基于统计的通信信号关联方法

摘要

本发明属于通信技术领域，具体是涉及一种基于统计的通信信号关联方法。本发明针对具体多节点的Ad‑Hoc通信系统，提出了一种基于统计的通信信号关联算法。为了解决欠定的关联问题，需要给予一些约束，而且本方法是基于统计的，并不关注个体某个信号的关联关系，也需要加入有关连续通信的约束。本发明的方案可以准确地识别大部分的通联关系，在出现多节点对同时通信的场景下，也会出现识别不全的情况，但是对通联关系的识别覆盖率也可以达到90％以上。

权利要求

1.基于统计的通信信号关联方法，该方法用于具有N个节点P＝{p1，p2...，pN}组成的Ad‑hoc网络，定义在时间T内侦收到来自这些节点的M个信号S＝{S1，S2...，SM}，信号Si的节点是 信号Si的TOA为 目标为获得第m和第n个节点之间的关联关系

0表示在t时刻pmpn节点没有关联，

1表示在t时刻pmpn节点有关联；其特征在于，所述关联方法包括：S1、设应答报文对信号之间的时隙间隔服从概率密度函数f(t)，根据信号的TOA流和信号的节点流 计算权重依次提取出每一组pmpn节点对的权重，1≤m≤N，1≤n≤N，m≠n，然后得到归一化权重：设定某对归一化权重在某时刻值为1就表示该时刻，该对节点通信可能性最强；

S2、对步骤S1得到的每一组pmpn节点对的归一化权重序列进行滤波平滑：定义滤波的时间半径Tr，滤波后的权重如下：

S3、获得关联关系为：

说明书

基于统计的通信信号关联方法

技术领域

[0001] 本发明属于通信技术领域，具体是涉及一种基于统计的通信信号关联方法。

背景技术

[0002] 在通信对抗的中，对于非合作的通信系统的侦察，往往希望获得对方通信系统节点和节点之间的通信关联关系。获得这样的通信关系往往是比较难的，因为传统的侦收中只能知道信号来自于哪个节点，并不能获知该信号时发给哪个节点的，关联关系求解就变成一个欠定问题，为了求解这样的问题，需要补充新的约束条件。其实作为侦察方获得侦收到的每个信号确切的关联关系是没有必要的，而且也并不准切，更多的是需要某段时间内节点和节点的通联关系。

发明内容

[0003] 本发明针对具体多节点的Ad‑Hoc通信系统，提出了一种基于统计的通信信号关联算法。为了解决欠定的关联问题，需要给予一些约束，而且本方法是基于统计的，并不关注个体某个信号的关联关系，也需要加入有关连续通信的约束。

[0004] 本发明建立在三个约束下：

[0005] 1.Ad‑Hoc通信系统广泛存RTS/CTS对，虽然侦收只能知道信号来自哪个发射节点，并不能知道信号发给哪个节点，但是这种应答对的存在可以帮助建立关联关系。

[0006] 2.根据具体的通信协议，并结合排队论理论，得到应答报文对信号之间的时隙间隔所服从的概率密度函数f(t)，利用这个约束帮助建立RTS/CTS对之间的关系。

[0007] 3.Ad‑Hoc存在RTS/CTS对这样的握手机制，每一次的通信都需要握手，但是一个通信进程往往是需要多次往复的信息交互的，因此可以合理假设，两个节点的一次通信进程会持续一段时间，即一段时间内会存在多个RTS/CTS对。

[0008] 本发明所采用的技术方案为：

[0009] 首先建立通信系统模型：考虑N个节点P＝{p1,p2…,pN}组成的Ad‑hoc网络，在一段时间T内侦收到来自这些节点的M个信号S＝{S1,S2…,SM}，发射Si的节点是 信号Si的TOA为 希望获得第m(1≤m≤N)和第n(1≤n≤N)个节点之间关联关系0表示在t时刻pmpn节点没有关联，1表示在t时刻pmpn节点有关联。

[0010] 具体的求解流程如下：

[0011] 步骤一：提取权值

[0012] 模型的输入为TOA流 和归属节点流 首先依据约束二提取权重。这一步骤可以将输入的TOA流中每一个信号和周围信号的关系给提取出来。

[0013] 权重 定义如下：

[0014]

[0015] 依次提取出每一组pmpn(1≤m≤N,1≤n≤N,m≠n)节点对的权重，然后得到归一化权重：

[0016]

[0017] 如果某对归一化权重在某时刻值为1就表示该时刻，该对节点通信可能性最强。在某个通信进程中，通信的两个节点的归一化权重会不时地出现1值。

[0018] 步骤二：滤波平滑

[0019] 前一步骤提取出 组归一化权重序列，利用约束2，即连续通信的约束，连续出现为1值的时间片段可以认为在通信。如果两个为1的值之间的距离小于某个设定的值，就可以认为两个1之间的时间段内，两个节点也在通信。

[0020] 首先定义滤波时考虑的时间半径Tr，定义滤波后权重如下：

[0021]

[0022] 步骤三：关联关系提取

[0023] 前一步骤提取出 组归一化权重序列，利用约束2，即连续通信的约束，连续出现为1值的时间片段可以认为在通信。

[0024] 最终的通信关联结果如下：

[0025]

[0026] 本发明的有益效果是：提供了针对多节点通信关系挖掘的具体方法，解决了目前的相关技术空白。

附图说明

[0027] 图1为关联模型求解过程；

[0028] 图2为对4节点通信模型求解结果；

[0029] 图3模型性能指标。

具体实施方式

[0030] 下面结合附图及实施例，详细描述本发明的技术方案：

[0031] 实施例

[0032] 本例中的Ad‑hoc网络中有4个节点，设定观察时间长度为400s，每对节点的通信对个数范围是[3,8]，每个通信周期的长度范围[10s,20s]，信号的密度范围[3/s,10/s]，间隔时间的概率分布为

[0033] 图1是针对某一对节点的处理结果，可以看到(a)图中的归一化权重中表示值为1的红色部分和(d)图中的真实关联关系是有很强的对应关系，这说明本模型所提取的权重和关联关系有很强的对应关系，进过(b)的滤波平滑处理，可以看到可以很好地提取出连续通信段，进而(c)中可以很好恢复出与(d)真实关联关系很接近的结果。

[0034] 图2是4节点的6组关联对的处理结果汇总，每个子图从上到下分别代表归一化权重、滤波后归一化权重、提取的关联关系和真实关联关系。可以看到本模型在出现多对节点同时通信的时候，虽然会有识别不全的情况，但也可以较好地分辨出通信的节点对。

[0035] 图3是进行10000次仿真后统计得到的关联关系查准率和查全率。可以看到本模型的查准率接近于1，代表模型对关联关系的判断是比较准确的，查全率分布在90％左右，说明模型基本可以找出大部分的通联关系。

[0036] 结论分析：本模型针对如何从侦收到的信号中提取通信系统中提取关联关系给出了一个解决方法。经过10000次仿真，可以发现模型可以准确地识别大部分的通联关系，在出现多节点对同时通信的场景下，也会出现识别不全的情况，但是对通联关系的识别覆盖率也可以达到90％以上。