基于DCGAN星座图分析的光通信网络异常检测框架

《IEEE Open Journal of the Communications Society》：Anomaly-Based Jamming Interference Detection in Optical Networks Using Deep Convolutional Generative Adversarial Networks

　　

摘要：

宽带密集型应用的扩展，如5G通信、云计算和高清流媒体，显著增加了人们对可靠大容量光通信网络的需求。然而，这些网络越来越容易受到物理损伤和有意干扰的影响，这会严重降低传输质量和系统可靠性。由于光信号的复杂性和高维度特性，检测此类异常仍然具有挑战性，传统方法往往难以识别此前未见过的干扰。本研究提出了一种基于星座图分析的异常检测框架，采用深度卷积生成对抗网络（DCGAN）。该模型经过训练，可学习正常（无干扰）光信号的分布，并检测由干扰引起的偏差。所提出的方法结合了图像预处理技术，随后进行生成建模和基于重建的异常检测。异常通过空间容差下的点级评估，将重建的星座图与观测到的星座图进行对比来识别，从而实现了对细微信号失真的鲁棒检测。为评估其有效性，所提出的框架与传统生成对抗网络（GAN）、扩散模型以及偏差校正扩散模型（DeCo-Diff）进行了比较。在光网络频谱异常检测星座图数据集上的实验结果表明，DCGAN实现了83.86%的最高平均检测准确率，同时提供了每张图像15.13秒的最快推理时间，表明在检测性能与计算效率之间取得了良好的平衡。此外，在光学星座分析（OCATA）数据集上的评估达到了97.91%的准确率，证明了该模型在跨数据集评估下的有效性。这些发现表明...

查看更多