《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 融合長短期記憶網(wǎng)絡(luò)和支持向量機的Wi-Fi室內(nèi)入侵檢測
融合長短期記憶網(wǎng)絡(luò)和支持向量機的Wi-Fi室內(nèi)入侵檢測
電子技術(shù)應(yīng)用
王長浩，張懿祥，張強，郝嘉耀
陜西科技大學(xué) 電子信息與人工智能學(xué)院
摘要： 基于Wi-Fi感知的室內(nèi)入侵檢測系統(tǒng)是一種無需在移動實體上附加任何設(shè)備即可檢測移動實體的系統(tǒng)。針對目前檢測方法忽略復(fù)雜的幅度變化和相位變化引起的潛在影響，提出了融合長短期記憶網(wǎng)絡(luò)和支持向量機的室內(nèi)入侵檢測新方法LSID（Long Short-Term Memory and Support Vector Machine Intrusion Detection）。LSID方法采用一種新的特征值建模方式，利用長短期記憶網(wǎng)絡(luò)可以學(xué)習(xí)到時序特征并且能捕捉時序信號長期的依賴關(guān)系，將信道狀態(tài)信息真實值與長短期記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測值之差作為特征值，能更準確地捕捉入侵者對信號狀態(tài)信息的影響。該檢測方法在學(xué)校實驗室環(huán)境下經(jīng)過多次實驗驗證，最終檢測準確率達到99.21%，通過多組實驗比對，結(jié)果顯示LSID方法具有有效性和可行性，相比于其他入侵檢測方法準確率明顯提升。
中圖分類號：TP.391 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245916
中文引用格式： 王長浩，張懿祥，張強，等. 融合長短期記憶網(wǎng)絡(luò)和支持向量機的Wi-Fi室內(nèi)入侵檢測[J]. 電子技術(shù)應(yīng)用，2025，51(5)：68-76.
英文引用格式： Wang Changhao，Zhang Yixiang，Zhang Qiang，et al. Integrate long short-term memory networks and support vector machine for Wi-Fi indoor intrusion detection[J]. Application of Electronic Technique，2025，51(5)：68-76.
Integrate long short-term memory networks and support vector machine for Wi-Fi indoor intrusion detection
Wang Changhao，Zhang Yixiang，Zhang Qiang，Hao Jiayao
School of Electronic Information and Artificial Intelligence， Shaanxi University of Science & Technology
Abstract： Wi-Fi sensing based indoor intrusion detection system is a system that can detect mobile entities without attaching any device to them. To address the potential effects caused by the complex amplitude and phase variations of current detection methods, this paper proposes a new method for indoor intrusion detection (LSID: Long Short-Term Memory and Support Vector Machine Intrusion Detection) that fuses long short-term memory networks and support vector machines.The LSID method adopts a new eigenvalue modeling approach, which utilizes a long short-term memory network that can learn the temporal features and can capture the long-term dependencies of temporal signals, the difference between the true value of the channel state information and the predicted value of the long short-term memory neural network is used as the eigenvalue, which can more accurately capture the intruder's influence on the signal state information. The detection method is validated in the school laboratory environment after many experiments, and the final detection accuracy reaches 99.21%. Through the comparison of multiple groups of experiments, the results show that the LSID method has the effectiveness and feasibility, and the accuracy is significantly improved compared with other intrusion detection methods.
Key words : indoor intrusion；long short-term memory networks；support vector machines；eigenvalue modeling

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?。尤其是大型商場，絕大部分都實現(xiàn)了Wi-Fi的全覆蓋。用戶在連接到商場Wi-Fi后，能夠沉浸式體驗商場內(nèi)的個性化服務(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性化服務(wù)同時，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)，用來檢測客戶是否誤入商場私密的區(qū)域內(nèi)，以達到保護商場未經(jīng)授權(quán)區(qū)域安全的目的，提升商場室內(nèi)環(huán)境的安全性。相比于傳統(tǒng)的入侵檢測技術(shù)，例如傳感器和攝像頭[1]，Wi-Fi信號傳輸速率更快、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，且存在一定的盲區(qū)和誤報率。相較之下，Wi-Fi信號覆蓋范圍廣且不受物理障礙物的影響，能夠更有效地實現(xiàn)室內(nèi)監(jiān)測。通過檢測Wi-Fi信號的強度和變化，可以識別和追蹤人員的移動位置及行為模式，這種技術(shù)能夠?qū)崟r監(jiān)測Wi-Fi信號的異常變化，從而及時發(fā)現(xiàn)并預(yù)警潛在的安全威脅。例如在商場內(nèi)，通過Wi-Fi感知技術(shù)，可以檢測到未經(jīng)授權(quán)的人員進入某個區(qū)域，從而及時采取措施，保障人員和財產(chǎn)安全。因此，研究基于Wi-Fi的室內(nèi)入侵檢測技術(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、更精準的入侵檢測方法，不僅具有重要的學(xué)術(shù)價值，還具有廣泛的應(yīng)用前景。

基于Wi-Fi感知室內(nèi)入侵檢測的信號數(shù)據(jù)分為接收信號強度指示[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是衡量接收信號強度的指標，通常疊加了多個子載波的影響，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)人員入侵檢測方法，通過訓(xùn)練分類器對在線RSSI數(shù)據(jù)進行入侵檢測[5]。Jin等人提出了一種采用非參數(shù)統(tǒng)計方法構(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)合檢測算法的家庭級入侵檢測系統(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)信息通過每個子載波的幅度和相位信息來描述信道狀態(tài)。信號被分成多個子載波，每個子載波代表不同的頻率，每個子載波都可以獨立地受到信道衰落、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，利用似然比測試來區(qū)分入侵和非入侵場景，提出了入侵檢測系統(tǒng)RoFi[8]。Liu等人提出了一種基于生成對抗網(wǎng)絡(luò)的數(shù)據(jù)增強方法，并對一般入侵檢測進行一類支持向量機(Support Vector Machine，SVM)的入侵檢測方案EPID[9]。Wang等人直接從CSI的幅度中提取特征，并應(yīng)用支持向量機算法進行檢測，提出了一個名為Wi-Alarm的基于Wi-Fi的低成本被動入侵檢測系統(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)場景的具體狀態(tài)是無目標、靜態(tài)目標還是動態(tài)目標，提出了一種基于Wi-Fi信道狀態(tài)信息的被動室內(nèi)人體檢測方法[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，使計算機能夠在不提取數(shù)值特征的情況下學(xué)習(xí)和檢測入侵的敏感入侵檢測系統(tǒng)(IDSDL)[12]。

盡管上述研究方法在特征處理方面表現(xiàn)出較強能力，但由于未充分考慮Wi-Fi信號的時間序列特性，在探索信號變化與環(huán)境因素的相關(guān)性時仍存在一定局限。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，本文提出了融合長短期記憶網(wǎng)絡(luò)和支持向量機的室內(nèi)入侵檢測方法(Long Short-Term Memory and Support Vector Machine Intrusion Detection, LSID)。該方法由長短期時間序列預(yù)測[13]和支持向量機模塊[14]以及其他部分組成。它提取信號中的細粒度信息，經(jīng)過長短期時間序列預(yù)測進行數(shù)據(jù)預(yù)處理得到特征值，再通過支持向量機分類模型檢測。本文的貢獻主要有以下幾點：

(1)針對入侵檢測中難以捕捉復(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)過長短期時間序列預(yù)測模型后，用真實值和預(yù)測值之差的絕對值作為檢測的特征值。

(2)為了提高檢測的準確率，提出長短期時間序列預(yù)測與支持向量機相結(jié)合的Wi-Fi室內(nèi)入侵檢測方法，利用支持向量機的多分類投票判決對特征值進行更細致的劃分，提高了檢測的準確率。

(3)本文應(yīng)用的模型可解釋性高，在學(xué)校實驗室環(huán)境下經(jīng)過多次實驗驗證，每一次實驗會采集不同類型的入侵方式并同時使用信號干擾，對比其他模型方法，本文提出的檢測方法的準確率高達99.21%。


本文詳細內(nèi)容請下載：

http://www.ihrv.cn/resource/share/2000006528


作者信息：

王長浩，張懿祥，張強，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）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。