Page 27 - 网络电信2023年2月刊
P. 27
构出高维稀疏数据，FFT表示傅里叶变换，在深度信念网络交互 松弛变量， 为拉格朗日乘子， （Ｓ）为样本模糊隶属
图2 策略控制计费情况下网元与OCS系统的交互方式示意
下，基于ｌ１范数最小化的凸优化计算方法，得到稀疏性张量 度，Ｂ为异常数据的最终所属类别，用深度信念网络实现对光
可表示为 通信网络数据的异常张量切片重组，用张量对多关系网络进行
建模，将输入样本映射到高维特征空间，对网络的并源数据进
（７） 行统计特征分析，得到异常数据检测的误差表示为
（１２）
其中，γ为长度为Ｎ的数据，Ｘ为传感器记录的原始数
据，结合批量计算和动态实时查询的方法，构建异常数据诊断 其中，ｙ Ｒ，ｊ （ｎ）为将每类样本分为Ｃ个簇的输出样
分析模型，通过空间重采样的方法实现对光通信网络数据异常 本，Ｒ ２，Ｒ 为二阶统计特征量，ｙ Ｒ，ｊ （ｎ）* 为样本隶属于某
重构和关联规则挖掘 ［９－１０］ ，数据结构分析框图如图２所示。 一簇的可靠性参数，以特征提取结果为输入参考量，在深度信
念网络中，使用进化的 Ｋ 均值聚类算法，确定多维度上的社
图２ 数据结构分析框图
区结构，建立光通信网络数据的三阶张量分布特征量为
（１３）
其中，ｖ ｉ （ｎ）为三阶邻接张量，ｓｊ（ｎ）为实体的
隐性表征分量，ｈ ｉｊ （ｎ）为最大化类内相似度，分别计算所
有聚类的散度之和，对ｉ（ｉ＝１,２）条信息进行异常特征检
测，去除干扰信息，将层叠自动编码器（ＳＡＥ）和分簇协议
相结合 ［１３］ ，得到检测输出模型：
（１4）
其中，G x （ｘ，ｙ）是动态最优权重分配的特征指向性函
数，ｍ、ｎ分别综合计算节点的信任度，综上分析，采用结构
参数测试的方法，进行光通信网络数据的异常张量切片重构，
由此实现对异常数据的过滤和检测识别 ［１４］ 。
2. 数据异常特征识别
构建光通信网络数据传输的张量分解模型，采用深度信念 四、实验测试
通过仿真实验验证本方法在实现光通信网络数据异常识别
网络的方法，精确重构出高维稀疏数据ｚ′或ｚ″，通过稀疏
中的应用性能，从降低能量开销、延长网络生命周期等方面进
结构分解 ［１１－１２］ ，使用高斯随机测量矩阵对多个光通信网络
行指标分析，数据采样中，对通信数据采集的状态ｘ０为服从
的节点进行重组，得到传感器记录的原始数据表达式为
均值为０、标准差为２.６６的标准正态分布数据，光通信网络
P(ｗ|ｘ)＝ P(ｘ|ｗ)／P(ｘ) （８）
节点采样的参数设定见表１所示。
其中，P(ｘ)为数据异常分布的初始概率，P(ｘ|ｗ)为数据
异常分布的条件概率密度，采用单层簇结构将采集到的数据融 表１ 光通信网络节点采样参数设定
合，得到传送信息的可靠参数为
（９）
其中，ａ 0 为周围节点的分布状况，ｘ ｎ－ｉ 为标量时间序
列，ｂ ｊ 为每个节点都有对应的层。
根据节点ｉ的邻居集合，进行簇结构的选择和簇头选择，
观察某个节点过去的行为，得到数据异常检测函数为
（10）
（11）
根据表１的参数设定，进行光通信网络的数据异常检测仿
其中，ｘ ａ，ｂ，ｄ，ｐ 为第ｍ类样本的分类决策向量，Ｖ ｐ 为
真设计，原始采集的光通信数据如图３所示。
网络电信 二零二三年一、二月 53
