数据挖掘在频谱监测数据分析中的应用思考

0 引言

　　作为各种无线电技术应用的基础和前提，无线电频谱资源在构建信息社会、推动经济社会发展和国防建设中发挥着不可替代的重要作用[1]。随着各种无线电技术和业务的广泛应用，移动互联网、物联网及卫星互联网等新一代信息技术快速发展，无线电频谱资源短缺和电磁环境日益复杂的状况突显，无线电管理工作面临巨大挑战。无线电监测作为无线电管理的重要技术手段，辅助无线电管理部门获得有价值的信息，使无线电管理部门能够全面掌握频谱资源的使用情况，为频谱资源规划分配提供决策依据。

　　目前国内无线电监测设备日益增多，随着一体化平台建设的推进，诸多监测设备实现了联网，具备了开展长时间、大范围的频谱监测活动的条件[2]。无线电监测网对电磁环境的不断监测产生了大量的监测数据，多项研究指出，无线电监测已经迈进了大数据时代[3-5]。面对采集存储的大量频谱监测数据，传统的统计分析方法已经无法满足实际工作的需求，需要对数据进行深入研究，探索其具有的价值和潜在关联。数据挖掘作为一种新兴技术，在应用过程中可以挖掘出数据内的深层价值，帮助人们更多地了解数据信息，进而以更优化的方式利用资源，因此在科学研究等诸领域都有应用。目前，对数据挖掘技术在海量频谱监测信号分析领域的应用研究，主要集中在信号特征提取、信号分类和频谱预测等方面[6]。无线电监测是获取频谱监测数据的重要手段，本文紧密结合监测工作职能，探讨数据挖掘在无线电台站核查、无线电干扰监测、频谱占用度分析、无线电安全保障等方面的应用思路，构建以频谱监测数据为中心的无线电管理辅助决策模式，促进频谱资源的高效利用。

1 数据挖掘概述

　　1.1 基于大数据的数据挖掘技术

　　进入大数据时代，数据资源已成为备受关注的战略资源。《大数据白皮书（2020 年）》[7] 中指出，当前全球数据量仍在飞速增长阶段，作为关键生产要素，大量数据资源还没有得到充分有效的利用。面对数据的不断累积，只有提高数据处理技术水平，大数据才能在社会生活诸多领域发挥巨大作用。

　　近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以被广泛使用，并且迫切需要将这些数据转换成有用的信息和知识[8]。数据挖掘是一项强大的新技术，可以帮助解决数据与信息之间的鸿沟问题。简单来说，数据挖掘是一个从大量原始数据中提取可用数据的过程，它使用机器学习、统计、信息科学和可视化技术来发现知识，并以一种容易让人理解的形式呈现知识，也被称为数据中的知识发现（KnowledgeDiscovery in Databases, KDD）[9]。

　　1.2 频谱资源挖掘模型

　　从数据分析的角度，数据挖掘任务可以分为描述型和预测型两类。描述型挖掘任务通过汇总或对比的方式提供数据的一般特征。预测型挖掘任务在当前数据上进行模式和规律的推断，以预测数据发展趋势。在频谱监测数据分析中，对一般频谱特征参数的提取和比对可以归类为描述型，而对未来频谱分布趋势的识别分析则可以归类为预测型。

　　频谱资源的挖掘分析需要依据具体任务类别选取相应的模型。为了适应不同的需求或不同的应用，数据挖掘支持多种类型的模式，包括概念描述、关联分析、聚类分析、分类和预测等。概念描述以简洁汇总的形式描述任务数据的一般特性，是描述型数据挖掘的最基本形式；关联分析重在发现数据间的关联或相互联系；聚类分析发现不同数据之间的差异性；分类和预测用于提取描述重要数据类的模型或预测未来的数据趋势。无线电监测网中的数据挖掘，主要是通过分析和统计接入监测网络的各监测设备产生的频谱扫描数据、IQ 数据、信号测量数据、测向定位数据、占用度统计数据、解调结果数据等，获取无线电台站工作状态、频谱资源使用情况和未来态势。

　　1.3 监测数据挖掘流程

　　监测数据挖掘通常由监测数据预处理、监测数据分析和数据结果可视化三个步骤组成，如图1 所示。监测数据预处理包括数据清理、数据集成、数据选择和数据变换等功能；监测数据分析是将数据归类为特定的挖掘模型后选取分析算法进行数据规律寻找，常见数据分析算法有概念描述法、关联规则法、神经网络、决策树、遗传算法等；数据结果可视化包括可视化算法和数据结果展示，可以将错综复杂的数据以图形图像形式清晰地展现出来。目前比较流行的数据挖掘工具有R、ODM（Oracle Data Mining）、Weka、Orange 等。

　　图1 监测数据挖掘流程

2 数据挖掘在频谱监测数据分析中的应用构想

　　2.1 在无线电台站核查中的应用

　　由于无线电台站的设备故障、随意使用或受到其他设备的干扰等问题，无法保证授权使用的频率严格按照规定使用，因此需要定期对台站进行技术参数核查。台站数量和种类不断增长，使传统的数据表格比对方法已无法满足台站精细化、高效率的管理需求，需要借助数据挖掘技术在特征提取和比较分析方面的优势，掌握台站的技术参数和工作状态，从而实现台站核查的目的。

　　其核心思路是，首先将监测数据特征化，将监测数据库中的数据以频率、台站位置、台站类别等重要参数为特征的简洁形式进行描述；然后进行数据区分，通过监测数据库和台站数据库查询提取数据，对其特性进行比较；最后根据设定的区分规则给出结果，输出已知台站、未知台站、闲置台站三种不同状态的数据集。对于已知台站类别，可细化展示各项指标是否按照规定使用；对于未知台站类别，统计分析违规使用的频率，对可能产生的干扰给出预警；对于闲置台站类别，可纳入重点监测目标进行长期跟踪，为频谱资源的重新分配提供参考。随着监测一体化平台的建设部署，其具备了以自动任务或人工监测方式定期获取监测数据的能力，提升了监测的时效性和覆盖率。利用概念描述挖掘算法并行地进行数据特征比较，实现台站合法性和数据准确性分析，为大数据背景下的台站规范化管理提供了新思路。

　　2.2 在无线电干扰监测中的应用

　　无线电干扰的存在严重影响无线通信业务的正常开展，日常无线电监测的一项主要任务就是查处无线电干扰。利用数据挖掘技术从大量的监测数据中快速、准确地找出异常信号，排除异常信号可能产生的无线电干扰，有利于维护空中电波秩序。

　　根据干扰发现的实时性要求，可将无线电监测数据分为两部分：一部分是历史监测数据，另一部分是实时监测数据。首先利用算法提取历史监测数据中通信信号的个体特征，根据频段内的信号特征构建历史监测数据模型。历史监测数据模型应具有自我学习能力，以适应无线电环境的变化。然后开展频段监测，将获取的实时监测数据与历史监测数据模型进行相关性分析，计算得出两者之间的相似度。若相似性较高，则认为实时监测数据与历史监测数据模型基本一致，否则认为存在异常信号，并触发干扰警告。基于这种设想，可依托监测一体化平台实现无线电干扰的监测预警，并指导监测人员开展干扰源逼近查找，采取措施制止违法行为。利用数据挖掘对监测数据进行快速分析，及时掌握区域内出现的干扰信号，有助于提升主动发现无线电干扰的能力。

　　2.3 在频谱占用分析中的应用

　　为促进无线电频谱资源的有效利用，加强对无线电频率使用的事中事后监管，工业和信息化部制定了《无线电频率使用率要求及核查管理暂行规定》[10]，自2018 年1 月1 日起实施。《规定》明确了陆地移动、水上移动、固定、无线电测定和气象辅助等地面业务以及空间业务频率使用率通用要求，并对无线电频率使用率采用频段占用度、年时间占用度、区域覆盖率以及用户承载率（用户规模）等指标进行评价。这表明在频谱资源的使用上，仅依据事前批复进行使用的方式已无法满足频谱资源高效利用的实际需求，需要在频谱使用过程中加强监管。

　　无线电监测网支持连续不间断的频谱数据采集，为频谱占用分析工作的开展提供了数据基础。在具体分析中，可以借助数据挖掘技术在数据处理分析上的优势，利用算法分类计算得出各业务频率的核查指标参数，同时对频谱使用情况进行关联分析以主动获取频谱态势。

　　通过频率、时间维度进行频谱预测的主要思路为：运用关联挖掘方法从采集的频谱数据中发现同一业务各频段之间隐含的关联关系，基于频段相关性分析，对同业务其他频段的频谱状态做出预测；利用神经网络等算法构建频谱预测模型，通过长期频谱数据对模型的反复训练，获得频谱的未来占用情况，实现频谱态势预测。频谱使用呈现一定的规律特征，将数据挖掘运用于频谱占用分析工作之中，不仅能够准确计算出各业务频率使用指标，还有助于获取频谱数据中蕴含的规律和信息，为各业务的频率规划和使用提供数据参考。

    2.4 在无线电安全保障中的应用

    无线电安全是国家安全的重要组成部分，已经成为关系社会稳定、政治安全的关键领域。由于无线电波具有开放性和易受干扰等特点，重要无线电业务和台站容易受到恶意攻击或干扰。无线电安全保障的主要目标是保证重要时期或重大活动期间的重点频率不受干扰。传统的无线电监管模式，主要是通过清频保护的方式，来降低重点频率受到干扰的可能性，这还不能完全满足社会发展需求。对此，可以利用数据挖掘技术在数据学习、预测方面的优势，通过重点频率动态指配的方案设想来提高抵抗干扰的能力。

　　为摸清特定区域的电磁环境，需要对重点业务频段开展不间断的监测，从而全面掌握电磁环境数据。基于数据挖掘预测模型，通过对电磁频谱数据的训练学习，预测给出不同业务频段的可用通信频率集合，在重点频率无法满足通信需求时，可快速切换到预测频率集内的其他可用通信频率，从而有效保证无线电通信的顺利进行。无线电安全保障的最终目的就是实现干扰零发生，用数据挖掘技术优化频率使用策略，能够从源头最大限度地避免通信干扰，为新时期更好地完成无线电安全保障工作提供了探索和研究方向。

3 数据挖掘赋能频谱监测数据分析的关键问题

　　当前，在无线电频谱监测方面，利用数据挖掘技术帮助提炼数据中的有用信息，尽可能地为无线电管理提供数据支撑，保障各类无线电业务的有序开展，是十分必要的。数据挖掘在处理以下关键问题时具有技术优势：

　　（1）数据高效处理分析。由于缺乏从大量数据中提取有价值信息的工具，以往频谱监测数据分析往往依赖专业技术人员进行人工统计分析，不仅容易出现偏差和错误，并且存在耗时、分析不完全等问题。通过数据挖掘技术，根据任务需求选取合适的挖掘模型及分析算法，实现数据信息多层次、高效率分析，能够满足新时期无线电管理需求。

　　（2）数据资源有效整合。频谱监测数据分析往往涉及监测数据库、台站数据库以及频谱采集数据库等多个数据库，它们分散在各信息系统，互相独立存在，这给数据信息的提取、统计分析与应用带来了困难。数据挖掘技术可以从存放在不同类型的数据库、数据仓库或其他信息存储中的大量数据中发现感兴趣的知识，使数据资源得到充分整合，提升分析结果的准确性和全面性。

　　（3）数据处理结果可视化展示。可视化是数据挖掘的重要步骤。使用数据挖掘的可视化工具进行多维分析，可以使频谱监测数据的分析结果以树、表、图、图表、交叉表、矩阵或曲线等更为灵活、直观的方式表达，实现统计数据的多样化展示。可视化表示形式使得数据处理结果易于理解，更加便于无线电管理者进行观察和研究。

4 结束语

　　如何对大量频谱监测数据进行挖掘和运用，已成为大数据背景下无线电管理领域关注和研究的重点。数据挖掘在台站精细化管理、干扰主动发现、频谱资源预测、无线电安全保障等方面的应用构想，能够有效提升数据效能，为频谱资源规划、指配和协调提供有用信息。无线电频谱资源是国家的重要战略性资源，积极探索数据挖掘技术赋能频谱监测数据分析工作的新思路，加快推进其在无线电管理领域的实际应用，为新时期无线电管理提供更全面、更有效的决策辅助与数据支撑，值得我们进行深入研究和思考。

参考文献：

[1] 无线电频谱是稀缺的国家战略资源[J]. 信息化建设, 2013(8)

[2] 李恒帅, 王志欣, 李川, 等. 海量监测数据测试、汇集与分析技术[J]. 中国无线电，2020(7): 37~38

[3] 王军, 黄炬, 马有厂, 等. 大数据时代的无线电监测[J]. 中国无线电, 2014(4): 55~58

[4] 陈宏. 浅议大数据时代背景下的无线电管理信息化创新之路[J]. 中国无线电, 2015(1):62~63

[5] 李芃芃. 无线电大数据管理研究[J]. 互联网天地,2015(5): 70~73

[6] Liu C, Wu X, Zhu L, et al. Research on Communication Network Structure Mining Based on Spectrum Monitoring Data[J]. IEEE Access, 2020(11)

[7] 中国信息通信研究院. 大数据白皮书, 2020

[8] Jiawei Han 等. 数据挖掘概念与技术[M]. 北京:机械工业出版社, 2012

[9] Ramamohan Y,etal. A Study of Data Mining Tools in Knowledge Discovery Process[J]. International Journal of Soft Computing&Engineering,2012,2(3)

[10] 无线电频率使用率要求及核查管理暂行规定,2017