引言

Wi-Fi技術(shù)已普及到生活的方方面面，成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?。尤其是大型商?chǎng)，絕大部分都實(shí)現(xiàn)了Wi-Fi的全覆蓋。用戶在連接到商場(chǎng)Wi-Fi后，能夠沉浸式體驗(yàn)商場(chǎng)內(nèi)的個(gè)性化服務(wù)，比如商鋪布局、貴重物品監(jiān)控等。在用戶享受無縫的網(wǎng)絡(luò)連接和各種舒適的個(gè)性化服務(wù)同時(shí)，商家也可以通過部署的Wi-Fi收集和分析客戶行為數(shù)據(jù)，用來檢測(cè)客戶是否誤入商場(chǎng)私密的區(qū)域內(nèi)，以達(dá)到保護(hù)商場(chǎng)未經(jīng)授權(quán)區(qū)域安全的目的，提升商場(chǎng)室內(nèi)環(huán)境的安全性。相比于傳統(tǒng)的入侵檢測(cè)技術(shù)，例如傳感器和攝像頭[1]，Wi-Fi信號(hào)傳輸速率更快、成本更低，并且頻段在全球范圍內(nèi)都不受限制，這使得Wi-Fi成為一種理想的室內(nèi)入侵檢測(cè)技術(shù)[2]。雖然傳感器和攝像頭等技術(shù)已經(jīng)廣泛應(yīng)用于安防領(lǐng)域，但這些技術(shù)通常需要復(fù)雜的安裝和維護(hù)，且存在一定的盲區(qū)和誤報(bào)率。相較之下，Wi-Fi信號(hào)覆蓋范圍廣且不受物理障礙物的影響，能夠更有效地實(shí)現(xiàn)室內(nèi)監(jiān)測(cè)。通過檢測(cè)Wi-Fi信號(hào)的強(qiáng)度和變化，可以識(shí)別和追蹤人員的移動(dòng)位置及行為模式，這種技術(shù)能夠?qū)崟r(shí)監(jiān)測(cè)Wi-Fi信號(hào)的異常變化，從而及時(shí)發(fā)現(xiàn)并預(yù)警潛在的安全威脅。例如在商場(chǎng)內(nèi)，通過Wi-Fi感知技術(shù)，可以檢測(cè)到未經(jīng)授權(quán)的人員進(jìn)入某個(gè)區(qū)域，從而及時(shí)采取措施，保障人員和財(cái)產(chǎn)安全。因此，研究基于Wi-Fi的室內(nèi)入侵檢測(cè)技術(shù)，利用現(xiàn)有的Wi-Fi基礎(chǔ)設(shè)施，通過數(shù)據(jù)收集和分析，探索更高效、更精準(zhǔn)的入侵檢測(cè)方法，不僅具有重要的學(xué)術(shù)價(jià)值，還具有廣泛的應(yīng)用前景。

基于Wi-Fi感知室內(nèi)入侵檢測(cè)的信號(hào)數(shù)據(jù)分為接收信號(hào)強(qiáng)度指示[3](Received Signal Strength Indication，RSSI)數(shù)據(jù)和信道狀態(tài)信息[4](Channel State Information，CSI)數(shù)據(jù)。RSSI是衡量接收信號(hào)強(qiáng)度的指標(biāo)，通常疊加了多個(gè)子載波的影響，反映了信道的粗粒度特性。Zhou等人提出了一種基于遷移學(xué)習(xí)輔助的生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)的室內(nèi)無線局域網(wǎng)(Wireless Local Area Network，WLAN)人員入侵檢測(cè)方法，通過訓(xùn)練分類器對(duì)在線RSSI數(shù)據(jù)進(jìn)行入侵檢測(cè)[5]。Jin等人提出了一種采用非參數(shù)統(tǒng)計(jì)方法構(gòu)建RSSI數(shù)據(jù)流的概率密度函數(shù)(Probability Density Function，PDF)，還提出了基于所有數(shù)據(jù)流的魯棒聯(lián)合檢測(cè)算法的家庭級(jí)入侵檢測(cè)系統(tǒng)[6]。這種粗粒度特性不能很好地捕獲多路徑效應(yīng)，因此其精度受到限制。信道狀態(tài)信息通過每個(gè)子載波的幅度和相位信息來描述信道狀態(tài)。信號(hào)被分成多個(gè)子載波，每個(gè)子載波代表不同的頻率，每個(gè)子載波都可以獨(dú)立地受到信道衰落、多路徑效應(yīng)等影響[7]，并且CSI記錄了每個(gè)子載波上的幅度信息和相位信息。Wang等人通過探索入侵發(fā)生時(shí)信道狀態(tài)信息的自相關(guān)函數(shù)(Autocorrelation Function，ACF)的分布，利用似然比測(cè)試來區(qū)分入侵和非入侵場(chǎng)景，提出了入侵檢測(cè)系統(tǒng)RoFi[8]。Liu等人提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法，并對(duì)一般入侵檢測(cè)進(jìn)行一類支持向量機(jī)(Support Vector Machine，SVM)的入侵檢測(cè)方案EPID[9]。Wang等人直接從CSI的幅度中提取特征，并應(yīng)用支持向量機(jī)算法進(jìn)行檢測(cè)，提出了一個(gè)名為Wi-Alarm的基于Wi-Fi的低成本被動(dòng)入侵檢測(cè)系統(tǒng)[10]。這些研究者的研究方法存在提取特征值能力有限的問題，因此無法捕捉復(fù)雜的幅度變化和相位變化中潛在的影響。Han等人利用BP神經(jīng)網(wǎng)絡(luò)判斷室內(nèi)場(chǎng)景的具體狀態(tài)是無目標(biāo)、靜態(tài)目標(biāo)還是動(dòng)態(tài)目標(biāo)，提出了一種基于Wi-Fi信道狀態(tài)信息的被動(dòng)室內(nèi)人體檢測(cè)方法[11]。Hu等人提出了一種CSI相位傳播分量分解算法，使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)來訓(xùn)練模型，使計(jì)算機(jī)能夠在不提取數(shù)值特征的情況下學(xué)習(xí)和檢測(cè)入侵的敏感入侵檢測(cè)系統(tǒng)(IDSDL)[12]。

盡管上述研究方法在特征處理方面表現(xiàn)出較強(qiáng)能力，但由于未充分考慮Wi-Fi信號(hào)的時(shí)間序列特性，在探索信號(hào)變化與環(huán)境因素的相關(guān)性時(shí)仍存在一定局限。為了能夠充分捕捉幅度和相位與室內(nèi)環(huán)境的相關(guān)性，本文提出了融合長(zhǎng)短期記憶網(wǎng)絡(luò)和支持向量機(jī)的室內(nèi)入侵檢測(cè)方法(Long Short-Term Memory and Support Vector Machine Intrusion Detection, LSID)。該方法由長(zhǎng)短期時(shí)間序列預(yù)測(cè)[13]和支持向量機(jī)模塊[14]以及其他部分組成。它提取信號(hào)中的細(xì)粒度信息，經(jīng)過長(zhǎng)短期時(shí)間序列預(yù)測(cè)進(jìn)行數(shù)據(jù)預(yù)處理得到特征值，再通過支持向量機(jī)分類模型檢測(cè)。本文的貢獻(xiàn)主要有以下幾點(diǎn)：

(1)針對(duì)入侵檢測(cè)中難以捕捉復(fù)雜的幅度變化和相位變化的問題，提出了一種新的特征值建模方式，將信道狀態(tài)信息的幅度值和相位值經(jīng)過長(zhǎng)短期時(shí)間序列預(yù)測(cè)模型后，用真實(shí)值和預(yù)測(cè)值之差的絕對(duì)值作為檢測(cè)的特征值。

(2)為了提高檢測(cè)的準(zhǔn)確率，提出長(zhǎng)短期時(shí)間序列預(yù)測(cè)與支持向量機(jī)相結(jié)合的Wi-Fi室內(nèi)入侵檢測(cè)方法，利用支持向量機(jī)的多分類投票判決對(duì)特征值進(jìn)行更細(xì)致的劃分，提高了檢測(cè)的準(zhǔn)確率。

(3)本文應(yīng)用的模型可解釋性高，在學(xué)校實(shí)驗(yàn)室環(huán)境下經(jīng)過多次實(shí)驗(yàn)驗(yàn)證，每一次實(shí)驗(yàn)會(huì)采集不同類型的入侵方式并同時(shí)使用信號(hào)干擾，對(duì)比其他模型方法，本文提出的檢測(cè)方法的準(zhǔn)確率高達(dá)99.21%。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://theprogrammingfactory.com/resource/share/2000006528

作者信息：

王長(zhǎng)浩，張懿祥，張強(qiáng)，郝嘉耀

（陜西科技大學(xué) 電子信息與人工智能學(xué)院，西安 710021）