基于人工智能技术的移动通信网络数据异常识别系统设计

摘 要 移动通信网络数据的异常识别可以有效保证移动通信网络的安全运行 为提高移动通信网络数据的异常识别准确性 设计了一种基于人工智能技术的移动通信网络数据异常识别系统 首先对采集到的移动通信网络数据进行预处理 然后利用人工智能技术中的深度学习方法对移动通信网络数据进行聚类处理 最后利用神经网络方法实现移动通信网络数据的异常识别 实验发现该系统具有良好的异常识别性能 在保证移动通信网络数据传输速率的基础上 具有较高的异常识别准确率和较短的响应耗时 具有一定的应用价值

关键词 人工智能技术 移动通信 系统设计 网络数据 异常识别

中图法分类号tp399   文献标识码a

１ 引言

现阶段，我国计算机网络技术飞速发展，移动通信网络数据量呈现快速增长的趋势［１］ 。移动通信网络的安全性关系着用户的个人隐私与用网安全［２］ 。一旦移动通信网络受到恶意攻击或异常数据入侵，将对用户的网络安全造成不可估计的恶劣影响［３］ 。因此，识别移动通信网络中的异常数据具有重要意义。文献［４］利用神经网络方法去除通信网络中的冗余数据，将网络异常识别方法应用于船舶的通信网络中。通过构建关联规则，获取船舶通信网络数据中的多模态特征，并结合粒子群算法，共同优化神经网络算法，实现船舶通信网络中的异常数据识别。实验发现该方法可有效识别不同类型的船舶通信网络数据内的异常数据，去除冗余数据。文献［５］提出移动无线传感网络通信异常行为识别方法，将相异度分析方法应用于无线传感网络中。采集无线传感网络数据，利用重叠时间分配机制识别通信异常行为。实验发现该方法可有效提高网络节点质量。为实现移动通信网络数据的异常识别，提高识别准确性和效率，将人工智能算法应用于异常识别中，设计了基于人工智能技术的移动通信网络数据异常识别系统，以期为移动通信网络数据异常识别提供理论借鉴。

２ 移动通信网络数据异常识别架构设计

人工智能算法已经广泛应用于不同研究领域［６～７］ ，选择人工智能算法中的关联规则并结合深度学习方法处理移动通信网络数据，具体的系统架构图如图１ 所示。

２．２ 基于深度学习算法的移动通信網络数据聚类

为保证移动通信网络异常数据识别的准确性，首先利用深度学习算法［９～１０］ 对移动通信网络数据进行聚类处理。深度学习算法聚类的基本过程描述如下。

步骤１ 将移动通信网络通信数据作为样本数据，按照２：１ 的比例划分为训练数据和识别数据。

步骤２ 以步骤１ 获取的训练样本数据为基础，对深度学习算法模型进行训练。

步骤３ 预分类训练后的样本数据，并确定聚类中心。

步骤４ 在预分类结果所确定的聚类中心基础上，通过深度学习聚类算法对检测样本数据实行聚类，以获取精准有效的移动通信网络数据聚类结果。

上述聚类过程如图２ 所示。

２．３ 移动通信网络数据的异常识别

利用神经网络方法进行移动通信网络数据的异常识别，当神经网络输出层的输出结果为ｂ＞０，判断此移动通信网络数据为异常数据；当输出层的输出结果ｂ≤０ 时，此移动通信网络数据点为正常数据。具体的移动通信网络数据异常识别函数为：

３ 实验研究

在Ｍａｔｌａｂ 仿真平台中，将２０ ０００ 条移动通信网络传输数据作为测试样本，其中包括２００ 条异常通信数据。随机将其划分为４ 个数据集，每个数据集包括５ ０００条数据，以文献［４］方法和文献［５］方法为对比方法，通过３ 种方法的对比，验证该系统的性能。评价指标选择通信传输速率（ＭＢ／ ｓ）、异常数据识别准确性（％）、系统响应延时（ｓ）３ 种，以验证该系统的综合性能。

３．１ 通信传输速率指标测试

虽然该系统的主要目的是实现移动通信网络的异常数据识别，但是保证通信传输的实时性是移动通信网络的基础性能标准。因此，以通信传输速率为指标，在反复测试１０ 次不同数据集的传输条件下，测试３ 种方法的通信传输速率性能结果如图３ 所示。

由图３ 可以看出，不同的异常识别方法均具有较高的传输速率，但相比于文献［４］方法和文献［５］方法，该系统的通信传输速率始终保持在３５ ＭＢ／ ｓ～４０ ＭＢ／ｓ，其通过１０ 次测试得到的速率结果较为稳定，且数值始终优于文献中的方法，表明该系统可以保证移动通信网络的正常数据传输，具有较好的数据传输稳定性与速率，满足移动通信网络数据传输的基础要求。

３．２ 异常数据识别准确性指标测试

以异常数据识别准确性为指标，只有准确识别出移动通信网络传输过程中的异常数据，才能确保通信数据的安全性，为后续剔除异常数据与其他处理提供基础条件。测试３ 种方法的识别准确性结果如表１ 所列。

由表１ 可以看出，该系统对移动通信网络的异常数据进行识别，可以达到９５％以上的准确率，其对４个数据集的异常识别准确率均值为９６．８３％。而文献［４］方法和文献［５］ 方法的识别准确率均值分别为９０．８５％和８７．６３％，明显低于该系统。这是由于该系统利用人工智能技术中的深度学习方法对数据进行了聚类处理，可以进一步提高数据异常识别的准确性，使其具有良好的应用性能。

３．３ 系统响应延时指标测试

对４ 个数据集进行测试，分别测试１０ 次，取每次测试的４ 个数据集的平均值，测试异常识别过程中的系统响应延时，得到３ 种方法的延时结果如表２ 所列。

由表２ 可以看出，该系统在异常识别过程中的响应延时明显低于文献中的２ 种方法，其在１０ 次测试下的均值为０．０３９ １。而文献［４］方法和文献［５］方法的延迟均值分别为０．０８８ １ 和０．０８９ ４，明显高于该系统的响应延时。这可能是由于该系统首先对移动通信网络数据进行了预处理，在一定程度上提高了算法的响应速度。

４ 结束语

针对目前移动通信网络数据异常识别准确率较低的问题，设计并提出了一种基于人工智能技术的移动通信网络数据异常识别系统。首先对采集到的移动通信网络数据进行预处理，以提高系统响应速度；其次利用人工智能技术中的深度学习方法对移动通信网络数据进行聚类处理；最后利用神经网络方法实现移动通信网络数据的异常识别。实验发现该系统具有良好的异常识别性能，通信传输速率始终保持在３５ ＭＢ／ ｓ～４０ ＭＢ／ ｓ，异常数据识别准确性可保持在９５％以上，系统响应延时约为０．０３９ １ ｓ，可为移动通信网络数据异常识别与后续处理提供参考。

参考文献：

［１］ 程超．浅探移动通信网络异常信号优化识别［Ｊ］．数码设计（上），２０２１，１０（２）：１６．

［２］ 蒋诚智，徐浩，黄传锋，等．基于Ｍｅｒｋｌｅ 哈希树的异构通信网络数据异常值概率识别算法［Ｊ］．兵器装备工程学报，２０２２，４３（６）：１９０?１９５＋２３１．

［３］ 莫晓瑾，蒋英钰．基于无线通信的工业控制网络异常数据识别方法［Ｊ］．长江信息通信，２０２１，３４（４）：４１?４３．

［４］ 田银磊，刘书伦．基于神经网络的船舶通信网络异常数据识别［Ｊ］．舰船科学技术，２０２２，４４（１７）：１４８?１５１．

［５］ 李紅映，张天荣．移动无线传感网络通信异常行为识别方法研究［Ｊ］．传感技术学报，２０２２，３５（２）：２４０?２４５．

［６］ 苏玉燕．基于人工智能技术的网络安全防御系统设计分析［Ｊ］．信息记录材料，２０２１，２２（９）：１５１?１５２．

［７］ 叶华，赵川，路学刚，等．基于人工智能技术的电力系统设备远程实时监控异常识别研究［Ｊ］．机械设计与制造工程，２０２２，５１（１０）：１２５?１２８．

［８］ 曹纳．基于ＢＰ 神经网络的人工智能审计系统研究［Ｊ］．信息技术，２０２１（８）：１１７?１２１．

［９］ 陈真，王雅志．基于人工智能的运维系统建设研究与应用［Ｊ］．常州工学院学报，２０２１，３４（３）：３５?４０．

［１０］ 张宏庆，贾利．基于人工智能与５Ｇ 通信的医疗检测设备管理系统设计［Ｊ］．电子设计工程，２０２１，２９（１１）：１１３?１２１．

作者简介：

梁文龙（１９９４—），硕士，助教，研究方向：模式识别、图像处理、云计算。