Page 44 - 网络电信2022年5月刊

解 决 方 案

确率，拒识率和误识率。采集大量的光通信状态信号作为测试 图２ 不同方法的光通信状态识别效果比较
目标，光通信状态信号可以划分为多类，正常光通信状态为一
大类，异常的光通信状态为一大类，异常光通信状态信号划
细化为４类，具体为：非法入侵状态，信号中断状态，干扰状
态，非法攻击状态。其中正常状态编号为１，４种异常状态编
号为：２—５。不同光通信状态信号的样本数量如表２所示。

表２ 不同光通信状态信号的样本数量分布

3. 光通信状态识别效果对比
３种方法的光通信状态效果，如图２所示。
对图２的实验结果进行分析，可知。
（１）Ｋ近邻算法的实验结果最差，无法准确区别各种光
通信状态，光通信状态识别结果与实际值偏差大，无法描述光
通信状态之间的区别，局限性十分明显，不能应用于实际的光
通信状态管理中。
（２）ＢＰ神经网络的光通信状态识别效果要优于Ｋ 近邻
方法，提高了识别正确率，光通信状态的识别误差明显减少，
但是光通信状态识别结果与实际应用要求有一定的差距。
（３）在所有方法中，云计算平台的光通信状态识别效果
最佳，较好地克服了当前光通信状态识别方法存在误差大的难
题，可以高精度识别各种光通信状态，光通信状态识别正确率
高。
4. 识别效率对比
为了测试云计算平台和传统单机平台的光通信状态识别效
率，分别计算两种平台的光通信状态识别时间（ms），其中云
计算平台的节点数为10，结果如图３所示。
对光通信状态识别时间进行对比分析可以知道，云平台的
光通信状态识别时间的平均值为5.10ms，单机平台的光通信状
态识别时间的平均值为28.20ｍｓ，云计算平台大幅度缩短了的
光通信状态识别时间，提高了光通信状态识别效率，可以满足
大规模光通信状态信号的建模与识别研究，实际应用价值得到
了有效的提升。

四、总结 果表明，相比较于单机平台，云计算平台可以有效缩短光通信
光通信状态识别是当前研究的热点，传统方法存在光通 状态识别时间，加快光通信状态识别速度，能够高精度识别各
信状态识别误差大，速度慢等难题，为了提升光通信状态识别 种光通信状态，光通信状态识别的拒识率和误识率低于对比方
效果，设计了基于云计算平台的光通信状态识别方法。测试结 法，具有十分广泛的应用前景。

70 网络电信 二零二二年五，六月