1 电磁态势的定义
随着信息时代的到来和发展,人类活动中对各类信息类、通信类等设备设施的依赖程度越来越高,而这些设施设备所构建的电磁环境,对人类的影响也愈发深远,电磁空间安全逐渐成为影响国家安全的重要因素。如何在复杂的电磁环境下评估电磁态势,也成为了研究的一个重要且有难度的课题。
电磁环境及电磁态势的研究主要集中在军事领域。在国家军用标准(GJB)中,电磁态势的含义是指在特定时空范围内,敌我双方用频装备、设备的配置和电磁活动及其变化所形成的状态和形式[1]。
电磁环境示意图
笔者认为,如果去除军事背景,着眼于日常生活环境,并将电磁活动具体化,电磁态势还可以给出如下定义:特定电磁环境下,各用频装备、设备的电磁活动及其在“时域、频域、空域和能量域”等空间中所形成的状态和形式。
2 电磁态势的应用及研究
电磁态势研究主要有以下两方面的应用:
(1)频谱预测
随着无线技术的发展和用户对无线业务需求的增加,无线技术对频谱的需求日益增长。目前各国的频谱分配方式,基本都是由无线电管理机构根据各种无线电业务的技术特点、带宽需求等因素,按照固定频段分配的方式分配给各个无线电授权业务。这种固定频谱分配的策略有着明显的弊端。根据很多研究者对频谱使用情况的调查[2]-[3][4],多数授权业务的频谱占用率都相当之低,大量闲置;而部分公用的非授权频段用户量却很多,业务量拥挤。
基于上述背景,动态频谱接入的概念应运而生,其关键技术是“认知无线电(CR)”[5]。CR能够根据周围无线环境的变化,进行学习、推理和规划,在不影响授权用户的前提下,自动选择当前时段未被使用的频段进行通信。在这种技术下,频谱利用效率能够大大提高,有效缓解频谱资源紧张问题。
为了实现CR下的动态频谱接入,需要针对目标区域采集一定规模的频谱数据,评估目标区域的电磁态势。然后依据电磁态势发掘授权用户对其授权频谱资源的使用规律,使用某种算法或建立相关模型,以此对授权用户的频谱资源使用情况进行准确预测,进而根据预测的情况制定合理的动态频谱接入策略。
近些年来,数据挖掘、机器学习等技术引起了学术界和整个社会的极大关注。这些技术能够从当下海量的数据中获取潜在信息,帮助人们做出决策或者是对未来的数据趋势做出预测。研究人员将这些技术应用到了评估电磁态势、进行频谱预测的研究当中[6]。
有一种基于马尔科夫链的频谱预测方法,使用马尔科夫模型进行频谱预测。
一阶马尔科夫模型状态转移图
图中的0表示信道未占用,1表示信道被占用。这种方法依据频谱检测结果计算信道占用序列,根据占用序列计算模型中的状态转移概率的参数。该模型的结构简单且所含参数较少,但是由于此模型只能够将前一时刻的信道占用信息作为预测的根据,所以预测效果有限。Li提出了基于高阶马尔科夫链的预测算法,此算法预测效果良好,并且相比回归模型的算法能够显著降低计算复杂度[7]。
除了马尔科夫模型外,还有基于神经网络的频谱预测方法。相关研究表明,这一类模型具有一定的通用性,在不同时间、不同频率甚至不同业务间都取得了较好的效果,预测准确性高[8]-[9]。
(2)频谱异常检测
为了确保各类通信业务的正常运行,无线电管理部门除了将频谱划分给各个通信业务以外,还需要检测目标区域的频谱使用情况,掌握目标区域的电磁态势,了解分配频带的可用性及使用效率,并检查是否有恶意设备及非法占用。
目前,国内外针对频谱异常检测的研究并不多。Yin提出了一种基于马氏距离的频谱异常检测方法[10]。针对一定频段测量一定时间频谱数据,能够得到频率——时间的二维数据,可以使用场强平面图来描绘特定频段、特定时间的频谱占用情况。
时间频率态势图
考虑频谱使用模式一般以天为单位呈现周期性变化,“异常”就应当是和“常规”频谱相差较大的地方。而采用马氏距离能够很好的衡量带测定频谱样本和已知频谱样本之间的相似性,因为它不仅能够考虑数据之间的相关性,而且不依赖于测量尺度的大小。经过实验验证,该方法能够有效地检测出由“临时军事演习”发射信号所造成的异常。
哈尔滨工程大学的研究者提出了一种基于自编码器进行频谱异常方法[11]。自编码器就是神经网络的一种变形,学习目标是尽可能地重构输入数据。一般来说,输出节点个数与输入节点个数相同,中间则有若干的隐藏层。训练模型时,使用“正常”的频谱数据对网络进行训练,使得模型学习到的空间映射对于正常数据样本是有效的。而当测试样本中出现异常数据时,由于模型不能学习异常样本的空间映射,所以自编码器的输出结果将会与原始数据存在较大的偏差。最后设置一个判定门限,即可将测试样本中的异常数据划分开来。该方法可以避免一般神经网络方法中需要标记样本和类别不均衡的问题,较好地解决频谱异常检测问题。
3 小结
随着电磁空间的日益复杂,针对电磁态势的研究也不断深入,电磁态势的感知和评估在军事领域和日常频谱监测和管理等领域都将发挥重要作用。
参考文献:
[1] 王洁. 面向服务的复杂电磁环境电磁态势可视化[D]. 南京理工大学, 2015.
[2] Mchenry M A, Tenhula P A, Dan M C, et al. Chicago spectrum occupancy measurements & analysis and a long-term studies proposal[C]// 2006.
[3] Han Y , Wen Y , Tang W , et al. Spectrum occupancy measurement: Focus on the TV frequency[C]// International Conference on Signal Processing System. 2010.
[4] Wellens M , M?H?Nen P . Lessons Learned from an Extensive Spectrum Occupancy Measurement Campaign and a Stochastic Duty Cycle Model[J]. Mobile Networks and Applications, 2010, 15(3):461-474.
[5] Mitra Iii J . Cognitive radio: making software radios more personal[J]. IEEE Pers. Commun. 1999.
[6] He A , Bae K K , Newman T R , et al. A Survey of Artificial Intelligence for Cognitive Radios[J]. IEEE Transactions on Vehicular Technology, 2010, 59(4):1578-1592.
[7] Li Y , Dong Y , Zhang H , et al. Spectrum Usage Prediction Based on High-order Markov Model for Cognitive Radio Networks[C]// IEEE International Conference on Computer & Information Technology. IEEE, 2010.
[8] Jianli Z , Mingwei W , Jinsha Y . Based on neural network spectrum prediction of cognitive radio[C]// International Conference on Electronics. IEEE, 2011.
[9] Gatla V , Kulkarni A V , Venkatesan M . Feed forward neural network based learning scheme for cognitive radio systems[C]// Third International Conference on Computational Intelligence and Information Technology (CIIT 2013). IET, 2013.
[10] Yin S , Li S , Yin J . [IEEE 2009 5th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM) – Beijing, China (2009.09.24-2009.09.26)] 2009 5th International Conference on Wireless Communications, Networking and Mobile Computing – Temporal-Spectral Data Mining in Anomaly Detection for Spectrum Monitoring[J]. 2009:1-5.
[11]冯清松. 基于深度学习的电磁环境异常检测方法研究[D].哈尔滨工程大学,2018.
作者:王元坤 魏 冬
声明:本文来自中国保密协会科学技术分会,版权归作者所有。文章内容仅代表作者独立观点,不代表士冗科技立场,转载目的在于传递更多信息。如有侵权,请联系 service@expshell.com。