联合距离和密度的5G终端信令离群检测算法

doi:10.3969/j.issn.1006-2475.2025.08.016

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (08): 115-118.doi: 10.3969/j.issn.1006-2475.2025.08.016

联合距离和密度的5G终端信令离群检测算法

（1.国网电力科学研究院有限公司/南京南瑞信息通信科技有限公司，江苏南京 210003； 2.国家电网有限公司，北京 100031；
3.国网山东省电力公司电力科学研究院，山东济南 250003）

出版日期:2025-08-27 发布日期:2025-08-28
作者简介: 作者简介：韦小刚（1983—），男，江苏泰州人，正高级工程师，硕士，研究方向：电力系统信息网络安全，E-mail: andrew_wee@163.com；梅文明（1983—），男，高级工程师，博士，研究方向：电力系统信息网络安全；胡游君（1981—），男，高级工程师，硕士，研究方向：电力信息化；屠正伟（1984—），男，高级工程师，硕士，研究方向：电力系统信息网络安全；王睿（1991—），男，高级工程师，博士，研究方向：电力系统信息网络。
基金资助:
基金项目：国家电网有限公司总部科技项目（5700-202316291A-1-1-ZN）

5G Terminal Signaling Outlier Detection Algorithm Based on Joint Distance and Density

（1. State Grid Electric Power Research Institute/NARI Information & Communication Technology Co.， Ltd.， Nanjing 210003， China； 2. State Grid Corporation of China， Beijing 100031， China；
3. State Grid Shandong Electric Power Research Institute， Ji’nan 250003， China）

Online:2025-08-27 Published:2025-08-28

摘要/Abstract

摘要：
摘要：为快速、准确地对5G终端信令的异常行为进行检测，本文提出联合距离和密度的5G终端信令离群检测算法。首先对软件采集到的5G信令终端数据进行预处理，降低数据样本的维度；然后，当降维后的数据样本数量小于1000时，采用基于平均距离的KNN离群检测算法对数据样本进行离群点检测；当数据样本数量大于等于1000时，采用基于密度的COF离群检测算法进行离群点检测。仿真结果表明，本文提出的算法在准确率、精确率和召回率方面均优于传统的基准算法，并且响应时间更快。

关键词: 关键词：5G终端信令, 离群检测, 准确率, 精确率, 召回率

Abstract:
Abstract: In order to quickly and accurately detect the abnormal behavior of 5G terminal signaling， this paper proposes a 5G terminal signaling outlier detection algorithm based on joint distance and density. Initially， preprocessing is applied to the 5G terminal signaling data collected by software to reduce the dimensionality of the data samples. When the number of data samples is less than 1000 after dimensionality reduction， the KNN outlier detection algorithm based on average distance is used to detect the outlier points of the data samples； when the number of data samples is greater than or equal to 1000， the COF outlier detection algorithm based on density is used to detect the outlier points. Simulation results show that the algorithm proposed in this paper outperforms the traditional benchmark algorithm in terms of accuracy， precision， and recall， and has a faster response time.

Key words: Key words: 5G terminal signaling, outlier detection, accuracy rate, precision rate, recall rate

中图分类号:

中图分类号：TP393

韦小刚１, 梅文明２, 胡游君1, 屠正伟1, 王睿3. 联合距离和密度的5G终端信令离群检测算法[J]. 计算机与现代化, 2025, 0(08): 115-118.

WEI Xiaogang1, MEI Wenming2, HU Youjun1, TU Zhengwei1, WANG Rui3 . 5G Terminal Signaling Outlier Detection Algorithm Based on Joint Distance and Density[J]. Computer and Modernization, 2025, 0(08): 115-118.

参考文献

［1］赵国锋，陈婧，韩远兵，等. 5G移动通信网络关键技术综述［J］. 重庆邮电大学学报（自然科学版）， 2015，27（4）: 441-452.
［2］ CHETTRI L， BERA R. A comprehensive survey on Internet of Things （IoT） toward 5G wireless systems［J］. IEEE Internet of Things Journal， 2020，7（1）:16-32.
［3］ AHMAD I， SHAHABUDDIN S， KUMAR T， et al. Security for 5G and beyond［J］. IEEE Communications Surveys & Tutorials， 2019，21（4）:3682-3722.
［4］段浴，曹龙汉，张治中，等. 5G终端模拟器中信令分析技术的研究与实现［J］. 计算机工程与应用， 2020，56（15）:106-112.
［5］卓雪虹，任璐圆. 一种基于信令大数据分析的网络故障发现方法［J］. 通讯世界， 2020，27（3）:46-47.
［6］段浴. 5G终端模拟器RRC信令分析技术的研究与实现［D］. 重庆：重庆邮电大学， 2020.
［7］ HAN J W， KAMBER M. 数据挖掘：概念与技术（第三版）［M］. 范明，孟小峰，译. 北京：机械工业出版社， 2012：186-188.
［8］ ALGHUSHAIRY O， ALSINI R， SOULE T， et al. A review of local outlier factor algorithms for outlier detection in big data streams［J］. Big Data and Cognitive Computing， 2021，5（1）. DOI: 10.3390/bdcc5010001.
［9］刘财辉，刘地金. 离群点检测的邻近性方法综述［J］. 计算机工程与应用， 2022，58（21）:1-12.
［10］ LI Z， ZHAO Y， HU X Y， et al. ECOD: Unsupervised outlier detection using empirical cumulative distribution functions［J］. IEEE Transactions on Knowledge and Data Engineering， 2023，35（12）:12181-12193.
［11］ ACERNESE A， SARDA K， NOLÈ V， et al. Robust statistics-based anomaly detection in a steel industry［C］// 2021 29th Mediterranean Conference on Control and Automation （MED）. IEEE， 2021:1058-1063.
［12］ MANN S K， CHAWLA S. A proposed hybrid clustering algorithm using K-means and BIRCH for cluster based cab recommender system （CBCRS）［J］. International Journal of Information Technology， 2023，15（1）:219-227.
［13］ PU G， WANG L J， SHEN J， et al. A hybrid unsupervised clustering-based anomaly detection method［J］. Tsinghua Science and Technology， 2021，26（2）:146-153.
［14］ HEINRICH M， GÖLZ A， ARUL T， et al. Rule-based anomaly detection for railway signalling networks［J］. International Journal of Critical Infrastructure Protection， 2023，42. DOI: 10.1016/j.ijcip.2023.100603.
［15］ SFAR H， BOUZEGHOUB A， RADDAOUI B. Early anomaly detection in smart home: A causal association rule-based approach［J］. Artificial Intelligence in Medicine， 2018，91:57-71.
［16］ WANG H Z， BAH M J， HAMMAD M. Progress in outlier detection techniques: A survey［J］. IEEE Access， 2019，7:107964-108000.
［17］ Chen X L， Li B J， Proietti R， et al. Self-taught anomaly detection with hybrid unsupervised/supervised machine learning in optical networks［J］. Journal of Lightwave Technology， 2019，37（7）:1742-1749.
［18］ DEMŠAR J. Statistical comparisons of classifiers over multiple data sets［J］. The Journal of Machine Learning Research， 2006，7:1-30.
［19］夏勇. 聚类分析和离群点识别技术研究及其应用［D］. 哈尔滨：哈尔滨工程大学， 2010.
［20］杨福萍，王洪国，董树霞，等. 基于聚类划分的两阶段离群点检测算法［J］. 计算机应用研究， 2013，30（7）:1942-1945.
［21］陈蓉，李艳萍. 一种基于离群点的聚类迭代检测算法［J］. 科学技术与工程， 2012，12（35）:9725-9729.
［22］郭一阳，于炯，杜旭升，等. 基于随机投影与集成学习的离群点检测算法［J］. 计算机应用研究， 2022，39（9）:2608-2614.
［23］罗晓媛，赵丽艳，刘君，等. 神经网络技术下多尺度时序数据离群点挖掘［J］. 计算机仿真， 2021，38（1）:231-235.
［24］姚鹏. 基于多视角聚类的离群检测算法研究［D］. 重庆：重庆大学， 2016.
［25］祝一帆，安云哲，夏秀峰. 数据流环境下基于距离的离群点检测算法［J］. 计算机系统应用， 2023，32（1）:214-223.
［26］刘亚梅，闫仁武. 一种基于密度聚类的分布式离群点检测算法［J］. 计算机与数字工程， 2019，47（6）:1320-1325.
［27］涂晓敏. 基于密度的局部离群点检测算法的改进［D］. 沈阳：沈阳工业大学， 2019.

[1]	杜猛俊1, 李昂1, 童俊1, 钱锦1, 康恺1, 王若丁1, 靳文星2. 基于改进极限学习算法的电力信息数据融合模型[J]. 计算机与现代化, 2024, 0(10): 61-64.
[2]	孙远，廖小平. 基于智能蝙蝠算法的异常数据检测方法[J]. 计算机与现代化, 2019, 0(03): 62-.
[3]	魏童童，冯钧，唐志贤，王纯. 基于时序背景LDA与协同过滤的混合推荐模型[J]. 计算机与现代化, 2015, 0(10): 1-5+9.
[4]	王慕华;惠建忠;唐千红;张正文. 风电功率预测预报系统的设计与实现[J]. 计算机与现代化, 2013, 1(7): 224-227,.

联合距离和密度的5G终端信令离群检测算法

5G Terminal Signaling Outlier Detection Algorithm Based on Joint Distance and Density

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 4

编辑推荐

Metrics

本文评价