[发明专利]一种基于信道状态信息和支持向量机的入侵检测方法

说明书

技术领域

本发明涉及室内入侵检测领域，尤其涉及一种基于信道状态信息并使用支持向量机技术进行入侵检测的识别方法。

背景技术

基于Wi-Fi的无线局域网在室内获得广泛部署，在提供数据传输服务的同时，还可提供入侵检测服务。往往在保护一些财产或者监视重要区域时，人们常常使用一些基于视觉设备，如摄像头，或者基于红外线的传感器。这些设备虽然在某些特定的环境工作的很好，但往往存在着诸多的限制。基于视觉的设备的一个致命的缺点是监视必须是在直线视距范围之内的，一旦有了遮挡物，设备就无法有效的保障正常的安防，并且基于视觉的设备容易暴露隐私的内容，对一些敏感的区域无法部署。基于红外的传感器虽然可以解决隐私的问题，但是必须要有专业的器材和专门的部署才能发挥重要。基于Wi-Fi的室内入侵检测解决方案不需要搭建专门的硬件设施，充分利用现有无线网络，使用普通商业路由器就可以达到安防监控的功能，它的覆盖范围广而且不会暴露隐私问题。

人体会对周围的Wi-Fi信号产生反射、散射、衍射、衰减等效果，通过监测Wi-Fi信号的变化可以确定目标的入侵情况。从Wi-Fi信号中可以获取接收信号强度指示(Received Signal Strength Indicator,RSSI)和信道状态信息(Channel State Information,CSI)。RSSI是目前使用最广泛的能量特性，但其粗粒度及易变性不适合多径室内环境下的精确感知，用于入侵检测精度很差。CSI是物理层特征，描述信号在发射器和接收器之间传播的衰减因子，包括散射、环境衰减、距离衰减等信息，能够抵抗来自频段的窄频带信号的干扰，在静态环境中足够稳定，被干扰时能立即做出反应，并能够分辨来自多条路径的信号，多径效应影响小。随着正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术在无线局域网中的应用，目前可以较便捷地获得CSI。CSI包含每个子载波的幅度和相位信息，能够提供丰富的频域信息，从而提高室内入侵检测的精确性。

入侵检测的过程可以理解为判断监控区域是否有人在活动，是一个简单的二分类问题。二分类问题也就是判断某个目标是否归属于某个类别，有两种结果，正类与负类分别对应属于与不属于。针对入侵检测问题，有人位于监控区域内即为正类，无人即为负类。CSI信号对于人体的干扰表现明显，有很好的辨识度，所以可以利用分类的思想来求解入侵检测的问题。支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的机器学习方法，在解决高维和非线性问题方面表现出很多优势，借助于SVM分类，可以获得入侵状态和信号指纹之间非线性依赖关系的统计模型。

发明内容

本发明是基于信道状态信息(CSI)和支持向量机(SVM)分类的入侵检测方法，包括以下步骤：

步骤一：环境部署，基于Wi-Fi的入侵检测识别要求室内覆盖Wi-Fi信号，选择信号干扰较小的5G频段，设备为两台笔记本电脑，均都装有Intel link5300agn无线商业网卡；

步骤二：CSI原始数据采集：在无人阶段和有人入侵阶段采集若干CSI原始数据，包括：发送天线个数，接收天线个数，发送频率，信道状态信息CSI矩阵；

步骤三：CSI数据预处理，其中包括：(1)移除原始数据中CSI矩阵第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成量值；(2)每一对发送和接收天线组成的信道中有30条子载波，应用基于密度的聚类算法Density-Based Spatial Clustering of Applications with Noise(DBSCAN)对每一条信道进行聚类，通过删除离群点去噪；(3)使用基于权值的滑动平均算法对去噪后的CSI数据进行平滑；

步骤四：CSI特征值提取，使用主成分分析(Principal Component Analysis,PCA)算法对预处理后的CSI数据进行降维和特征值提取，产生CSI指纹样本；

步骤五：SVM入侵模型训练；其中包括：(1)将CSI指纹样本归一化；(2)基于CSI指纹样本，建立SVM入侵和非入侵分类模型；

步骤六：入侵检测，其步骤如下：(1)按照步骤二进行CSI原始数据采集；(2)按照步骤三进行CSI数据预处理；(3)按照步骤四进行CSI数据降维和特征值提取，获得实时信号指纹；(4)根据SVM入侵模型来分类确定实时测量的CSI指纹所代表的入侵状态；

附图说明