（国网内蒙古东部供电有限公司宁城县供电分公司内蒙古赤峰市024200）
摘要：随现代数据技术是随着移动通信科技发展而产生的，数据技术具有大数据时代的特征，同时也是通信传输网络的基础。对通信传输网络的运行起着促进作用。对大数据网络中的通信传输干扰信息的识别，能够有效提高网络通信传输性能。对通信传输过程干扰信息进行识别，需要先压缩大数据网络中通信传输信息初始数据集合，选取干扰信号瞬时特征参数，完成对干扰信息的识别。提出基于决策分类器的识别方法，采用大数据网络中不同干扰信号的特征信息来提取的参数数量少，且分类准确率高的特征向量，从而通信传输干扰信息初始数据集合，克服了当前方法直接进行通信传输干扰信息识别运算复杂度高的缺点，选取干扰信号瞬时特征参数组成的决策分类器对通信传输干扰信息进行分类识别。实验结果表明，所提方法能将大数据网络中人为加入的低频干扰、中频干扰和高频干扰信号准确识别出来。
关键词：通信传输；干扰信息；识别
信息时代，移动通信业务逐渐增多，并且在人们生活中扮演着不可或缺的角色。现代科技与通信传输的结合是一种必然趋势。大数据时代已经到来，它决定了当下的数据技术具有复杂性特征，要将其应用于移动通信传输网络中，还需要对数据进一步分析。因此工作在该通信频段的大数据网络系统在实际应用过程中很容易受到其它无线通信设备的干扰。此外，在大数据网络系统中有许多节点的传输工作同时进行，各个节点之间的互相干扰问题也尤其突出。为了解决大数据网络的网间干扰对通信传输性能的影响，通常采用调频通信的方式，即将大数据网络节点间的通信信道跳转到其它不受干扰的信道上，从而减少其它通信设备对通信传输的影响；为了解决大数据网络的网内干扰情况，一般采用信道访问控制策略，以减小网络节点之间发生信道访问冲突干扰的概率。根据大数据网络节点所受到的不同干扰类型，采用相应的策略避免或者消除干扰，能够有效提高大数据网络的通信传输性能。
一、现代数据技术在通信传输网络中的主要形式
现代数据技术在通信传输中的应用具有必然性。随着现代科技的发展，现代数据技术的先进性显而易见，基于大数据、云计算的方式妥善的处理了各行各业的故障问题，提高了工作效率。将其应用于通信传输网络，将极大的提高移动通信传输的整体水平。通信网络传输以数据传输为主，因此这一过程要实现对数据的安全性处理。现代数据技术采用加密的方式，可以保证数据传输安全。在现代数据技术支持下，通信传输的智能化、自动化将逐步实现，对数据的处理也将更加高效。因此优化通信网络的根本在于调整或修改移动传输网络信号。现代数据技术应用在通信传输网络中，实现了信息的共享，满足了客户群的需求。互联网时代，知识共享成为一种必然，用户将信息上传到互联网中被其它用户下载使用。基于现代数据技术的通信传输网络是通过共享性来体现的，也就是要求其在短时间内接受到相关数据，并且将范围扩大化。但是，对于通信传输网络而言，依然存在一定的弊端，如数据开发不全面，影响因素众多。4G是当下移动通信的一种模式，在多个领域有广泛的应用。在移动设备的应用下，可实现移动网络通信在通信的效率水平上的显著提高。
二、大数据网络中通信传输干扰信息识别
根据大数据网络中通信传输干扰信息数据量较大，具有时变性和波动性的特点，采用大数据网络中不同干扰信号的特征信息来提取的参数数量少，且分类准确率高的特征向量；从而压缩大数据网络中通信传输干扰信息初始数据集合，减小运算复杂度；选取干扰信号瞬时特征参数组成的决策分类器对大数据网络中的通信传输干扰信息进行分类识别。
1、大数据网络中的干扰信号特征提取。由于大数据网络中干扰信号种类繁多，且具有时变性和波动性的特点，需要将时域、频域和和时频分析法进行有机结合进行干扰信号特征提取［1］，采用大数据网络干扰信号模型获取相应特征向量：对大数据网络中的干扰信号进行离散傅里叶变换，可以得到干扰信号的频谱F（n）、幅度谱Ｒ（n），以及归一化处理后可以得到干扰信号的频谱带宽Bw，它们的计算过程分别如下：
假设ρ表示大数据网络中干扰信号的变化阶次；μk表示干扰信号分数阶变换域离散值；Fp表示傅里叶变换系数。对大数据网络中的干扰信号进行分数阶傅里叶变换可得：
为了表征大数据网络中干扰信号的能量集中程度，分别计算其在时域、频域以及分数阶傅里叶变换域的空间压缩增益，用CG表示，干扰信号能量越集中，相应的采样点数越少，CG的数值越大，计算表达式如下：
2、基于特征提取的干扰信号高效识别。在提取的大数据网络干扰信号特征向量基础上，选取适当的识别参数，采用决策分类器的结构对大数据网络中的通信传输干扰信息进行分类识别［2］。综合考虑通信传输干扰信息识别概率和运算复杂度，选取以下干扰信号瞬时特征参数进行分类识别。
1）大数据网络中待识别信号零中心归一化瞬时幅度功率谱密度的最大值参数：
2）大数据网络干扰信号瞬时幅度标准偏差参数，采用干扰信号瞬时幅度标准偏差来判断大数据网络中的数字调制信号是否为幅度调制，大数据网络中待识别信号的瞬时频率绝对值标准偏差σaf，即
采用公式判断大数据网络中干扰信号的瞬时频率是否包含绝对调制信息。
三、实验与结果分析
为了检验提出的基于决策分类器的通信传输干扰信息识别方法的有效性与可行性，在Matlab软件平台上搭建仿真环境，采用的PC机CPU为Pentium4，2.4GHz，ＲAM为512MB。仿真数据来源有两种：一种是大数据网络大背景的正常信号；另一种是大数据网络通信传输过程中产生的干扰信号。采用所提方法对大数据网络中的正常信号干扰与人为干扰信号进行了识别仿真。仿真拓扑结构，其中，B表示大数据网络中的正常信号，即大数据网络背景信号；Ｒ表示大数据网络中受干扰主机前的核心路由器；V表示受干扰主机。仿真拓扑结构如图。
在仿真中，大数据网络内部背景干扰信号选取1024个采样点，采样时间间隔为10ms，这此基础上，分别加入低频干扰1、中频干扰2以及高频干扰3。大数据网络中的流量信号情况，在大数据网络信号数据上实施决策分类器识别方法，［3］方法直接对大数据网络中的流量信号进行识别，无法准确识别出加入的三处人为通信传输干扰信息，可以发现，所提方法无论对大数据网络中人为加入的低频、中频还是高频干扰信号都能准确识别，由此说明，所提方法对大数据网络中人为因素造成的通信传输干扰信息具有良好的识别性能。
结论
基于决策分类器的识别方法，采用大数据网络中不同干扰信号的特征信息来提取的参数数量少，且分类准确率高的特征向量，从而压缩大数据网络中通信传输干扰信息初始数据集合，减小了运算复杂度；选取适当的识别参数，采用决策分类器的结构对大数据网络中的通信传输干扰信息进行分类识别。对大数据网络中人为因素造成的通信传输干扰信息具有准确地识别能力，补充了当前方法对人为因素通信传输干扰信息识别结果不准确的问题，对保证大数据网络通信传输性能具有重要作用。
参考文献：
[1]杨健康，汤晓晨，陈颖.分层AdHoc网络的分群及群首选举算法研究[J].无线互联科技，2016（16）.
[2]李劲，胡仕刚，席在芳.Systemview仿真在通信原理课程实践教学中的应用[J].福建电脑，2016（09）.
[3]陈伟，顾庆水，伍瑞卿，张松伟.用于MWD遥传系统的联合编码调制方法[J].测控技术，2016（09）.
[4]郭晓陶．基于卷积盲分离的强干扰下通信信号分离算法［J］．北京航空航天大学学报，2016，42（6）：02．