0 引言

    入侵检测方法包括微波、红外、超声报警器以及雷达和视频监控等^[1-5]，这些检测方法原理和性能不同，适用于不同的场所。近年来，由于WiFi基础设施的普及，基于WiFi信号的人体行为感知技术成为研究的热点^[6]。例如，庞娜等人^[7]利用CSI进行异常用户活动检测，周启臻等人^[8]利用CSI相位差实现了人员入侵检测，DOMENICO S D等人^[9]从CSI振幅中提取多普勒频率在穿墙场景下实现了人数检测，Wang Jie等人^[10]基于经验模式分解从CSI中提取特征实现了人员身份识别，MOORE R等人^[11]利用RSSI平均值和方差检测接收机和发射机之间的人员入侵。

    2018年2月，SOBRON I等人公开了CSI数据集EHUCOUNT^[12]，WiFi信号检测机理及应用研究进入了新阶段。本文的主要工作如下：通过仿真实验进一步验证了子载波的振幅和相位与人行为的关联；采用奇异值分解提取了CSI数据集的特征，并通过支持向量机(Support Vector Machine，SVM)对特征进行分类，证明6种典型场景下检测率为93.35%～99.23%；基于卷积神经网络(Convolutional Neural Network，CNN)得到了6种典型场景下检测准确率为89.17%～99.14%；通过研制的专用谱传感节点采集WiFi信号，实验证明检测准确率为98%。

1 信道状态信息及数据集

1.1 信道状态信息

    在无线信号传输过程中，环境的变化会使无线信道呈现出差异化的特点。人体活动会影响无线信号的多径传输。一般用信道冲击响应(CIR)对信道的多径效应进行描述，信道冲击响应可表示为^[12]：

    无线信号在开放空间传输过程中，如果有人进入，那么无线信号多径传输的路径就会发生改变，信道冲击响应随之改变，因此无法直接获得信道冲击响应，但是可以获得信道状态信息Hⁿ，通过对信道状态信息的测量可以判断当前空间内的信道状态，从而实现入侵检测。

1.2 数据集CSI数据集

    2018年，SOBRON I等人公开了CSI数据集EHUCOUNT^[12]，该数据集是在6种不同场景下采集得到的，场景类型见表1。该文通过该数据集进行了场景内活动人数识别，采用SVM对场景E内活动人数识别的结果见表2所示^[12]。

    从表2中可以看出，随着场景内人数的增加，人数识别准确率开始下降，但是场景内无人时的识别准确率高达99.6%，即在该数据集下使用SVM对室内入侵检测是一种很好的方法。

2 CSI数据特征及分类识别结果

2.1 数据预处理

    收集数据集时，采样率为25 sample/s，一个成年人的正常步速约为1 m/s，所以在使用该数据集时选择的数据窗口长度为2 s，以确保窗口长度内的数据可以记录到人体活动。无线信道状态信息的实际采集过程中，由于室内环境复杂以及设备的原因可能会出现随机的异常值，为了保证CSI数据流对预测结果的准确性和稳定性，排除异常值对训练模型建立和测试的影响，需要对异常值进行有效的处理。基于3σ准则进行异常值检测，具体方法是：如果单个子载波样本值与子载波均值μ的差值在3σ上，则用均值来替换该子载波样本值，即经过异常值处理后的数据分布在(μ-3σ，μ+3σ)区间内。

    经过异常值处理后发现同一个子载波不同样本点的数据波动过大，这应该是由于环境中不稳定的噪声波动所引起的。为了减弱噪声波动的影响，提高识别的准确性，本文利用MATLAB软件中的smooth函数作为移动平均滤波器对经过异常值剔除的数据进行平滑。移动平均滤波器是一个低通滤波器，将连续的CSI数据流看成一个长度固定为N的队列，在一次处理后将队列第一个数去除，其余N-1个数据依次前移，并将第N+1个CSI数据插入，作为新队列的尾，然后进行运算，并将运算结果作为本次处理的结果。其计算公式如下：

式中，n为数据包序号；N为移动窗口大小，一般为奇数，N的值决定了移动平均滤波的平滑程度，N的值越大CSI数据会越平滑，但是会造成局部细节信息的丢失；i为天线序列号。

2.2 特征提取

    从能量的角度对预处理后的数据使用权重归一化奇异值分解算法^[15]分别对振幅和相位矩阵进行特征提取。奇异值分解的目的是提取矩阵重要的特征，可以从含有噪声的数据中提取主要特征。特征提取流程如图1所示。

    权重归一化奇异值分解保留原始数据中90%的能量，将主要特征从原始数据中提取出来，并去除冗余信息。在某个奇异值(例如第r个奇异值)之后，其他奇异值都很小，这意味着数据中只有r个重要特征，其余特征都是噪声或者次要特征，因此在实际使用中通常选择保留前r个奇异值。本文在使用奇异值分解提取特征后又提取了子载波振幅均值和相位最大奇异值，特征分别如图2、图3所示。图2展示了1个子载波的均值，图3展示了相位最大奇异值，从图中可以看出有人和无人时的特征存在明显区别，进一步证明了前述的入侵检测机理。

    支持向量机(SVM)是一种基于统计学理论的机器学习算法^[16]。它通过寻求结构化风险最小来提高泛化能力并实现经验风险和置信范围的最小化，从而在统计样本量较少的情况下也能获得良好统计规律。SVM是一种二分类模型，其基本模型定义为特征空间上间隔最大的线性分类器，即支持向量机的学习策略是间隔最大化，最终可转换为一个凸二次规划问题的求解问题^[16]。因此，将提取到的特征送入SVM中进行分类识别，流程如图4所示。

    本文还使用CNN自动提取特征进行入侵检测实验，在VGGNet的基础上结合实际情况建立网络架构。VGGNet由多个卷积层、3层全连接层和Softmax输出层构成，所有激活单元都采用ReLU函数^[17]。小卷积核是VGGNet的一个重要特点，整个网络都使用大小为3×3的卷积核和2×2的最大池化层，使用3×3的卷积层堆叠在一起来增加深度, 使用最大池化层下采样，每一次的输出大小为输入大小的一半。每一个卷积层获取到的有用信息随着尺寸增加而变得粗糙^[17]。VGGNet展示了卷积神经网络的深度与性能之间的关系，同时具有很强的拓展性，可以迁移到其他数据上。

    使用CNN的入侵检测模型如图5所示，首先场景内一个窗口长度的CSI数据被采集到，在CSI实际采集过程中，由于室内环境复杂以及设备的原因，可能会出现随机的异常值，为了保证CSI数据流对预测结果的准确性和稳定性，本实验对数据进行预处理，处理后的数据被送入CNN网络中自动提取特征。在CNN中数据经过不同卷积核局部感知后进入池化层下采样，输出多个特征面，组成同一个特征面的神经元与上一输入层的相同区域相连，权值共享，但不同输出特征面的神经元权值不共享^[17]，部分神经元随机关闭，用于减少出现过拟合的情况。数据经过多个卷积层后到全连接层，通过分类识别得到最终的输出结果，判别场景内是否有人。

2.3 仿真实验结果

    对数据集中6种场景使用SVM和CNN分别进行入侵检测，得到的实验结果如表3所示。

    从表3中可以看出，通过SVM在6种典型场景下进行入侵检测仿真实验，场景A和场景E的入侵检测准确率高达99%，场景B、C、F的入侵检测准确率在98%左右，场景D的准确率也达到93.35%，使用CNN自动提取特征进行入侵检测在场景D的情况下识别准确率高于使用SVM的方法。实验结果表明上述入侵检测方法是有效的。

3 基于WiFi信道的入侵检测实验

    为了进一步验证上述入侵检测方法，在实验室中通过部署谱传感节点采集WiFi信号，两台谱传感节点组成一条收发链路，即一台发送设备，一台接收设备，实验志愿者在实验室内随机走动，模拟室内入侵情况发生。用上述实验中提出的SVM和CNN模型进行入侵检测实验。

    本实验提取了振幅奇异值、相位奇异值、振幅均值、振幅方差、振幅频偏、振幅峰度、振幅四分位距、多普勒均值、多普勒方差、能量的标准差系数等特征，部分特征提取结果如图6所示，图6(a)展示了1个载波的振幅均值，图6(b)展示了相位最大奇异值。实际场景入侵检测结果如表4所示，进一步证明了上述方法的可行性。

4 结论

    本文针对入侵检测问题，使用权重归一化奇异值分解方法提取CSI中的奇异值特征以及其他特征，在给定数据集上通过SVM对特征进行分类，得到6种典型场景下检测率为93.35%～99.23%，通过CNN自动提取特征得到了6种典型场景下检测率为89.17%～99.14%；在实际场景中通过研制的专用谱传感节点在有人和无人情况下分别采集WiFi信号。采用仿真实验中的SVM和CNN模型，得到的识别准确率分别为98.99%和98.33%。实验证明本文使用的入侵检测方法是可行的。

    本文提出的方法仅在数据集数据和实验室采集的数据中进行验证，可能不适合其他室外场景。此外，本文使用的权重归一化奇异值分解方法提取出的奇异值个数不同，在本实验中仅使用了最大奇异值作为特征，可能会损失部分有效信息。如何更有效地利用CSI信息，并推动其实际应用是下一步研究工作的重点。

参考文献

[1] 段玮倩，胡岸勇，苗俊刚.射频与微波技术在安防领域的应用[J].电子技术应用，2017，43(7)：4-7，15.

[2] 蔡彬彬，包亚萍，陶卉，等.基于ZigBee协议的红外入侵检测系统的设计[J].电子技术应用，2007，33(11)：97-99，103.

[3] GHOSH A，CHAKRABORTY D，PRASAD D，et al.Can we recognize multiple human group activities using ultrasonic sensors[C].2018 10th International Conference on Communication Systems & Networks(COMSNETS)，Bengaluru，2018：557-560.

[4] 王俊，郑彤，雷鹏，等.深度学习在雷达中的研究综述[J].雷达学报，2018，7(4)：395-411.

[5] 黄凯奇，陈晓棠，康运锋，等.智能视频监控技术综述[J].计算机学报，2015，20(6)：1093-1118.

[6] 鲁勇，吕绍和，王晓东，等.基于WiFi信号的人体行为感知技术研究综述[J/OL].计算机学报，2018，41(27)：1-22.[2018-11-06].http：//kns.cnki.net/kcms/detail/11.1826.TP.20180303.1407.018.html.

[7] 庞娜.基于WiFi的非入侵式异常用户活动检测[J].信息安全研究，2018，4(8)：711-714.

[8] 周启臻，邢建春，杨启亮.基于信道状态信息相位差的人员入侵检测方法[J].传感技术学报，2018(1)：103-109.

[9] DOMENICO S D，SANCTIS M D，CIANCA E，et al.WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the doppler spectrum[J].IEEE Aerospace and Electronic Systems Magazine，2018，33(5-6)：14-19.

[10] Wang Jie，Zhao Yunong，Fan Xinxin，et al.Device-free identification using intrinsic CSI features[J].IEEE Transactions on Vehicular Technology，2018，PP(99)：1.

[11] MOORE R，HOWARD R，KUKSA P，et al.A geometric approach to device-free motion localization using signal strength[OL].(2010-xx-xx)[2018-11-06].https：//doi.org/doi:10.7282/T3PC35T2.

[12] SOBRON I，SER J D，EIZMENDI I，et al.Device-free people counting in IoT environments: new insights, results and open challenges[J].IEEE Internet of Things Journal，2018，PP(99)：1.

[13] HAN C，TAN Q，SUN L，et al.CSI frequency domain fingerprint-based passive indoor human detection[J].Information，2018，9(4)：95.

[14] DOMENICO S D，PECORARO G，CIANCA E，et al.Trained-once device-free crowd counting and occupancy estimation using WiFi：a Doppler spectrum based approach[C].2016 IEEE 12th International Conference on Wireless and Mobile Computing，Networking and Communications(WiMob).IEEE，2016：1-8.

[15] 苑霸，姚萍，郑天垚.基于权重归一化奇异值分解的辐射源信号识别研究[J/OL].雷达学报，2018，7：1-10[2018-11-06].http：//radars.ie.ac.cn/fileup/HTML/R18053.htm.

[16] 周明快，黄巍，陈滨，等.基于无线信道状态相位信息优化的定位算法[J].传感技术学报，2018，31(6)：957-962.

[17] 张松龙，谢林柏.基于全部卷积特征融合的显著性检测[J].激光与光电子学进展，2018，55(10)：232-238.

作者信息:

曾  正1，张  六1，陈俊昌2，黄  铭1，杨晶晶1

（1.云南大学 信息学院，云南 昆明650091；2.国家无线电监测中心云南省无线电监测站，云南 昆明650031）