光纤通信网络入侵干扰信号检测方法

摘要：在对光纤通信网络环境进行检测时，由于受到外界环境干扰因素影响，检测结果的正确性和定位精度均无法满足实际要求，因此针对这一问题，在引入粒子群算法的基础上对其进行相关研究。通过对干扰信号进行检测，并提取其对应特征，基于粒子群算法的入侵干扰信号粒子群优化聚类，对存在的入侵干扰小信号进行定位和分离，提出一种全新的检测方法。通过实验证明了新的检测方法在实际应用中可以实现对入侵干扰信号的高精度和高正确率定位检测，进一步促进光纤通信网络运行质量的提升，使光纤通信网络得到更加广泛的应用。

关键词：粒子群算法；网络入侵；干扰信号

在计算机网络时代，光纤通信网络凭借其极大的存储量和对用户隐私信息的保护优势，在多个领域中得到了广泛应用。但随着光纤通信网络的成熟运用，在实际运行时逐渐出现了影响其安全性能的问题，对网络整体运行性能造成严重的负面影响[1]。例如，网络运行环境安全问题、交易安全问题以及传输安全问题等的存在会在一定程度上影响到社会的正常运转。粒子群算法是近年来快速发展的算法之一，当前这一算法常被应用于计算机、数学等领域，其在实际应用中具备快速搜索能力且抗干扰能力更强。因此，针对当前光纤通信网络领域存在的实际问题，引入粒子群算法，并在此基础上开展相关研究。

1光纤通信网络入侵干扰信号定位

1.1光纤通信网络入侵干扰信号特征检测与提取

为了满足设计要求，在执行此项工作时可参照“时间序列-频率联合特征”的方式构建一个针对异常信号传输的网络模型。假设传输网络中存在n条传输信道，则每条信道中的信号异常表现形式是不同的，输出对应信号的传输时间序列，从而掌握信号在传输中存在的时延。根据原有信号的调制频率，得出多条干扰路径下信号的传递函数。通过传递函数，计算信号在传输中的损耗与损失，通过此种方式得出入侵干扰信号在网络空间中的传输特征，同时以此为依据，对信号在空间中的重构进行描述，进一步达到信号在传输信道中的频谱[2-3]。在此过中程应注意的是，频谱信息需要前端通过设计采样频率、设计信号带宽与窗口函数等方式集中获取。

1.2基于粒子群算法的入侵干扰信号粒子群优化聚类

首先明确粒子群优化键聚类的特征，在光纤传输时域范围内进行异常信号的整理[4]。在确保所有异常信号具有相同的特征点后，进行信号的终端存储。假设异常的入侵信号集合表示为D，则D的取值范围应大于1，对应每个入侵信号的表达方式为D(i)，其中i为入侵信号的属性。综合上述分析，可将D表示为：D={}12,,,iiinDDD（1）式中，Din表示在入侵信号集合中第n个入侵信号的属性。完成上述公式的计算后，将信号集合划分为z个类别，可以认为此时i的取值范围为[1,z]。为了确保聚类后信号集合可以满足集中定位与检测的需求，需要设定一个针对异常信号的定位中心U，其表达式为：U={}12=,,...,zUUU（2）式中，Uz表示第z个类别下入侵干扰信号的检测定位中心。为了进一步实现对聚类中心的标准化处理，需要定位每个异常集群的节点，并辅助使用隶属度矩阵进行入侵干扰信号聚类样本中第m个样本和第z类别中信号隶属度的描述。假设隶属度矩阵表示为W，则W的粒子群中心隶属度关系可以表示为：[0,1]anmW=w∈（3）1,2,,bnW=∀=i（4）1zcnmnW=∑w＞（5）式中，Wa、Wb与Wc表示粒子群中心隶属度的3种关系，w表示入侵干扰样本特征集群[5-7]。根据上述计算公式，对其进行整理后得出针对信号的聚类目标，将其表示为函数，即：()11,zznmnngGWU=∑∑wgλ＞（6）式中，λ为不同聚类中心的权重值。按照上述计算公式，对所有传输信道中的信号进行异常聚类，以此种方式完成对信号的聚类研究[8]。

1.3定位并分离光纤通信网络入侵干扰小信号

在掌握承载信号基带的信号表示方式后，对信号在网络空间中进行振元排序，假设振元的元数表示为M，M具有奇偶性特点，此时可以通过对信号两个方向上极性的分析进行信号的定位，并根据不同方向上极性的矢量进行入侵信号与原始信号的分离处理[9-10]。处理过程中，可假设矩阵元之间的间隔表示为J，通过对J的描述即可得到不同信号之间的相位差值。其中J的表达式为：ABJ=F+γ（7）式中，FA表示在A方向上的信号相位差，γB表示在B方向上的信号相位差。基于不同信号的相位差值建立相应的检测模型，即可实现对信号的精准定位与检测。

2对比实验

2.1实验准备

为了进一步验证设计方法的实用性，开展对比实验。将本文提出的基于粒子群算法的检测方法作为实验组，将以往基于积分器的检测方法作为对照组，将两种检测方法应用到相同的光纤通信网络当中，并实现其对信号的定位和检测。利用已有网络异常入侵检测数据作为实验测试用例，在该实验用例中包含了4种不同类型的入侵模式，分别为拒绝服务请求攻击（入侵A）、非法访问攻击（入侵B）、未经授权的远程访问攻击（入侵C）以及非法扫描与探测攻击（入侵D）。从上述4种入侵类型数据中随机抽取样本构成测试集，利用两种检测方法对测试集进行检测，对其定位检测效果进行验证。

2.2检测结果正确率对比

将检测结果的正确检测率、漏报率及误检率作为评价指标，对检测结果进行量化评价。其中，正确检测率=测试集中正确检测到的入侵干扰信号/测试集中信号总量；漏报率=（测试中入侵干扰信号总量-正确检测到的入侵干扰信号）/测试集中信号总量；误检率=测试集中错误检测到的入侵干扰信号/测试集中信号总量。根据上述内容开展，实验完成后获得的结果如表1所示。由表1可知，本文提出的基于粒子群算法的检测方法在实际应用到光纤通信网络环境中时可以实现对入侵干扰信号更高正确率的检测。

2.3检测结果定位精度对比

为了进一步验证检测出的入侵干扰信号在光纤通信网络当中的具体位置数据是否具备高精度要求，在上述实验设计环境和实验测试用例的基础上再对两种检测方法的定位精度进行对比。为了方便对两种检测方法的定位精度进行评价，根据定位判定标准，将定位平均误差作为定位精度的评价指标，其计算公式为：()havefxb=+（8）式中，ave表示两种检测方法检测结果的凭据定位误差，h表示在光纤通信网络中入侵干扰信号的时间序列数量，f(x)表示实验组或对照组检测方法检测得到的入侵干扰信号归一化定标数据，b表示光纤通信网络在受到入侵干扰信号攻击时产生的震荡幅值。根据上述公式，计算得出两种检测方法检测出的定位结果误差，结果如图1所示。从图1中两条曲线可以看出，实验组和对照组两种检测方法在对4种不同类型的入侵干扰信号进行定位检测时，其定位误差值整体变化幅度类似，均为对入侵D类型攻击的定位误差值最小，对入侵A类型攻击的定位误差值最大。但从整体上来看，明显实验组对各个入侵类型的定位误差值更小。通过上述实验进一步证明，本文提出的检测方法能够在确保对入侵干扰信号检测正确率更高的基础上实现对信号的高精度定位，为光纤通信网络的安全、稳定运行提供了技术条件。同时也证明了引入粒子群算法后，检测方法的应用性更强，解决了以往检测方法存在的弊端问题。

3结语

此次研究从3个方面入手，在完成了对信号的提取、聚类与分类后，实现对方法的设计。在完成设计后，通过对比实验的方式对设计的成果进行了检验，证明了本文方法可以在实际应用中提高对信号定位的准确率并提高定位结果的精度，可以为光纤通信网络在市场内的推广使用提供技术层面的帮助。与此同时，本文研究也存在一些问题，例如实验测试指标仍不够完善、实验环境布设仍不够健全等，在后续研究中将进一步优化与完善。

参考文献

[1]马莉莉,刘江平.基于数据挖掘的光纤通信网络异常数据检测研究[J].应用光学,2020,41(6):1305-1310.

[2]药炜,张凯,原军,等.基于数字信号处理的电力光纤通信网络状态监测[J].机械与电子,2021,39(7):24-27.

[3]李磊,詹鹏,陈璞,等.容迟网络下自由空间光纤通信网络路由策略[J].激光杂志,2021,42(7):127-131.

[4]赵辉,熊文俊.基于GPC算法的远距离多信道光纤通信网络时延控制方法[J].激光杂志,2020,41(2):165-170.

[5]孟小冬,韦丽红,冯锋.高速光纤通信网络最优数据传输路径搜索机制研究[J].激光杂志,2020,41(10):197-200.

[6]黄将.数据中心光纤通信网络传输非平稳数据无损检测技术研究[J].激光杂志,2019,40(4):131-135.

[7]李俐,何元飞.基于蚁群优化算法的光纤通信网络路由机制研究[J].激光杂志,2019,40(7):96-99.

[8]武丽,海洁.光纤通信网络入侵干扰信号定位检测仿真[J].计算机仿真,2020,37(3):435-439.

[9]阮岑,谢继东,赵凡.基于改进粒子群算法的星载多波束天线干扰源定位[J].南京邮电大学学报(自然科学版),2020,40(6):50-55.

[10]高毓泽,原浩娟,秦琨.基于粒子群聚类的干扰信号分选方法[J].无线电工程,2019,49(5):387-392

作者：曹建生 单位：河南工业职业技术学院