基于WiFi的非入侵式異常用戶活動檢測

龐 娜

(中國科學院信息工程研究所 北京 100093)(sunnypxn@163.com)

基于無線網絡的智慧醫療、重點場所人員監控、識別與定位跟蹤等安全話題越來越受到重視，異常用戶活動的檢測成為研究熱點.傳統的方法分為攝像頭和傳感器，基于攝像頭的方法運用圖像重建、閾值分割等技術自動地識別并跟蹤目標用戶.被檢測用戶必須位于攝像頭的直線視距，而且拍攝角度以及拍攝范圍有限；同時面臨人臉等隱私信息泄露的可能.基于傳感器的方法需要佩戴智能手環等附屬物，傳感器的漂移以及受空間環境的干擾也是實際應用中面臨的巨大挑戰.

無線局域網顯著改變著人們的工作習慣，給我們的生活帶來極大的便利.無線路由器以高速、廉價等特點走進人們生活.無線局域網提供的服務由數據傳輸擴充到空間環境感知，不僅能滿足基本通信，而且有助于利用無線通信網絡資源.基于無線信號的檢測主要分為無線射頻、信號接收強度.要么需要通用軟件無線電外設或軟件無線電等昂貴的信號采集設備，要么精度有限，無法滿足實際生活需求.

物理層信道狀態信息(channel state information, CSI)是正交頻分復用子載波的傳輸鏈路信息，可用于檢測和區分無線信道中的微小變化.WiFall[1]在商用WiFi設備上基于信道狀態信息的改變檢測用戶活動，并獲得15%的平均誤報率前提下得到90%的平均檢測率.E-eyes[2]利用物理層信道狀態信息實現了用戶日常活動的識別，并獲得低于1%的平均假陽率(false positive rate, FPR)前提下得到高于96%的平均真陽率(true positive rate, TPR).WiKey[3]通過對比不同按鍵帶來的信道狀態信息時間序列的形狀特征實現擊鍵識別.基于信道狀態信息檢測活動存在5個優點：

1) 即便存在障礙物遮擋，無線信號仍可以從發射端傳輸至接收端；

2) 不需要特別的專業信號采集硬件，實驗部署成本低廉；

3) 無線信號具有穿透性；

4) 覆蓋范圍廣，不受光線等因素的干擾；

5) 目標用戶無需攜帶信號接收設備，減少了額外設備的負擔.

異常來源于非隨機偏差的特別機制，不能預先確定.本文總結了WiFi環境感知所面臨的挑戰，提出一種基于物理層信道狀態信息的非入侵式異常用戶活動檢測方法.

1 相關理論基礎

1.1 電磁波傳輸的多徑效應

發射端TX和接收端RX之間的無線電信道為無線通信的傳輸介質，信號可以通過多條傳輸路徑從TX到RX，如圖1所示，包括直射、反射、繞射等.每條路徑均有明顯的幅度、時間延遲、信號達到方向.多徑傳播引起的信號接收強度變動增大了活動識別的擾動.

圖1 多徑效應

1.2 信道狀態信息

通過移植編譯驅動，編譯Ubuntu系統，我們可以在商用WiFi設備上獲取信道狀態信息[4].信道狀態信息描述了無線信號多徑傳輸的信號衰弱、空間干擾等信息.在接收端提取信道狀態信息的幅度和相位：

2 WiFi環境感知所面臨的挑戰

2.1 基于無線射頻的活動識別

WiTrack[5]分析人體反射的無線信號，推算人體各關節的運動信息實現三維跟蹤.Kellogg等人[6]提出一種可在多種計算設備上運行的手勢識別系統，在不引起功率和計算開銷額外消耗的前提下，從現有無線信號中提取手勢信息.這種識別方法采用無線信號接收分析設備，不便于在家庭生活中普及.

2.2 基于信號接收強度的活動識別

Nuzzer[7]根據信號接收強度隨人體活動的變化，提出一種豐富多徑條件下追蹤真實環境中的單個實體的方法.Sigg等人[8]通過分析射頻(RF)信道波動來識別被動實體的活動，基于軟件無線電的無源設備進行活動識別.這種識別方法采用粗粒度的易受環境擾動的信號接收強度，精確度較低.

2.3 基于信道狀態信息的活動識別

WiHear[9]通過采集人講話時的反射信號，基于信道狀態信息實現了對唇語的識別.Smokey[10]通過監測6個連貫的吸煙動作帶來的信道狀態信息的變化特征，實現了對吸煙活動的識別.異常活動無法預先被定義，傳統活動識別的方法無法應用于異常檢測.

3 非入侵式異常用戶活動檢測

3.1 異常用戶活動的檢測

圖2為基于信道狀態信息的非侵入式異常用戶活動檢測系統框架，包含CSI預處理、人體活動建模以及異常人體活動檢測3部分.在人體執行活動時，無線路由器不斷地向接收機發送無線信號.

1) 信道狀態信息CSI預處理：通過Intel 5300無線網卡采集CSI并進行噪聲預處理；

2) 用戶活動建模：特定的信道狀態信息時間序列代表特定的人體活動；

3) 異常人體活動檢測：用戶活動分割后，判斷不同活動的相似性進行異常檢測.

圖2 基于信道狀態信息的非侵入式異常用戶活動檢測系統框架

3.2 異常用戶活動的構建

不同人體活動造成信道狀態信息的獨特變化，因此異常活動的檢測目標是在所有的信道狀態信息時間序列中找出異常時間序列.

3.3 用戶活動分割

人體幅度變化較大的活動造成較明顯的CSI波動，而靜止或細微的人體活動造成的CSI 變化微弱.本文使用短時能量STE(short time energy)的方法檢測人體活動，短時能量STE表示為

其中，k表示子載波的數目，N為滑動窗口的大小.

接下來進行異常檢測.提取特定時間內的各個用戶活動的信道狀態信息時間序列：

Qa=(qa 1,qa 2,…,qa M);
Qb=(qb 1,qb 2,…,qb N);
?
Qz=(qz 1,qz 2,…,qz Q).

其中，qi j表示第i個用戶的長度為j的信道狀態信息時間序列.2個用戶活動的信道狀態信息時間序列之間的距離可以構造M×N矩陣，矩陣中的元素(m,n)代表第a個用戶活動第m個信道狀態信息和第b個用戶活動中第n個信道狀態信息之間距離d(am,bn)，即d(am,bn)=(am-bn)2.然后尋找一種2個用戶活動的最佳映射關系，保證規整代價函數取得最小值：

通過計算每個用戶活動與其他用戶活動的相似度，與其他用戶活動相似度較低的用戶活動即為異常用戶活動.

4 實驗分析

4.1 實驗設置

硬件采用配備Intel 5300無線網卡的電腦和無線路由器，工作頻段是2.4 GHz或5 GHz.但由于高頻段的分辨率更高并且干擾更低，實驗選取5 GHz頻段.

4.2 實驗結果

被檢測目標在辦公室環境、會議室環境以及家庭環境中的直線視距、非直線視距場景中執行活動,2種場景如圖3所示：

圖3 直線視距和非直線視距場景

正常行走過程中，實驗檢測到4種異常活動：突然奔跑、滑倒、突然跳躍、突然抬手.在辦公室環境中有較高的平均準確率：直線視距場景中93.4%以及非直線視距場景中92.6%；在會議室環境中，平均準確率分別為92.4%,90.1%；而在家庭環境中，平均準確率分別為86.5%,83.1%.家庭環境中平均準確率較低的原因是復雜的多徑傳輸帶來復雜的干擾.

圖4展示了收發距離對實驗性能的影響，隨著收發距離的增大，異常檢測的準確率逐漸降低，因為WiFi信號的短距傳輸距離，可以提供更準確的信道狀態信息，來捕獲人體活動的變化.

圖4 發射器與接收器距離變化對性能的影響

5 總 結

本文在現有WiFi設備上提出一種非侵入式的基于物理層信道狀態信息的異常用戶活動檢測方法，可工作在直線視距和非直線視距場景下.目前的異常用戶活動檢測方法在運用到實際生活中還有一定距離，后期研究還需要納入復雜多用戶場景的異常判斷.