基于深度学习的网络通信错误数据修复仿真

周双权，张云飞

(1. 西南石油大学计算机科学学院，四川 成都 610500；2. 河海大学计算机与信息学院，江苏 南京 211100)

1 引言

随着网络通信领域的飞速发展，网络通信已经成为人们生活中必不可少的一部分[1]。在网络通信使用次数增加的同时，网络中必然会出现大量的错误数据。在此背景下，将错误数据修复成正常数据这一环节就变得尤为重要[2]。

段旭良[3]等人提出基于时效规则的数据修复方法。该方法首先明确了属性的时效规则相关概念并对其进行形式化定义，然后提出了数据时序修复算法，再对错误数据进行计算，以此完成网络通信错误数据的修复。然而该方法存在修复精度低、修复效率差的问题。曹洁[4]等人提出一种基于改进FCM的错误缺失数据修复方法。该方法首先根据模糊决策理论，利用FCM目标函数与划分熵共同确定错误数据的最优模糊度指数，再运用模拟退火算法优化FCM的聚类数目，最后结合网络通信的时空相关性对修复的效果进行提升。该方法由于未能利用非监督方式对深度神经网络进行逐层预训练，帮助深度神经网络有效挖掘错误数据的特征，导致修复后的数据完整度低、修复时间长。苗旭[5]等人提出一种基于改进错误数据的数据综合修复方法。该方法首先基于检测器数据的时空相关性为错误数据修复模型中的动态数据变量进行解释，再综合分析网络通信错误数据的周期性趋势以及实时变化特性，最后利用分析结果完成网络通信错误数据的修复。该方法由于在对错误数据进行修复时未对网络通信中的错误数据进行重构，缩减错误数据的随机信息影响，提高数据特征，导致修复执行率差、修复时间长的问题。

为解决上述传统方法中存在的问题，本研究提出了基于深度学习的网络通信错误数据修复方法。

2 特征提取

深度学习本质上是模拟大脑的学习过程，在构建深度模型的基础上，结合网络通信中的错误数据来学习数据中的隐藏特征，从而描述错误数据的内部信息[6]。本研究利用深度学习理论中层叠降噪自动编码器神经网络对网络通信错误数据的特征精度进行提高。

2.1 提高错误数据特征

层叠的降噪自动编码神经网络可以分为多个自动编码器，而自动编码器的结构则如图1所示。

图1 自动编码器组成结构

由图1可知，自动编码器能够利用二维的编码矢量对输出目标进行重构，将其恢复回原来的输入的错误数据。由于这一过程是在输出层进行的，由此可知编码矢量是输入数据的一种特征表现形式[7]。

编码网络将包含数据特征的噪声添加到样本数据中，并对样本数据进行编码。这时，解码网络会依据干扰数据对原始数据进行预测，以此让DAE从含有噪声的样本中学习到具有鲁棒性的数据特征，降低数据带来的随机扰动的敏感性。DAE原理类似于感官系统，即使网络通信中的数据信息不全，依然能够对错误数据的特征进行提取。因此，降噪自动编码器利用添加噪声来对编码进行重构可以有效缩减错误数据的随机信息影响。

2.2 特征提取

利用深度学习理论对网络通信中的错误数据进行特征提取。首先以非监督的方式逐层对深度神经网络进行预训练[8]，帮助深度神经网络有效挖掘错误数据的特征，再采用监督学习方式调整深度神经网络，优化深度神经网络的错误数据特征表达。以此完成对网络通信错误数据的特征提取。

首先利用错误数据样本训练第一层，获取第一层的偏置参数及连接权值。依据降噪自动编码器可知DAE模型能够对错误数据的本身结构进行学习，以此获取错误数据中更具表现的特征，到此完成第一层的学习。然后将第一层的输出作为第二层的输入数据，对第二层的错误数据进行训练，以此获取二层的偏置参数及连接权值。依据上述过程以此类推，再对数据进行逐层学习后获取最终的错误数据重构特征。

假设网络通信错误数据的训练样本集{xn|n=0，1，2，…，N}，n为输入的错误数据训练样本序号，N为输入的错误数据训练样本总数。然后利用编码网络中的编码函数将错误数据的训练样本转化为编码矢量，编码函数为fθ，训练样本为xn，编码矢量为hn，过程如式(1)所示

hn=fθ(xn)=sf(ωxn+b)

(1)

(2)

式(2)中，g′θ为解码函数，sg为激活函数，解码网络的参数集合为θ′，θ′=(ω′，d)，b为编码网络的偏置参数，ω′为连接权值。

(3)

根据上述过程可知，对错误数据样本进行训练，误差会自上而下进行传播，所以要利用深度学习网络对其进行微调，避免数据在训练时产生误差。利用深度神经网络最终提取的特征值如下式所示

(4)

式(4)中，θE+1为输出层参数，即第M层的编码矢量。

3 修复错误数据

在本小节中，将利用灰色GM模型对网络通信中的错误数据进行修复。

3.1 相关性分析

基于上述的错误数据特征，对网络通信中的错误数据进行相关性分析，确认修复错误数据序列的相关系数。

1)分析错误数据的随机变量

由于网络通信错误数据之间存在着关系，一般主要为函数关系以及相关关系，当错误数据中的一个变量为定值时，另一个数据变量就会与其确认的定值相对应，这种关系就称为函数关系[9]。当错误数据中的一个数据变量增大，另一个变量也会随着增大或减少，两者间存在相关关系[10]。

假设错误数据二维的随机变量为(P，Q)，它们之间的相关系数r则如下式所示

(5)

式(5)中

(6)

将获取的相关系数作为判断标准对数据变量之间相关性进行分析。错误数据的判定标准如表1所示。

表1 相关性判断标准

2)Kendall相关系数

Kendall为无参数的假设检验方法，主要利用获取的错误数据相关系数检测两个错误数据的相关关系。Kendall相关系数的表达如下所示

(7)

式(7)中，V为PQ中不一致性的元素对数，U为PQ中一致性的元素对数。

如果错误数据中两个变量之间存在较强的相关性，那么一致性的元素对数较大，不一致的元素对数较小；若错误数据中两个变量之间存在负相关性，则一致性的元素对数较小，不一致元素对数较大；若错误数据之间的变量相关性较弱，那么一致性的元素对数与不一致的元素对数数量相当。

将获取的Kendall相关系数进行假设检验，过程如下：

步骤1：提出零假设；

步骤2：计算通讯网络错误数据中变量之间的相关系数并设定检验统计量；

步骤3：对设定的检验统计量观测值概率进行计算；

步骤4：设定错误数据的显著性水平并对其进行决策。

3.3 灰色GM模型

基于上述对错误数据的相关性分析结果，利用灰色GM模型对网络通信错误数据进行修复。

依据上述提取的错误数据特征建立一个特征数据序列y1=(y1(1)，y1(2)，…，y1(n))，将其作为错误数据修复的原始数列，则yn=(yn(1)，yn(2)，…，yn(n))可作为错误数据相关因素的原始数据序列。在此基础上，对相关因素原始数列yn中的各项进行累加，生成新的序列Yn，计算过程如下式所示

(8)

式(8)中，Yn为原始数列yn的1-AGO数列，k为错误数据中的各个数据特征。

转换为灰色GM模型则如下所示

(9)

然后将灰色GM模型进行白化处理，获取模型的微分方程，过程如下所示

(10)

将灰色GM模型进行移项处理并将其改写为矩阵P=G·B，过程如下式所示

(11)

(12)

最后，将上述的近似时间响应式累减还原，获取错误数据原始特征数列的预测公式，完成通讯网络错误数据的修复，过程如下式所示：

y1(k+1)=1(k+1)-1(k)

(13)

4 实验验证与结果分析

为了验证上述设计的基于深度学习的网络通信错误数据修复方法的整体有效性，设计如下仿真。

4.1 实验环境

实验程序为VisualStudioC++、平台为Eclipse、操作系统为Windows10。

为避免实验结果的单一性，将本文方法记为方法1，将文献[3]中的基于时效规则的数据修复方法和文献[4]中的基于改进FCM的错误缺失数据修复方法分别记为方法2和方法3，对3种方法的应用性能展开对比检验。

4.2 实验结果与分析

1)在相同的实验环境下对方法1、方法2以及方法3的错误数据修复精度进行测试，测试结果如图2所示。

图2 错误数据的修复精度测试结果

分析图2可知，方法1的错误数据修复精度高于方法2和方法3。这主要是因为方法1在修复网络通信错误数据时利用深度学习的方法提取了错误数据的特征，并基于该数据特征的相关性分析，构建了灰色GM错误数据修复模型，最后将错误数据放入模型中进行求解，以此完成网络通信错误数据的修复。运用该方法对错误数据进行修复，可以缩短修复时间、提高修复精度。

2)对方法1、方法2以及方法3的错误数据修复后数据修复完整度进行测试，测试结果如图3所示。

图3 三种方法的错误数据修复完整性测试结果

分析图3可知，方法1的修复完整度要远高于方法2和方法3，虽然方法2在测试初期的修复完整度基本与方法1持平，但随着测试次数的增加，方法2的修复后的数据完整度呈急速上升的不稳定趋势。产生上述结果的原因在于方法1利用深度学习的降噪自动编码器对网络通信中的错误数据进行重构，缩减错误数据的随机信息影响，提高数据特征。这样就可以增加修复后数据的完整度、有效缩减数据的修复时间。

3)对方法1、方法2以及方法3的修复执行效率进行检测，测试结果如图4所示。

图4 错误数据修复执行效率测试结果

分析图4可知，方法1在对网络通信错误数据进行修复时的修复执行效率要优于方法2以及方法3，并且能够将执行效率维持在70%左右。虽然方法3的执行率在测试初期一度高于方法1，但随着检测次数的增加呈下降趋势。产生上述结果的原因在于方法1利用深度学习中的非监督方式对深度神经网络进行逐层预训练，帮助深度神经网络有效挖掘错误数据的特征，再利用监督学习方式对深度神经网络进行调整，优化了深度神经网络的错误数据特征表达。以此完成对网络通信错误数据的特征提取。因此，运用该方法对网络通信错误数据进行修复可以提高修复的执行率，增加检测效率。

5 结束语

近几年因通信技术的深入发展，网络通信中存在的错误数据会对使用者产生干扰，增加使用难度。对网络通信中的错误数据进行修复就变得尤为重要。针对传统修复方法在修复时出现的修复精度低、修复误差大及修复执行率差的问题，本研究设计了基于深度学习的网络通信错误数据修复方法。该方法首先利用深度学习技术对网络通信中的错误数据进行特征提取，再依据提取的数据特征对网络通信中的错误数据进行相关性分析，并根据分析结果构建灰色GM的错误数据修复模型，将错误数据放入模型中进行求解，以此完成网络通信错误数据的修复。由于构建的灰色GM数据修复模型的稳定性偏低，因此，今后会着重对这一缺陷展开优化。