中文引用格式： 王長浩，張懿祥，張強，等. 融合長短期記憶網絡和支持向量機的Wi-Fi室內入侵檢測[J]. 電子技術應用，2025，51(5)：68-76.
英文引用格式： Wang Changhao，Zhang Yixiang，Zhang Qiang，et al. Integrate long short-term memory networks and support vector machine for Wi-Fi indoor intrusion detection[J]. Application of Electronic Technique，2025，51(5)：68-76.
引言
Wi-Fi技術已普及到生活的方方面面，成為人們日常生活中不可或缺的一部分。尤其是大型商場，絕大部分都實現了Wi-Fi的全覆蓋。用戶在連接到商場Wi-Fi后，能夠沉浸式體驗商場內的個性化服務，比如商鋪布局、貴重物品監控等。在用戶享受無縫的網絡連接和各種舒適的個性化服務同時，商家也可以通過部署的Wi-Fi收集和分析客戶行為數據，用來檢測客戶是否誤入商場私密的區域內，以達到保護商場未經授權區域安全的目的，提升商場室內環境的安全性。相比于傳統的入侵檢測技術，例如傳感器和攝像頭[1]，Wi-Fi信號傳輸速率更快、成本更低，并且頻段在全球范圍內都不受限制，這使得Wi-Fi成為一種理想的室內入侵檢測技術[2]。雖然傳感器和攝像頭等技術已經廣泛應用于安防領域，但這些技術通常需要復雜的安裝和維護，且存在一定的盲區和誤報率。相較之下，Wi-Fi信號覆蓋范圍廣且不受物理障礙物的影響，能夠更有效地實現室內監測。通過檢測Wi-Fi信號的強度和變化，可以識別和追蹤人員的移動位置及行為模式，這種技術能夠實時監測Wi-Fi信號的異常變化，從而及時發現并預警潛在的安全威脅。例如在商場內，通過Wi-Fi感知技術，可以檢測到未經授權的人員進入某個區域，從而及時采取措施，保障人員和財產安全。因此，研究基于Wi-Fi的室內入侵檢測技術，利用現有的Wi-Fi基礎設施，通過數據收集和分析，探索更高效、更精準的入侵檢測方法，不僅具有重要的學術價值，還具有廣泛的應用前景。
基于Wi-Fi感知室內入侵檢測的信號數據分為接收信號強度指示[3](Received Signal Strength Indication，RSSI)數據和信道狀態信息[4](Channel State Information，CSI)數據。RSSI是衡量接收信號強度的指標，通常疊加了多個子載波的影響，反映了信道的粗粒度特性。Zhou等人提出了一種基于遷移學習輔助的生成對抗網絡(Generative Adversarial Networks，GAN)的室內無線局域網(Wireless Local Area Network，WLAN)人員入侵檢測方法，通過訓練分類器對在線RSSI數據進行入侵檢測[5]。Jin等人提出了一種采用非參數統計方法構建RSSI數據流的概率密度函數(Probability Density Function，PDF)，還提出了基于所有數據流的魯棒聯合檢測算法的家庭級入侵檢測系統[6]。這種粗粒度特性不能很好地捕獲多路徑效應，因此其精度受到限制。信道狀態信息通過每個子載波的幅度和相位信息來描述信道狀態。信號被分成多個子載波，每個子載波代表不同的頻率，每個子載波都可以獨立地受到信道衰落、多路徑效應等影響[7]，并且CSI記錄了每個子載波上的幅度信息和相位信息。Wang等人通過探索入侵發生時信道狀態信息的自相關函數(Autocorrelation Function，ACF)的分布，利用似然比測試來區分入侵和非入侵場景，提出了入侵檢測系統RoFi[8]。Liu等人提出了一種基于生成對抗網絡的數據增強方法，并對一般入侵檢測進行一類支持向量機(Support Vector Machine，SVM)的入侵檢測方案EPID[9]。Wang等人直接從CSI的幅度中提取特征，并應用支持向量機算法進行檢測，提出了一個名為Wi-Alarm的基于Wi-Fi的低成本被動入侵檢測系統[10]。這些研究者的研究方法存在提取特征值能力有限的問題，因此無法捕捉復雜的幅度變化和相位變化中潛在的影響。Han等人利用BP神經網絡判斷室內場景的具體狀態是無目標、靜態目標還是動態目標，提出了一種基于Wi-Fi信道狀態信息的被動室內人體檢測方法[11]。Hu等人提出了一種CSI相位傳播分量分解算法，使用深度學習中的卷積神經網絡(Convolutional Neural Network，CNN)來訓練模型，使計算機能夠在不提取數值特征的情況下學習和檢測入侵的敏感入侵檢測系統(IDSDL)[12]。
盡管上述研究方法在特征處理方面表現出較強能力，但由于未充分考慮Wi-Fi信號的時間序列特性，在探索信號變化與環境因素的相關性時仍存在一定局限。為了能夠充分捕捉幅度和相位與室內環境的相關性，本文提出了融合長短期記憶網絡和支持向量機的室內入侵檢測方法(Long Short-Term Memory and Support Vector Machine Intrusion Detection, LSID)。該方法由長短期時間序列預測[13]和支持向量機模塊[14]以及其他部分組成。它提取信號中的細粒度信息，經過長短期時間序列預測進行數據預處理得到特征值，再通過支持向量機分類模型檢測。本文的貢獻主要有以下幾點：
(1)針對入侵檢測中難以捕捉復雜的幅度變化和相位變化的問題，提出了一種新的特征值建模方式，將信道狀態信息的幅度值和相位值經過長短期時間序列預測模型后，用真實值和預測值之差的絕對值作為檢測的特征值。
(2)為了提高檢測的準確率，提出長短期時間序列預測與支持向量機相結合的Wi-Fi室內入侵檢測方法，利用支持向量機的多分類投票判決對特征值進行更細致的劃分，提高了檢測的準確率。
(3)本文應用的模型可解釋性高，在學校實驗室環境下經過多次實驗驗證，每一次實驗會采集不同類型的入侵方式并同時使用信號干擾，對比其他模型方法，本文提出的檢測方法的準確率高達99.21%。
本文詳細內容請下載：
http://www.cowatch.cn/resource/share/2000006528
作者信息：
王長浩，張懿祥，張強，郝嘉耀
（陜西科技大學 電子信息與人工智能學院，西安 710021）
