安全态势是一种反映光通信系统工作状态的重要信号，对光通信系统安全态势进行估计，可以帮助研究人员了解光通信系统安全态势的发展态势，并根据估计结果做出相应的调整。因此，光通信系统安全态势估计是光通信领域关注的一个热点问题。为了有效对光通信系统安全态势进行估计和控制，有学者等提出了自回归滑动平均法的光通信系统安全态势估计方法，但该方法光通信系统安全态势估计精度低;有学者提出时间序列法的光通信系统安全态势估计方法，其工作过程简单，但风险估计错误率高。近几年有学者提出了神经网络的光通信系统安全态势估计方法，获得不错的光通信系统安全态势估计结果，但神经网络要求光通信系统安全态势估计训练样本数量大，同时直接采用原始指标进行建模，光通信系统安全态势估计时间长，无法进行光通信系统安全态势在线估计，实际应用范围受限。支持向量机一种流行的数据驱动技术，不存在神经网络对训练样本数量要求的限制，学习能力要优于神经网络，为了进一步提高光通信系统安全态势估计效果，为此，提出了基于数据驱动的光通信系统安全态势估计方法(PCA－SVM)，并通过对比测试对光通信系统安全态势估计效果进行验证和分析。
1数据驱动技术概述
随着信息技术、计算机技术、通信技术以及网络技术的不断发展，出现了大量的数据，这些数据十分重要，可以通过一定技术从这些数据中挖掘出数据规律，并根据该规律，找到一些问题的求解方法，在该背景下，出现了大数据驱动技术。大数据驱动技术具有十分广泛的应用前景，各个领域的专家和学者对其进行了关注，出现了许多性能优异的大数据驱动技术，比较典型的有:各种神经网络、支持向量机等，支持向量机有一个十分明显的缺陷，当数据量比较大时，其训练过程比较复杂，训练花费的时间比较长，无法采用支持向量机进行建模。在神经网络中，BP神经网络较好地克服了支持向量机训练时间长的局限性，训练速度快，同时可以较好地跟踪光通信网络攻击模式的变化特点，因此，引入BP神经网络设计光通信网络攻击模式识别的分类器。BP神经网络，受到人类大脑神经网络工作原理启发，有学者提出神经网络算法，其中BP神经网络是其中一种使用最为广泛，应用效果最优的人工神经网络算法。BP神经网络的结构与人类大脑神经网络的结构相似，许多大神经元联系在一起，构成一个庞大、复杂网络，具有一定的记忆能力、学习能力。
2数据驱动的光通信系统安全态势估计方法
2.1建立光通信系统安全态势估计指标体系
要进行光通信系统安全态势估计建模与分析，首先要建立光通信系统安全态势估计指标体系，根据当前研究相关文献和专家，选择了光通信系统安全态势的5种光通信系统安全态势一级指标，它们分别为:物理安全、逻辑安全、管理安全和权限安全，每一级包含一些二级指标，这样共得到13个光通信系统安全态势估计指标，建立的光通信系统安全态势估计指标体系
2.2主成分分析
建立的光通信系统安全态势估计指标之间有一定的重复信息，若将指标全部输入到数据驱动进行建模，那么光通信系统安全态势估计建模的时间复杂度相当高，光通信系统安全态势估计效率低，为了加快光通信系统安全态势估计速度，采用主成分分析算法对光通信系统安全态势估计指标进行降维处理，提取光通信系统安全态势估计指标的公共因素，去除指标之间重复信息。主成分分析算法是一种数据预处理技术，可以对光通信系统安全态势估计指标进行降维操作，最终得出数量较少的几个综合风险指标，这些综合风险估计指标称之为主成分，这些主成分就可以完整描述光通信系统安全态势情况，简化了光通信系统安全态势检测的过程。
3仿真测试
3.1测试对象及对比方法
为了分析数据驱动的光通信系统安全态势估计效果，选择300的光通信系统安全态势样本数据作为测试对象，共进行5次仿真实验，每一次随机选择200个样本组成训练样本集合，其他样本作为测试集合。为测试本方法的光通信系统安全态势估计性能，采用RBF神经网络(进行了主成分分析)的光通信系统安全态势估计方法(PCA－RBF)和支持向量机(没有进行主成分分析)的光通信系统安全态势估计方法(SVM)进行对比测试。
3.2光通信系统安全态势估计效果分析
通过研究，相对于PCA－RBF和SVM，PCA－SVM的光通信系统安全态势估计精度明显提升，减少了光通信系统安全态势估计错误率，这是因为PCA－RBF虽然采用主成分分析算法对光通信系统安全态势估计的指标进行分析，提取了主成分，但由于RBF神经网络自身存的缺陷，无法建立可以准确描述光通信系统安全态势变化特点的估计模型，光通信系统安全态势估计结果有待进一步改善;SVM由于没有采用主成分分析算法对光通信系统安全态势估计指标进行处理，指标之间的重复信息对光通信系统安全态势估计结果产生了干扰，导致光通信系统安全态势错误率高，而PCA－SVM集成了主成分分析算法和支持向量机的优点，可以准确描述光通信系统安全态势变化规律，获得更优的光通信系统安全态势估计结果，验证了PCA－SVM的光通信系统安全态势估计方法的优越性。
3.3光通信系统安全态势估计效率分析
统计光通信系统安全态势估计对训练样本学习和检验样本测试的总时间，相对于SVM，PCA－SVM的光通信系统安全态势估计建模时间大幅度减少，这主要是因为采用主成分分析算法减少了支持向量机输入向量数量，简化了支持向量机的结构，同时与PCA－RBF建模时间相差不大，但是PCA－SVM的光通信系统安全态势估计效果明显好于PCA－RBF，因此，PCA－SVM的光通信系统安全态势估计综合性能更优。
结束语
对光通信系统安全态势评估是建立在对光通信系统安全态势参数分析基础上，结合定量分析和入侵量化特征分析，采用入侵信号特征分析方法，结合入侵参数的模糊度识别，进行光通信系统安全态势关联性分析和特征重构，传统方法中，对光通信系统安全态势的评估模型主要有基于稳态参数分析的光通信系统安全态势评估模型，结合光通信系统的能源波动特征分析和电损特征分析，实现光通信系统安全态势评估，但该方法进行光通信系统安全态势评估的稳定性不好，信道均衡性不强。对此，需要进行光通信系统的安全态势评估，提出基于空间信道均衡配置的光通信系统安全态势评估方法。构建光通信系统安全态势大数据分析模型，结合大数据分析和信道均衡分析，实现光通信系统安全态势评估。最后进行仿真测试分析，展示了本方法在提高光通信系统安全态势评估精度和安全性方面的优越性能。
参考文献
[1]张丽娟,刘平,韩冰.大数据挖掘的光通信信息安全态势预测研究[J].激光杂志,2021,42(10):148-151.
[2]王俊,谭荣华.室内无线光通信系统的物理层加密技术研究[J].激光杂志,2021,42(07):122-126.
[3]张琦.室内可见光通信系统设计及性能分析[D].大连海事大学,2020.
[4]李玉梅.利用智能化光纤保护模块实现铁路光通信系统安全保护[J].科技创新与应用,2014(26):72.
[5]唐华安,尚飞,杨合平,项中超.管道光通信系统安全运行探讨[J].信息通信,2011(06):174-175.