同环境下是不同的，因此通过此种方法对辐射源进行定位存在很大的误差，这导致通联关系识别存在较大误差。

5、聚类算法可以从未知数据集中发现具有相似特征的簇从而识别数据的类别，一些方法甚至可以无需人工干预通过聚类算法自主的确定簇的数量(tong w,liu s,gao x z.adensity-peak-based clustering algorithm of automatically determining thenumber of clusters[j].neurocomputing,2020(8).)。因此聚类方法十分适合先验知识不足的通联关系挖掘。l.c.等提出了基于密度聚类的通联关系挖掘算法，通过结合信号特征在空间分布特征，从频谱监测数据中实现通联关系的挖掘(liu c,wu x,zhu l,et al.thecommunication relationship discovery based on the spectrum monitoring data byimproved dbscan[j].ieee access,2019,7:121793-121804.)。但是此种方法在针对密度分布不均匀的频谱监测数据集识别效果较差，并且由于小规模数据集不足以充分反映通信网络的隐藏通信关系，需要针对大规模数据集进行分析，但是此种方法在针对大规模频谱监测数据集进行处理的时间效率不高。

6、通过上述分析，现有技术存在的问题及缺陷为：

7、(1)现有技术中通联关系识别方法在针对密度分布不均匀的通信辐射源监测数据具有较差的识别性能。

8、(2)现有技术中通联关系识别方法在针对大规模数据集算法时间效率较低。

9、解决以上问题及缺陷的难度为：频谱监测数据集本身为密度分布非均匀的数据，从中挖掘隐含通联关系本身具有较大的难度；以及挖掘通联关系对时间效率要求较高。因此，适用于密度分布非均匀且数据规模较大的频谱监测数据集是识别通联关系的技术难点。

技术实现思路

1、针对上述现有技术存在的问题，本发明的目的在于提供一种无线通信网络节点间通联关系的识别方法、系统及设备，将birch聚类算法与改进过的dbscan聚类算法融合，结合了birch聚类算法与dbscan聚类算法的优势，利用有限的内存以及较少的i/o操作对大规模数据集进行聚类分析，准确识别数据集中的类以及噪声点，并且可以自适应的确定dbscan算法的核心参数，避免了用户参数设置对聚类结果的影响，具有较高的准确度及较高的时间效率。

2、为了实现上述目的，本发明采用的技术手段如下：

3、一种无线通信网络节点间通联关系的识别方法，具体包括以下步骤：

4、步骤一，通过birch聚类方法对频谱监测数据集进行压缩处理；

5、步骤二，通过改进的dbscan方法对经过步骤一压缩处理的数据集进行密度聚类，得到聚类集；

6、步骤三，通过对步骤二聚类集进行匹配，从中发现无线通信网络节点间通联关系。

7、所述步骤一中，对频谱监测数据集进行压缩处理具体过程为：

8、1.1生成待处理的原数据集y：采用跳频周期ti、无线通信信号平均功率pi以及无线通信信号出现时间来标识所监测到的无线通信信号并将其作为频谱监测数据集x，对其进行归一化处理得到：

9、

10、其中，y表示原数据集，yi表示原数据集中的第i个数据点，max(tbegin)表示所有数据点中信号出现时间的最大值，max(p)表示所有数据点中信号平均功率的最大值，max(t)表示所有数据点中跳频周期的最大值；然后对原数据集进行遍历，并使用birch方法来生成一棵聚类特征树(cf-tree)，在向量空间中，给定一个类，该类存在n个数据点该类的质心半径r，直径d的定义分别如以下公式所示：

11、

12、

13、

14、式中，r是类中数据点与质心距离的平均值；d是类中任意两个数据点间距离的平均值；通过式(3)、式(4)能够得知一个类内数据间的紧密程度，在brich算法中，通过式(3)、式(4)判断类的规模是否在聚类特征树(cf-tree)的阈值半径t所限定的范围内；

15、1.2规定不同类的距离关系表示，方便后续对原数据集y进行处理：对于两个给定的类，若两类质心分别为和两个质心的欧氏距离d0与曼哈顿距离d1定义如以下式(5)与式(6)所示：

16、

17、

18、两类c1与c2，c1中包含n1个数据点c2中包含n2个数据点则两类的类间距离d2定义如以下式(7)所示：

19、

20、d0、d1以及d2均用来表示两类间的距离关系；在聚类特征树(cf-tree)的建立过程中，用d0、d1以及d2这三个距离来计算聚类特征树(cf-tree)节点分裂时生成的类之间的距离，将距离最远的两个节点作为聚类特征树(cf-tree)的两个子类，将其他类分别归于这两个子类以实现类别划分；

21、1.3动态建立聚类特征树(cf-tree)，实现对原数据集y的压缩处理：聚类特征树(cf-tree)的每一个节点最多包含b个子节点，记为(cfi,childi),1≤i≤b，没有包含子节点的节点是叶子节点，每个叶子节点最多有l个条目，cfi表示节点的第i个聚类特征；通过birch算法进行聚类，动态的建立聚类特征树(cf-tree)，实现对原数据集y的压缩处理得到新的压缩数据集newy。

22、所述跳频周期ti的获取方法为：找出两个频率相等且时间接近的无线通信信号xp,xq(q＜p)，其中xp＝{fp,bp,pp,t1,p,t2,p}，xq＝{fq,bq,pq,t1,q,t2,q}，跳频周期t为信号xq的开始时间与无线通信信号xp结束时间之差，即：

23、t＝t2,p-t1,q   (8)

24、所述通过birch算法进行聚类，动态的建立聚类特征树(cf-tree)的具体方法为：

25、1)设定聚类特征树(cf-tree)中的节点条目数b即节点最多包含的子节点个数，叶子节点条目数l以及阈值半径t0；

26、2)新加入一个数据点并视为一个新节点，自上而下扫描聚类特征树(cf-tree)中的节点，并在与新节点距离最接近的叶子节点找到聚类特征cf；

27、3)对于最接近的叶子节点的其中一个聚类特征cfα，若聚类特征cfα的半径rα与相应的邻域小于阈值半径t0，则将新节点插入叶子节点的聚类特征cfα中，否则转到步骤4；

28、4)检查选定的聚类特征树(cf-tree)中每个叶子节点中的聚类特征值，若叶子节点中的聚类特征中的条目数不超过设定的叶子节点条目l，就将新节点视为一个新的条目，并构建一个新的聚类特征，将新条目插入到新构建的聚类特征中，并更新聚类特征树(cf-tree)中的每个节点中的每个聚类特征，否则转到步骤5；

29、5)划分叶子节点ml到两个新的叶子节点中，选择ml中彼此距离最远的两个聚类特征分别作为生成的两个新的叶子节点中的第一个聚类特征，同时，平均分配ml中的其他聚类特征值。

30、所述步骤二中，通过改进的dbscan方法对经过压缩处理的数据集进行密度聚类的具体过程为：

31、2.1对dbscan方法进行改进：选择数据点邻域内最近的minpts个点作为数据点的eps邻域进行延伸，而不是选择数据点邻域半径内所有点作为eps邻域，此时这个eps邻域称为minpts-邻域，表示数据点在其邻域半径eps内距离该数据点最近的minpts个点的集合，可表示为nminpts(p)＝{q∈d|dist(p,q)≤min(eps,dist(p,pm))}；

32、2.2对经过压缩处理的数据集进行密度聚类：

33、2.2a在聚类前为数据集中的每个类确定一个合适的密度参数epsi，并将最小的密度参数值作为全局密度参数eps；将这个全局密度参数eps的值作为设定的邻域半径的值，在邻域半径内至少包含minpts个点，即在邻域内密度必须超过阈值minpts；每个类中的数据点分为核心点以及边界点，在类内的点被称为核心点，在边界处的点成为边界点；

34、2.2b对步骤一得到的压缩数据集newy用minpts-邻域有向图表示为g(v,e)，并用knn方法来进行聚类，然后对数据集newy中的点依次进行遍历，若有数据集newy中的核心点尚未被确定类，则调用图代广度优先搜索方法，以该尚未被确定类的核心点作为初始点查询所有满足条件的强连通分量，强连通分量即在有向图中和初始点互相存在一条有向路径的其他点，若查询到的强连通分量的规模大于minpts，则将其确定为某一类的核心集，若查询到的强连通分量规模小于minpts或为未被标记类的非核心点，则将该尚未被确定类的核心点暂时标记为噪声点，等待进一步确定其类别；对所有点完成遍历后，再对被暂时标记的噪声点进行第二次聚类，区分其为边界点或噪声点，到此得到聚类集wp,p＝1,2,3,...。

35、所述knn方法进行聚类的具体过程为：在聚类前需要为数据集中的每个类确定一个合适的的密度参数，并将最小的密度参数值作为全局密度参数；选择需要聚类的数据集中的一个点，将需要聚类的数据集中其他到这个被选择点最近的k个点作为k-dist值，然后对这些k-dist值进行降序排列；在降序排列之后的k-dist值中设定一个阈值将类与噪声点区分出来，将阈值点的k-dist值作为全局密度参数eps，k为密度阈值minpts。

36、所述强连通分量查询的具体过程为：输入minpts-邻域有向图g(v,e)将其进行转置运算得到gt(v,e)，并确定gt(v,e)中的初始节点vi且定义一个节点集node1；定义一个初始稀疏向量e′＝eit＝[0,...,0,1,0,...,0]n×1，该向量的第i行代表以vi节点为初始点；计算矩阵gt(v,e)与e′的乘积来更新vi，同时定义n维零向量e″；对于e′中元素，从e′的进行判断，若该数部位0且标号为i的节点vi不在node1内，则将e″的第i个数修改为1，并在节点集node1中添加其标号，直到判断完e′的第n个数；此时，若e″中的每个元素都为0，则循环停止，输出node1，否则令e′＝e″，继续更新vi；对逆向图gt(v,e)重复上述操作得到node2，对node1与node2取交集得到有向图的强连通分量。

37、所述步骤三具体过程为：通过步骤二的聚类得到的聚类集wp,p＝1,2,3,...，判断聚类集中各聚类的跳频周期以及信号持续时间是否保持一致，如果持续时间一致，那么聚类集中的各聚类有通联关系，如果持续时间不一致，那么聚类集中的各聚类没有通联关系，从而完成通联关系的识别。

38、一种无线通信网络节点间通联关系识别系统，包括：

39、数据压缩模块，用于根据步骤一通过birch聚类方法对频谱监测数据集进行压缩处理；

40、密度聚类模块，用于步骤二中通过改进的dbscan方法对经过压缩处理的数据集进行密度聚类；

41、通联关系匹配模块，根据步骤三通过对聚类集进行匹配，从中发现无线网络节点间的通联关系。

42、一种无线通信网络节点间通联关系识别的计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行步骤一至三任意一项所述无线通信网络节点间通联关系识别方法。

43、相对于现有技术，本发明所具备的优点及积极效果为：

44、本发明提出了minpts-邻域以及图代广度优先搜索方法，克服了传统聚类方法对密度分布非均匀的频谱监测数据集聚类效果差的问题；本发明通过birch方法对数据集进行压缩处理，克服了传统方法针对大规模数据集时间效率差的问题；本发明可以有效的实现通信辐射源通联关系的识别，且在大规模数据集条件下具有较高的准确度以及时间效率。

45、本发明通过birch的多阶段层次聚类算法，可以仅仅只对数据集进行一遍读取便可生成一棵cf-tree，cf-tree可以反映聚类结果，并且可以通过多次扫描数据集对聚类结果进行优化。能够仅依据已经处理过的数据点来进行决策。

46、本发明将birch聚类算法与改进过的dbscan聚类算法融合生成一种全新的聚类算法，结合了birch聚类算法与dbscan聚类算法的优势，可以利用有限的内存以及较少的i/o操作对大规模数据集进行聚类分析，准确识别数据集中的类以及噪声点，并且可以自适应的确定dbscan算法的核心参数，避免了用户参数设置对聚类结果的影响。

47、综上，本发明实现了基于频谱监测数据的通联关系识别，可以为发现通信网络中隐含的通联关系识别提供新的方法。本发明不仅具有较高的准确度并且具有较高的时间效率。