基于光谱分析的光网络的光源及光路径识别方法技术

本发明专利技术公开了一种基于光谱分析的光网络的光源及光路径识别方法，该方法先通过基于人工智能技术的光源分类模型识别光源之后，再将光信号的基本参数和预存在光谱识别数据库中光源的相关业务信息进行比对验证，验证通过后识别出的光源才为合法光源，相应地，节点所传输的光信号为合法信号，实现了更加有效地甄别合法信号和非法信号，以及提升了光网络的安全性。此外，还通过基于人工智能技术的光路径分类模型识别光路径，光路径分类模型是通过采用海量的训练数据训练得到的，光路径识别效果更好。

【技术实现步骤摘要】
光谱分析方法及多节点光谱协同分析方法
本专利技术涉及光网络
，尤其涉及一种光谱分析方法及多节点光谱协同分析方法。
技术介绍
光网络自身特性使其具有多种物理层的安全隐患，面临如窃听、串扰攻击、信息篡改等多种威胁，在攻击的过程中会引入异于的网络合法信号的非法信号，但现有技术无法实现对光网络物理层对非法信号入侵或物理层攻击的感知和识别，技术迫切需要突破。传统的光网络物理层安全防护大多通过信号的强度、时域特征等物理层参数来判断和监测攻击，但对于非法信号入侵类攻击方式，目前尚无有效手段对物理层非法信号入侵实现感知和识别，更无法在多元复杂的安全威胁环境下提供系统性的安全防护解决方案。
技术实现思路
本专利技术的目的旨在至少在一定程度上解决上述的技术问题之一。为此，本专利技术的第一个目的在于提出的光谱分析方法，先通过基于人工智能技术的光源分类模型识别光源之后，再将光信号的基本参数和预存在光谱识别数据库中光源的相关业务信息进行比对验证，验证通过后识别出的光源才为合法光源，相应地，节点所传输的光信号为合法信号，实现了更加有效地甄别合法信号和非法信号，以及提升了光网络的安全性。此外，还通过基于人工智能技术的光路径分类模型识别光路径，光路径分类模型是通过采用海量的训练数据训练得到的，光路径识别效果更好。为此，本专利技术的第二个目的在于提出的多节点协同光谱分析方法。为了实现上述目的，本专利技术第一方面实施例的光谱分析方法，包括：采集光网络中预设节点处所传输的光信号的待测光谱数据，并提取所述光信号的基本参数，以及根据所述待测光谱数据和所述基本参数构建所述光信号对应的待测光谱数据向量；对所述待测光谱数据向量进行预处理以及提取所述待测光谱数据向量的基本参数；将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出所述光信号的光源标识，以及在所述光源标识包括合法光源标识时，从光谱识别数据库获取所述合法光源标识的相关业务信息，并验证所述合法光源标识的相关业务信息中是否存在所述待测光谱数据向量的基本参数，若验证结果为存在，确定光信号的光源认证通过；或者，获取光源的原始光谱数据并进行预处理，以及根据预处理后的原始光谱数据和预处理后的待测光谱数据向量获取光路径传输矩阵，并将所述光路径传输矩阵导入光路径分类模型中进行光路径识别，输出所述光信号的光路径标识。如上所述的方法，还包括：接收光网络中所采集到的历史光谱数据，对所述历史光谱数据进行预处理以获取历史光谱数据向量，并将属于同一光源的历史光谱数据向量添加同一合法光源标识；将部分的添加合法光源标识后的历史光谱数据向量作为训练数据集中的样本数据，形成训练数据集，以及将剩余的添加合法光源标识后的历史光谱数据向量作为阈值计算数据集中的样本数据，形成阈值计算数据集；采用支持向量机算法对所述训练数据集进行训练，将不同合法光源标识的样本数据在高维数据空间中映射，寻找分类界面对所述不同合法光源标识的样本数据进行划分，完成光源分类模型的构建；将阈值计算数据集输入到所述光源分类模型中进行分析，获取损失参数矩阵；根据所述损失参数矩阵设置识别阈值。如上所述的方法，所述将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出所述光信号的光源标识，包括：将所述预处理后的待测光谱数据向量导入光源分类模型中，确定待测光谱数据向量对应的损失参数矩阵；确定待测光谱数据向量对应的损失参数矩阵的每一行中的最大值；判断所述各行中的最大值是否大于识别阈值，若大于，将各行中的最大值在损失参数矩阵中的列号作为合法光源标识并输出，若小于，输出所述光信号的非法光源标识。如上所述的方法，所述将阈值计算数据集输入到所述光源分类模型中进行分析，获取损失参数矩阵，包括：将所述阈值计算数据集的第k类合法光源的第j个样本数据点乘光源分类模型的第n个分类界面，得到点积skjn；确定所述阈值计算数据集的第k类合法光源的第j个样本数据被第n个分类界面作用所得到的分类结果ykjn，其中，ykjn的取值为-1、1中的任一数值；根据以下公式:得到第k类合法光源的第j个样本数据对应第n个分类界面的损失参数gkjn；根据以下公式获取损失参数矩阵的第j行第k列的元素；其中，所述损失参数矩阵包括M×K个元素，N为所述阈值计算数据集的样本量，K为合法光源的类别总数。如上所述的方法，所述根据所述损失参数矩阵设置识别阈值，包括：取所述损失参数矩阵每一行中的最大值，形成向量LarLoss；确定向量LarLoss中的最小值，以及计算向量LarLoss的标准差；根据以下公式：Threshold＝min(LarLoss)-εσ设置识别阈值Threshold，其中，ε为经验值。如上所述的方法，在所述采集光网络中预设节点处所传输的光信号的待测光谱数据之前，还包括：获取已知光源的已知光源标识，以及采集已知光源所发出的光谱数据并进行预处理；将所述预处理后的已知光源所发出的光谱数据导入光源分类模型中进行光源识别，输出所述已知光源的识别光源标识，以及根据所述已知光源标识和识别光源标识确定识别准确率；根据识别准确率调整采集光信号的分辨率。如上所述的方法，还包括：分别获取光源的原始光谱数据和光网络的历史光谱数据并分别进行预处理，以及根据预处理后的原始光谱数据和预处理后的历史光谱数据获取历史光路径传输矩阵，并将属于同一路径的历史光路径传输矩阵添加同一光路径标识；将所述添加光路径标识后的历史光路径传输矩阵作为训练数据集中的样本数据，形成训练数据集；采用支持向量机算法对所述训练数据集进行训练，将不同光路径标识的样本数据在高维数据空间中映射，寻找分类界面对所述不同光路径标识的样本数据进行划分，完成光路径分类模型的构建。如上所述的方法，所述将所述光路径传输矩阵导入光路径分类模型中进行光路径识别，输出所述光信号的光路径标识，包括：将所述光路径传输矩阵导入光路径分类模型中，确定所述光路径传输矩阵对应的损失参数矩阵；确定所述损失参数矩阵的各行中的最大值，将各行中的最大值在损失参数矩阵中的列号作为所述光信号的光路径标识并输出。为了实现上述目的，本专利技术第二方面实施例的多节点协同光谱分析方法，包括：至少在光网络中的每个节点上分别设置一个光谱感知采集单元，所述光谱感知采集单元采集相对应节点所传输的光信号的待测光谱数据，和提取所述光信号的基本参数，以及根据所述待测光谱数据和所述基本参数构建所述光信号对应的待测光谱数据向量；协同分析处理中心，接收各个光谱感知采集单元所采集的光谱数据，将各个光谱感知采集单元所采集的光谱数据作为训练数据集中的样本数据，基于所述训练数据集训练光源分类模型，并将所述光源分类模型分发至网络中所有光谱特征分析模块；至少在光网络中的每个节点上分别设置一个光谱特征分析模块，所述光谱特征分析模块，接收并预处理相对应的光谱感知采集单元的所述待测光谱数据向量以及提取所述待测光谱数据向量的基本参数并将所提取的基本参数存储至光谱识别数据库中；所述光谱特征分析模块，将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出光信号的光源标识，以及在所述光源标识为合法光源标识时，解析所述合法光源标识以提取所述合法光源标识对应的基本参数，并验证所述合法光源标识对应的基本参数与所述光谱识别数据库中的所述光本文档来自技高网...

【技术保护点】
1.一种光谱分析方法，其特征在于，包括：采集光网络中预设节点处所传输的光信号的待测光谱数据，并提取所述光信号的基本参数，以及根据所述待测光谱数据和所述基本参数构建所述光信号对应的待测光谱数据向量；对所述待测光谱数据向量进行预处理以及提取所述待测光谱数据向量的基本参数；将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出所述光信号的光源标识，以及在所述光源标识包括合法光源标识时，从光谱识别数据库获取所述合法光源标识的相关业务信息，并验证所述合法光源标识的相关业务信息中是否存在所述待测光谱数据向量的基本参数，若验证结果为存在，确定光信号的光源认证通过；或者，获取光源的原始光谱数据并进行预处理，以及根据预处理后的原始光谱数据和预处理后的待测光谱数据向量获取光路径传输矩阵，并将所述光路径传输矩阵导入光路径分类模型中进行光路径识别，输出所述光信号的光路径标识。

【技术特征摘要】
1.一种光谱分析方法，其特征在于，包括：采集光网络中预设节点处所传输的光信号的待测光谱数据，并提取所述光信号的基本参数，以及根据所述待测光谱数据和所述基本参数构建所述光信号对应的待测光谱数据向量；对所述待测光谱数据向量进行预处理以及提取所述待测光谱数据向量的基本参数；将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出所述光信号的光源标识，以及在所述光源标识包括合法光源标识时，从光谱识别数据库获取所述合法光源标识的相关业务信息，并验证所述合法光源标识的相关业务信息中是否存在所述待测光谱数据向量的基本参数，若验证结果为存在，确定光信号的光源认证通过；或者，获取光源的原始光谱数据并进行预处理，以及根据预处理后的原始光谱数据和预处理后的待测光谱数据向量获取光路径传输矩阵，并将所述光路径传输矩阵导入光路径分类模型中进行光路径识别，输出所述光信号的光路径标识。2.如权利要求1所述的方法，其特征在于，还包括：接收光网络中所采集到的历史光谱数据，对所述历史光谱数据进行预处理以获取历史光谱数据向量，并将属于同一光源的历史光谱数据向量添加同一合法光源标识；将部分的添加合法光源标识后的历史光谱数据向量作为训练数据集中的样本数据，形成训练数据集，以及将剩余的添加合法光源标识后的历史光谱数据向量作为阈值计算数据集中的样本数据，形成阈值计算数据集；采用支持向量机算法对所述训练数据集进行训练，将不同合法光源标识的样本数据在高维数据空间中映射，寻找分类界面对所述不同合法光源标识的样本数据进行划分，完成光源分类模型的构建；将阈值计算数据集输入到所述光源分类模型中进行分析，获取损失参数矩阵；根据所述损失参数矩阵设置识别阈值。3.如权利要求1所述的方法，其特征在于，所述将所述预处理后的待测光谱数据向量导入光源分类模型中进行光源识别，输出所述光信号的光源标识，包括：将所述预处理后的待测光谱数据向量导入光源分类模型中，确定待测光谱数据向量对应的损失参数矩阵；确定待测光谱数据向量对应的损失参数矩阵的每一行中的最大值；判断所述各行中的最大值是否大于识别阈值，若大于，将各行中的最大值在损失参数矩阵中的列号作为合法光源标识并输出，若小于，输出所述光信号的非法光源标识。4.如权利要求2所述的方法，其特征在于，所述将阈值计算数据集输入到所述光源分类模型中进行分析，获取损失参数矩阵，包括：将所述阈值计算数据集的第k类合法光源的第j个样本数据点乘光源分类模型的第n个分类界面，得到点积skjn；确定所述阈值计算数据集的第k类合法光源的第j个样本数据被第n个分类界面作用所得到的分类结果ykjn，其中，ykjn的取值为-1、1中的任一数值；根据以下公式:得到第k类合法光源的第j个样本数据对应第n个分类界面的损失参数gkjn；根据以下公式获取损失参数矩阵的第j行第k列的元素；其中，所述损失参数矩阵包括M×K个元素，N为所述阈值计算数据集的样本量，K为合法光源的类别总数。5.如权利要求2所述的方法，其特征在于，所述根据所述损失参数矩阵设置识别阈值，包括：取所述损失参数矩阵每一行中的最大值，形成向量LarLoss；确定向量LarLoss中的最小值，以及计算向量LarLoss的标准差；根据以下公式：Threshold＝min(LarLoss)-εσ设置识别阈值Threshold，其中，ε为经验值。6.如权利要求1所述的方法，其特征在于，在所述采集光网络中预设节点处所传输的光信号的待测光谱数据之前，还包括：获取已知光源的已知光...

【专利技术属性】
技术研发人员：郑小平，李龙，华楠，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11