用戶識別技術現狀分析

王凌云

摘要：近些年來，由于用戶安全和隱私泄露問題日益受到關注，用戶身份識別，即驗證連接到某些資源的人的身份的過程，變得越來越重要。如何防止未經授權的攻擊者訪問某些設備和資源、保護用戶的信息安全、防止信息泄露，已經成為人們普遍關注的一個問題。此外，智能家居等新興應用也在試圖對用戶進行區分，并推出相應的定制服務。用戶身份識別對信息的保護、智能感知的發展具有重要作用，因此具有較大的研究和發展空間。通過分析國內外文獻，首先介紹了當前常用的用戶識別方法，并列舉各方法的優缺點;接下來，介紹了新興的、基于無線信號的用戶識別方法及相應的研究成果。

關鍵詞：用戶識別;信道狀態信息CSI;無線感知

中圖分類號：TP301 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）14-0169-03

Abstract： In recent years， with the increasing concern of user security and privacy disclosure problem， user identification， that is， the process of verifying the identity of people connected to certain resources， has become more and more important. How to prevent unauthorized attackers from accessing some equipment and resources， protect users' information security and prevent information leakage has become a problem of common concern. New applications such as smart homes are also trying to differentiate users and offer customized services. User identification plays an important role in the protection of information and the development of intelligent perception. On the analysis of domestic and overseas literature， firstly， the current common user identification methods are introduced， and the advantages and disadvantages of the methods are listed. Secondly， the emerging user identification methods based on wireless signals and the corresponding research results are introduced.

Key words：user identification; channel state information; wireless sensing

1 傳統的用戶識別方法

當前常用的用戶識別方法大多是基于知識的密碼、手寫或是基于一個或多個生理或行為方面的區別來實現。這些區別要么是與身體本身的屬性有關，如指紋、虹膜、面部特征，要么與人的某些行為方式（如打字、步態、聲音節奏）有關。根據提取特征的不同，可以將當前的用戶身份識別方法分為基于密碼和基于生物特征這兩大類。

1.1 基于密碼的用戶識別方法

在我們的日常生活中，基于密碼的用戶識別方法是最常見的，其優點是識別的方法簡單。但是，我們每個人都需要記住很多密碼，以便訪問所需的資源，當用戶忘記密碼或密碼被竊取時，很有可能會造成較為嚴重的后果。為了提高用戶識別的可靠性，研究者們提出了基于個人生理或行為屬性的用戶識別的觀點，通常被稱為“生物特征”。

1.2 基于生物特征的用戶識別方法

基于生物特征的用戶識別是指通過個人獨特的生理特征（指紋、虹膜等）或行為特征（聲音、步態、簽名等）自動識別其身份[1]。“生物特征”與密碼相比，具有以下幾個優勢：不需要用戶記住任何東西，減少了用戶的記憶負擔;生物特征是每個人固有的，是獨一無二的，不能轉讓或被盜取。這些屬性為用戶識別提供了更好的安全性保證。圖1中顯示了研究者們所找到的可以用于用戶身份識別的生物特征[2]。然而，這些已有的方法大多需要專用的傳感器設備，以及用戶的主動參與，即需要用戶靠近傳感裝置以進行準確的識別或隨身佩戴一些額外的傳感器，會增加用戶的負擔。因此，與這些傳統的用戶識別方法相比，我們亟須找到一種設備簡單、部署方便、用戶負擔小的用戶識別方法。

2 基于無線信號的用戶識別方法

隨著無線技術的發展，無線信號在我們的日常生活中得到了廣泛的應用，WiFi設備無處不在——我們的家中，辦公室，商店，餐館，幾乎所有的空間都充斥著無線信號。當用戶在無線環境中運動時，會對無線信號的傳播產生干擾。CSI tools[3]的出現，使得人們可以通過修改固件的方式，從普通的WiFi設備上獲取到30個子載波上的信道狀態信息（CSI），使得普通的WiFi設備不僅能夠實現高速的信息傳輸，還可以實現情境感知。信道狀態信息（CSI）描述了信號如何從發送端傳輸到接收端，反映了信號在傳播過程中所受到的散射、衰落、遮擋等影響。目前，利用普通的WiFi設備所發射的無線信號可以實現手勢識別[4]、各種日常動作的識別[5-8]、跌倒檢測[9]、識別鍵盤敲擊內容[10]、甚至是監測睡眠[11]及呼吸頻率[12]等。近年來，基于WiFi信號的用戶識別研究也取得了一定的成果，根據提取特征的不同，本文將現有成果分為兩類進行概述。

2.1 基于步態特征的用戶身份識別

基于步態特征的用戶身份識別是指從WiFi數據中提取用戶行走過程中的步態信息，根據步態的唯一性，實現不同用戶的區分。

2016年發表的WiWho[13]是第一個基于WiFi信號的被動、無源的用戶識別的研究。以前的研究[2， 14] 中已經證明，每個人的步態是獨一無二的，可以用于用戶身份識別。WiFi信號中包含與用戶相關的豐富信息，WiWho通過分析CSI數據的形狀，使用“波峰-波谷”的檢測方法對CSI數據進行切割，得到每一步所對應的數據，如圖2所示。WiWho從每一步中提取能夠反映波形的時域（最值、方差、偏度、峰度等）信息，得到踏步特征。踏步特征從統計學的角度，體現了每一步的波形變化，但是并不能表示整個行走過程的全部特性，例如走的快慢、姿勢的改變等，因此需要對整個行走過程的CSI數據進行頻域分析（能量、熵、FFT系數等）得到行走特征。踏步特征和行走特征共同構成了一個人完整的步態模型，從而識別不同的用戶。

與WiWho類似，WifiU[15] 研究中也是利用CSI數據提取用戶的步態信息，根據步態和行走速度的差別實現用戶識別。不同之處是，WiWho是從時域角度進行分析，WifiU是將CSI數據經過短時傅里葉變換得到對應頻譜圖，從頻譜圖中提取特征信息。用戶行走過程中，身體不同部位的運動速度是不同的，因此會影響CSI信號的不同頻段，因此WifiU將CSI時域信號轉化為頻譜圖（三個維度：時間、頻率、振幅）后，如圖3所示，單獨觀察不同頻段上的數據，得到軀干、四肢運動的輪廓線，提取出行走速度、行走周期等信息，實現步態檢測，根據步態和行走速度的差別完成用戶身份的識別。

2.2 基于統計特征的用戶身份識別

基于統計特征的用戶身份識別是指，CSI數據的波動性中包含與用戶相關的特征，通過直接從數據中提取時域（最大值、最小值、均值、峰度、偏度、方差、過均值率）和頻域（熵、能量、FFT峰值）特征的方式，保留原始數據的波形信息，從而實現用戶識別。

如圖4所示，用戶沿走廊行走的過程中，當距離信號收發端較遠時，對信號的影響較小;用戶穿過信號的視距路徑前后時，對信號的影響最大，即CSI中包含的與用戶相關的信息較多，該區域被稱為“有效區域”。WiFi-ID[16]和FreeSense[17]研究中，通過分析“有效區域”中CSI波形的變化，從中提取能夠代表用戶行走方式的統計特征，從而實現用戶身份識別。

3 結束語

在各種系統和場景中，如何實現可靠的用戶識別一直是人們所關心的關鍵問題。傳統的密碼方法不能實現真正意義上的用戶識別，因為它需要用戶記憶某些東西，以此作為識別的依據，安全性較差。作為一種替代方法，基于生物特征的識別方法具有更高的安全性和可靠性。但是，已有的這些方法大多需要部署專用的設備，如攝像機，圖像質量的好壞決定了最終識別的準確率;加速度計等各種傳感器，則需要用戶隨身攜帶才可發揮作用。基于無線信號的用戶識別作為一種新興的用戶識別方法具有不需要部署額外設備、不需要用戶主動參與、簡單有效等優點，在未來會發揮更大的作用。

參考文獻：

[1] Jain A K， Ross A， Prabhakar S. An introduction to biometric recognition[J]. IEEE Transactions on Circuits & Systems for Video Technology. 2004， 14（1）： 4-20.

[2] Unar J A， Seng W C， Abbasi A. A review of biometric technology along with trends and prospects[J]. Pattern Recognition. 2014， 47（8）： 2673-2688.

[3] Halperin D， Hu W， Sheth A， et al. Predictable 802.11 packet delivery from wireless channel measurements[Z]. 2010.

[4] Pu Q， Jiang S， Gollakota S. Whole-Home Gesture Recognition Using Wireless Signals [Z]. 201327-38.

[5] Zeng Y， Pathak P， Mohapatra P. Analyzing Shopper's Behavior through WiFi Signals[C]. ACM， 2015.

[6] Wang Y， Liu J， Chen Y， et al. E-eyes： device-free location-oriented activity identification using fine-grained WiFi signatures[C]. ACM， 2014.

[7] Zeng Y， Pathak P， Xu C， et al. Your AP knows how you move： fine-grained device motion recognition through WiFi[C]. ACM， 2014.

[8] Adib F M， Kabelac Z， Katabi D， et al. 3D Tracking via Body Radio Reflections[J]. 2014： 317-329.

[9] Han C， Wu K， Wang Y， et al. WiFall： Device-free fall detection by wireless networks[Z]. 2014271-279.

[10] Ali K， Liu A， Wang W， et al. Keystroke Recognition Using WiFi Signals[C]. ACM， 2015.

[11] Liu X， Cao J， Tang S， et al. Wi-Sleep： Contactless Sleep Monitoring via WiFi Signals[C]. IEEE， 2014.

[12] Liu X， Cao J， Tang S， et al. Contactless Respiration Monitoring Via Off-the-Shelf WiFi Devices[J]. IEEE Transactions on Mobile Computing. 2016， 15（10）： 2466-2479.

[13] Zeng Y， Pathak P， Mohapatra P. WiWho： wifi-based person identification in smart spaces[C]. IEEE Press， 2016.

[14] Ngo T T， Makihara Y， Nagahara H， et al. The largest inertial sensor-based gait database and performance evaluation of gait-based personal authentication[J]. Pattern Recognition. 2014， 47（1）： 228-237.

[15] Wang W， Liu A X， Shahzad M. Gait recognition using wifi signals[Z]. 2016363-373.

[16] Zhang J， Wei B， Hu W， et al. WiFi-ID： Human Identification Using WiFi Signal[Z]. 201675-82.

[17] Xin T， Guo B， Wang Z， et al. FreeSense： Indoor Human Identification with Wi-Fi Signals[C]. IEEE， 2016.

【通聯編輯：唐一東】