异常电子侦察数据智能检测及分类方法与流程

异常电子侦察数据智能检测及分类方法
【技术领域】
1.本发明涉及检测分类方法相关技术领域，具体地说是异常电子侦察数据智能检测及分类方法。


背景技术：

2.针对电子侦察数据在发送时容易遭受到窃听、干扰、注入、缺失、替换等问题的影响，而现在技术难以及时发现异常以及对各种异常类型做出分类，因此需要解决该问题，本发明提出来一种异常电子侦察数据智能检测及分类方法能够解决上述问题。


技术实现要素：

3.本发明的目的是针对现有技术中的不足，提供异常电子侦察数据智能检测及分类方法。
4.为实现上述目的，本发明提供异常电子侦察数据智能检测及分类方法，检测方法为：
5.步骤一：利用大量的正常样本x，x＝{x1,x2,...,x
t
}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[-1,1]之间，满足公式：
[0006][0007]
步骤二：将正常样本x归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口x'＝{x'
t-l 1
,x'
t-l 2
,...,x'
t
}作为vae编码器的输入；
[0008]
步骤三：vae编码器对x'进行特征扩维，得到高维嵌入z
t
，将z作为bigru网络的输入进行z'的预测，将bigru网络的预测结果z'作为vae解码器的输入；
[0009]
z'＝{z1',z2',...,zm'}＝gru(z)
[0010]
步骤四：vae解码器通过对窗口数据z'进行解码，得到重构序列滑动窗口分割的每一条序列如公式所示；通过对比重构序列和原始序列计算重构误差；异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；
[0011][0012][0013][0014]
分类方法为：
[0015]
步骤一：首先双向门控循环单元的两个方向相反的gru层传递正向和反向两层时
间顺序，将两层状态互相拼接；
[0016]
步骤二：得到bigru的隐含层(hidden*2)；
[0017]
步骤三：对四种常见异常a类随机注入偏差、b类固定注入偏差、c类dos注入以及d类航路替换，还有正常数据五种类型进行分类，并记录识别准确率；
[0018]
步骤四：将四类异常可以细分为八类，正常数据也可以按照巡航与起降分为两类，一共10类，并记录识别准确率。
[0019]
优选的，z'i代表t时刻第i个窗口的高维嵌入的预测窗口，作为解码器的输入进行窗口序列x'的重构。
[0020]
优选的，深度自编码器对常规电子侦察数据特征进行自监督学习后，只能使用维数较小的特征向量来表示特征。
[0021]
优选的，输入层接受输入数据x，经过某种“函数关系”f(x)映射到隐层所表达的压缩空间h，再经过重构输出层函数g(h)重构为x'，这种“函数关系”在自编码器中使用神经网络实现的，把f(x)成为编码器encoder，g(h)称为解码器decoder。
[0022]
优选的，自编码器目的在于通过训练各层参数然后用编码器autocoder提取输入电子侦察数据的最为本质的隐藏层特征，用decoder重建新特征并得到重新形成的数据。
[0023]
优选的，四类异常分为八类：a1巡航状态随机注入偏差，a2起降状态随机注入偏差，b1巡航状态固定注入偏差，b2起降状态固定注入偏差，c1巡航状态dos注入，c2起降状态dos注入，d1巡航状态航路替换，d2起降状态航路替换。
[0024]
本发明优点在于：
[0025]
本发明异常电子侦察数据智能检测及分类方法，通过使用bigru-vae来对异常电子侦察数据进行检测，以及通过使用bigru来对异常电子数据进行分类，首先使用滑动窗口将异常电子侦察数据输入vae的编码器捕获有效特征，然后建立bigru网络进行下个窗口序列的预测，并输入vae的解码器进行异常电子侦察数据的重构，最后利用计算得到的重建概率与检测门限的比较判别检测出异常电子侦察数据，与传统方法相比，bigru擅长对时间序列进行处理，vae也能够充分提取异常电子侦察数据的隐层特征，将二者结合，异常检测能力得到提升。
【附图说明】
[0026]
图1是自编码器网络结构；
[0027]
图2是bigru-vae方法步骤流程图；
[0028]
图3是基于bigru的异常分类方法流程图；
[0029]
图4是bigru参数设置表。
【具体实施方式】
[0030]
下面结合附图对本发明提供的具体实施方式作详细说明。
[0031]
附图中涉及的附图标记和组成部分如下所示：
[0032]
整地描述，显然，本说明书中所描述的实施例仅是本发明的一部分可行技术方案，本领域普通技术人员基于本发明的实施例，在没有付出任何创造性劳动的基础上得到的其他实施例，应当视为属于本发明保护的范围。
[0033]
本说明书中所记载的本发明的各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为该技术方案的结合不存在。
[0034]
参考图1-图4，本发明的异常电子侦察数据智能检测及分类方法，
[0035]
检测方法为：
[0036]
步骤一：利用大量的正常样本x，x＝{x1,x2,...,x
t
}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[-1,1]之间，满足公式：
[0037][0038]
将正常样本x归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口x'＝{x'
t-l 1
,x'
t-l 2
,...,x'
t
}作为vae编码器的输入；
[0039]
步骤二：vae编码器对x'进行特征扩维，得到高维嵌入z
t
，将z作为bigru网络的输入进行z'的预测，将bigru网络的预测结果z'作为vae解码器的输入；
[0040]
z'＝{z1',z2',...,zm'}＝gru(z)
[0041]
z'i代表t时刻第i个窗口的高维嵌入的预测窗口，作为解码器的输入进行窗口序列x'的重构。
[0042]
步骤三：vae解码器通过对窗口数据z'进行解码，得到重构序列滑动窗口分割的每一条序列，通过对比重构序列和原始序列计算重构误差，异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常。
[0043][0044][0045][0046]
需说明的：自编码器是一种数据压缩方法，主要作用是提取数据的本质特征，这种特征提取非常类似于主成分分析pca，深度自编码器对常规电子侦察数据特征进行自监督学习后，只能使用维数较小的特征向量来表示特征，下面是深度自编码器的基本原理。
[0047]
图2是最基本的自编码器网络结构，输入层接受输入数据x，经过某种“函数关系”f(x)映射到隐层所表达的压缩空间h，再经过重构输出层函数g(h)重构为x'，这种“函数关系”在自编码器中使用神经网络实现的，把f(x)成为编码器encoder，g(h)称为解码器decoder。
[0048]
自编码器目的在于通过训练各层参数然后用编码器autocoder提取输入电子侦察数据的最为本质的隐藏层特征，用decoder重建新特征并得到重新形成的数据。
[0049]
对于vae变分自编码器来说，最为简单直接的loss损失函数地需求就是衡量输入与重新生成的输出之间的均方误差mse，即表达式误差，通过最小化表达式误差来保证重新建立的输出与输入尽可能接近，在euler空间内，均方误差可以使用空间内某两点之间的欧
拉距离的算数平方根来度量。
[0050]
基于双向门控循环单元的变化自动编码器(bigru-vae)异常处理方法在处理检测异常ads-b轨迹，将无监督异常检测vae模型与深度学习模型bigru相结合，提取ads-b数据中的经度、纬度、海拔高度、飞行速度和航向等特征向量，进行数值归一化，通过自编码器进行学习特征向量的隐藏层上面的分布，同时选择合适的时间长度分别进行学习，对滑动时间区间内的数据进行重新构造，对这些数据进行数据增强，通过与正常数据的门限进行比较，实现电子侦察数据的四种不同的异常类型的检测。
[0051]
如图3-4，本发明研究了基于bigru的方法用来分类不同异常类型：
[0052]
分类方法为：
[0053]
步骤一：首先双向门控循环单元的两个方向相反的gru层传递正向和反向两层时间顺序，将两层状态互相拼接，得到bigru的隐含层(hidden*2)，预测结果会可以结合时间序列轨迹数据集的上下文的序列进行比对学习，每层bigru的参数设置如图4所示。
[0054]
步骤二：对四种常见异常a类随机注入偏差、b类固定注入偏差、c类dos注入以及d类航路替换，还有正常数据五种类型进行分类，并记录识别准确率，
[0055]
步骤三：根据飞行器不同的飞行状态，巡航与起降还可以进行再次细分，将四类异常可以细分为八类：a1巡航状态随机注入偏差，a2起降状态随机注入偏差，b1巡航状态固定注入偏差，b2起降状态固定注入偏差，c1巡航状态dos注入，c2起降状态dos注入，d1巡航状态航路替换，d2起降状态航路替换，正常数据也可以按照巡航与起降分为两类，一共10类，并记录识别准确率。
[0056]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。