引言
Wi-Fi技术已普及到生活的方方面面，成为人们日常生活中不可或缺的一部分。尤其是大型商场，绝大部分都实现了Wi-Fi的全覆盖。用户在连接到商场Wi-Fi后，能够沉浸式体验商场内的个性化服务，比如商铺布局、贵重物品监控等。在用户享受无缝的网络连接和各种舒适的个性化服务同时，商家也可以通过部署的Wi-Fi收集和分析客户行为数据，用来检测客户是否误入商场私密的区域内，以达到保护商场未经授权区域安全的目的，提升商场室内环境的安全性。相比于传统的入侵检测技术，例如传感器和摄像头[1]，Wi-Fi信号传输速率更快、成本更低，并且频段在全球范围内都不受限制，这使得Wi-Fi成为一种理想的室内入侵检测技术[2]。虽然传感器和摄像头等技术已经广泛应用于安防领域，但这些技术通常需要复杂的安装和维护，且存在一定的盲区和误报率。相较之下，Wi-Fi信号覆盖范围广且不受物理障碍物的影响，能够更有效地实现室内监测。通过检测Wi-Fi信号的强度和变化，可以识别和追踪人员的移动位置及行为模式，这种技术能够实时监测Wi-Fi信号的异常变化，从而及时发现并预警潜在的安全威胁。例如在商场内，通过Wi-Fi感知技术，可以检测到未经授权的人员进入某个区域，从而及时采取措施，保障人员和财产安全。因此，研究基于Wi-Fi的室内入侵检测技术，利用现有的Wi-Fi基础设施，通过数据收集和分析，探索更高效、更精准的入侵检测方法，不仅具有重要的学术价值，还具有广泛的应用前景。
基于Wi-Fi感知室内入侵检测的信号数据分为接收信号强度指示[3](Received Signal Strength Indication，RSSI)数据和信道状态信息[4](Channel State Information，CSI)数据。RSSI是衡量接收信号强度的指标，通常叠加了多个子载波的影响，反映了信道的粗粒度特性。Zhou等人提出了一种基于迁移学习辅助的生成对抗网络(Generative Adversarial Networks，GAN)的室内无线局域网(Wireless Local Area Network，WLAN)人员入侵检测方法，通过训练分类器对在线RSSI数据进行入侵检测[5]。Jin等人提出了一种采用非参数统计方法构建RSSI数据流的概率密度函数(Probability Density Function，PDF)，还提出了基于所有数据流的鲁棒联合检测算法的家庭级入侵检测系统[6]。这种粗粒度特性不能很好地捕获多路径效应，因此其精度受到限制。信道状态信息通过每个子载波的幅度和相位信息来描述信道状态。信号被分成多个子载波，每个子载波代表不同的频率，每个子载波都可以独立地受到信道衰落、多路径效应等影响[7]，并且CSI记录了每个子载波上的幅度信息和相位信息。Wang等人通过探索入侵发生时信道状态信息的自相关函数(Autocorrelation Function，ACF)的分布，利用似然比测试来区分入侵和非入侵场景，提出了入侵检测系统RoFi[8]。Liu等人提出了一种基于生成对抗网络的数据增强方法，并对一般入侵检测进行一类支持向量机(Support Vector Machine，SVM)的入侵检测方案EPID[9]。Wang等人直接从CSI的幅度中提取特征，并应用支持向量机算法进行检测，提出了一个名为Wi-Alarm的基于Wi-Fi的低成本被动入侵检测系统[10]。这些研究者的研究方法存在提取特征值能力有限的问题，因此无法捕捉复杂的幅度变化和相位变化中潜在的影响。Han等人利用BP神经网络判断室内场景的具体状态是无目标、静态目标还是动态目标，提出了一种基于Wi-Fi信道状态信息的被动室内人体检测方法[11]。Hu等人提出了一种CSI相位传播分量分解算法，使用深度学习中的卷积神经网络(Convolutional Neural Network，CNN)来训练模型，使计算机能够在不提取数值特征的情况下学习和检测入侵的敏感入侵检测系统(IDSDL)[12]。
尽管上述研究方法在特征处理方面表现出较强能力，但由于未充分考虑Wi-Fi信号的时间序列特性，在探索信号变化与环境因素的相关性时仍存在一定局限。为了能够充分捕捉幅度和相位与室内环境的相关性，本文提出了融合长短期记忆网络和支持向量机的室内入侵检测方法(Long Short-Term Memory and Support Vector Machine Intrusion Detection, LSID)。该方法由长短期时间序列预测[13]和支持向量机模块[14]以及其他部分组成。它提取信号中的细粒度信息，经过长短期时间序列预测进行数据预处理得到特征值，再通过支持向量机分类模型检测。本文的贡献主要有以下几点：
(1)针对入侵检测中难以捕捉复杂的幅度变化和相位变化的问题，提出了一种新的特征值建模方式，将信道状态信息的幅度值和相位值经过长短期时间序列预测模型后，用真实值和预测值之差的绝对值作为检测的特征值。
(2)为了提高检测的准确率，提出长短期时间序列预测与支持向量机相结合的Wi-Fi室内入侵检测方法，利用支持向量机的多分类投票判决对特征值进行更细致的划分，提高了检测的准确率。
(3)本文应用的模型可解释性高，在学校实验室环境下经过多次实验验证，每一次实验会采集不同类型的入侵方式并同时使用信号干扰，对比其他模型方法，本文提出的检测方法的准确率高达99.21%。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006528
作者信息：
王长浩，张懿祥，张强，郝嘉耀
（陕西科技大学 电子信息与人工智能学院，西安 710021）
