基于无线网络的轻量级无源身份认证系统及方法与流程

1.本发明属于身份认证技术领域，涉及一种基于无线网络的轻量级无源身份认证系统及方法，本系统是一个利用常见cots(commercial-off-the-shelf,商用现货)设备进行wifi信号的采样识别，配合特有的轻量级机器学习算法对wifi信号进行模型识别训练，由此实现人体身份认证的系统。


背景技术：

2.身份认证是普适计算和人机交互中的一项关键技术。现有的身份认证技术主要分为有源认证和无源认证两种方法。有源身份认证方法需要额外的专用设备，如摄像头和多功能传感器，设备费用较高。此外，这种方法通常要求用户靠近感测装置进行准确识别，如虹膜识别，手势识别等，不仅存在隐私隐患也不能大面积覆盖。无源身份认证方法，特别是基于机器学习的方法，通常需要大量的数据样本才能保证高精度的认证。此外，这种方法在跨环境时往往会导致精度下降。为解决以上方法存在的问题，本发明以强普适性的wifi信号作为研究对象，利用轻量级的机器学习方法从有限的wifi数据中充分提取出丰富的特征，以快速的方式实现无源身份认证。
3.wifi信号具有无所不在、细粒度的特性。cots设备的发射端发出的wifi信号经由信号散射、信号直射、信号反射等多种方式的路径的传播后，最后在cots设备的接收端处将会形成多种路径叠加在一起的信号，即多路经叠加信号。此信号受传播过程中实际物理空间环境的影响，会包含能够表示环境特征的信息。这里所说的环境是信号传播的物理空间，既包括人的因素(人的位置、特征、姿势、动作等)，也包括其他外物的因素。这样在wifi信号传播过程中相当于“调制”了相应的环境信息，在接收端解调这些信息就能获得环境信息，其中也包含了感知环境内人物的行为特征，这从原理上保证了利用wifi信号实现高精度人物身份识别的科学性。


技术实现要素：

4.本发明要解决的技术问题是如何运用物理层的wificsi(channel state information，信道状态信息)，通过轻量级的机器学习方式实现人类身份的认证。本发明通过结合信号处理、机器学习等技术，最终为机器学习技术在无源感知身份认证、识别领域的应用提供了理论依据和实践经验，设计的系统为无源识别与追踪、室内入侵检测、公司签到等应用提供了新的设计思路和应用原型。本发明的目的是提供一种基于机器学习的轻量级身份认证方法。
5.本发明的技术方案：
6.一种基于无线网络的轻量级无源身份认证系统，包括cots设备发射端、cots设备接收端、云服务器和控制端；
7.cots设备发射端和cots设备接收端均配置无线网卡，二者相隔置于房间内；cots设备发射端用于发送携带csi信息的wifi信号，cots设备接收端用于接收环境中的wifi信
号并上传至云服务器；
8.云服务器包括数据收集模块、预处理模块和认证模块；数据收集模块使用cots设备收集用户及用户动作的csi数据；预处理模块使用低通滤波器对数据收集模块收集的csi数据进行降噪，对天线和csi流进行筛选，并生成csi特征数据；认证模块利用机器学习的方法对预处理过的csi特征数据进行训练、验证和测试，并通过训练好的网络模型完成身份认证、动作识别；
9.控制端为网页或手机用户端，与cots设备、云服务器相通信，将用户的基本信息发送至云服务器，对用户的身份进行实时监控和预警。
10.一种基于无线网络的轻量级无源身份认证方法，步骤如下：
11.步骤一，用户进入房间，cots设备发射端发送wifi信号，用户行走对wifi信号造成扰动，此时cots设备接收端收集并提取用户四条步态csi数据，并将其上传至云服务器上；同时使用控制端将用户的基本信息发送至云服务器；
12.步骤二，云服务器对步骤一中的csi数据先进行预处理，然后利用机器学习算法对预处理后的数据进行建模；
13.wifi信号预处理，具体步骤如下：
14.(1)数据去噪：利用巴特沃斯滤波器去除频率超过80hz高频噪声；
15.(2)天线筛选：以每条csi数据中的csi流为最小的数据单位来增大有限的数据样本。cots设备有3根天线，计算天线之间csi流的相关系数来评估天线的相关性，去掉相关性最低的1根天线，保留相关性较高的2根天线；
16.(3)csi流筛选：分别计算每根天线上所有csi流的振幅和方差，筛选具有低振幅和高方差的csi流；
17.机器学习算法，具体步骤如下：
18.(1)snn ghostnet网络结构：为实现从有限的数据中提取出完整的特征，并快速地实现身份识别，本发明把snn(siamese neural network，孪生网络)和ghostnet(ghost network，幽灵网络)结合到一起，设计一个snn ghostnet网络结构。snn ghostnet网络结构包括四个模块，分别为ghostnet、全局平均池(global average pooling)与欧氏距离(euclidean distance)、sigmoid回归、和cross-entropy函数模块。其中ghostnet模块为核心部分；
19.snn框架把有限数据中的单个数据组成数据对来进一步增大数据样本量。ghostnet模块包含2个cnn(convolutional neuralnetwork，卷积神经网络)单元和1个ghostnet单元。第一个cnn单元进行数据采样，整理输入数据，第二个cnn单元调整数据维度便于后续处理，ghostnet单元被用来提取完整的深层次动作特征；
20.(2)全局平均池与欧氏距离：采用全局平均池化层均匀接收并保留抽取出的所有特征信息，并且把数据降维为特征向量。之后计算特征向量在特征空间中的欧氏距离；
21.(3)sigmoid回归：使用sigmoid回归方法计算归一化欧氏距离，将其映射到(0,1)；
22.(4)cross-entropy函数：使用cross-entropyloss函数最小化来自相同类别的归一化欧氏距离使其趋近于0，最大化来自不同类别的归一化欧氏距离，使其趋近于1；
23.步骤三，当用户再次进入该房间内时，cots设备接收端再次收集一条步态csi数据，并上传至云服务器。云服务器利用训练好的模型对csi数据进行人物身份匹配验证，显
示出人物身份并发送给控制端，当未在数据库中发现该人物信息时，则云服务器向控制端发出警报信息。
24.本发明的有益效果：设计并开发基于机器学习的轻量级无源身份认证系统。对wifi信号进行预处理提取csi特征，并采用基于snn ghostnet网络的算法，实现身份的高精度实时认证。所开发的系统有望填补无源身份认证应用的空白，为基于机器学习的无源识别、定位打造应用示例。该系统可广泛应用到识别与追踪、室内入侵检测、公司签到等领域。
附图说明
25.图1为云服务器的结构示意图。
26.图中：1cots设备接收端；2cots设备发射端；3用户；4数据收集模块；5预处理模块；6认证模块；7snn框架；8数据去噪；9天线筛选；10csi流筛选；11ghostnet网络结构；12全局平均池和欧氏距离；13sigmoid回归；14cross-entropy函数。
具体实施方式
27.以下结合技术方案(和附图)详细叙述本发明的具体实施方式。
28.一种基于无线网络的轻量级无源身份认证系统及，包括cots设备发射端、cots设备接收端、控制端和云服务器；
29.步骤一，用户首次进入房间，cots设备发射端发送wifi信号，用户行走对wifi信号造成明显扰动，此时cots设备接收端收集并提取用户的四条步态csi数据的并将其上传至云服务器上；同时使用控制端将用户的基本信息发送至云服务器；
30.步骤二，云服务器对步骤一中的csi数据先进行预处理，然后利用机器学习算法对预处理后的数据进行建模；
31.wifi信号预处理，具体步骤如下：
32.(1)数据去噪：将线性插值算法应用到无源感知领域，填补csi数据中的小间隙，使其在时域内均匀分布，并利用巴特沃斯滤波器去除频率超过80hz的高频噪声；
33.(2)天线筛选：以每条csi数据中的csi流为最小的数据单位来增大有限的数据样本。cots设备有3根天线，计算天线之间csi流的相关系数来评估天线的相关性，去掉相关性最低的1根天线，保留相关性较高的2根天线；
[0034][0035]
其中，是第i条和第j条csi流之间的相关系数，为第i条与第j条csi流之间的协方差，和分别表示第i条csi流和第j条csi流的标准差；
[0036]
(3)csi流筛选：分别计算每根天线上所有csi流的振幅和方差，筛选具有低振幅和高方差的csi流；
[0037]
csi流的振幅可以由该组离散数据的最大值来代替。以每组csi流数据的最大值为横坐标，方差为纵坐标，在二维坐标系中作散点图。之后定义一个最理想的中心点p为：
[0038][0039]
其中maximumi和variancej表示对应csi流的最大值和方差；
[0040]
中心点p是以每根天线上的所有csi流数据的最大值中的最小值为横坐标，方差中的最大值为纵坐标的点。计算其他点与中心点p的欧氏距离，根据经验，保留欧氏距离最小的前6个点对应的csi流；
[0041]
机器学习算法，具体步骤如下：
[0042]
(1)snn ghostnet网络结构：为从有限的数据中提取出完整的特征，并快速地实现身份识别，本发明把snn框架和ghostnet结合到一起，设计一个snn ghostnet网络结构。snn ghostnet网络结构包括四个模块，分别为ghostnet、全局平均池与欧氏距离、sigmoid回归、和cross-entropy函数模块。其中ghostnet模块为核心部分；
[0043]
snn框架把有限数据中的单个数据组成数据对来进一步增大数据样本量，并定义该数据对的标签y为：
[0044][0045]
其中ya和yb为组成的数据对xa和xb的标签。
[0046]
之后将数据对xa和xb输入到ghostnet模块中。它包含两个cnn单元和1个ghostnet单元。第一个cnn单元进行数据采样，整理输入数据，第二个cnn单元调整数据维度便于后续处理，ghostnet单元被用快速来提取深层次动作特征；
[0047][0048]
其中g(xa)和g(xb)为得到的特征图；
[0049]
(2)全局平均池与欧氏距离：采用全局平均池化层均匀接收并保留抽取出的所有特征信息，并且把数据降维为特征向量；
[0050][0051]
计算在a(xa)和a(xb)特征向量在特征空间中的欧氏距离；
[0052]
euc(xa，xb)＝||a(xa)-a(xb)||.
ꢀꢀ
(6)
[0053]
(3)sigmoid回归：使用sigmoid回归方法计算归一化欧氏距离，将euc(xa，xb)映射到(0，1)；
[0054][0055]
(4)cross-entropy函数：使用cross-entropyloss函数最小化来自相同类别的s(xa，xb)，使其趋近于0，最大化来自不同类别的s(xa，xb)，使其趋近于1；
[0056]
l(xa，xb，y)＝(1-y)log(1-s(xa，xb)) ylog s(xa，xb) λω，
ꢀꢀ
(8)
[0057]
其中，ω为l2正则器，λ表示正则系数；
[0058]
根据经验，设定阈值0.2来判定输入数据来自同一类别或不同类别。
[0059]
步骤三，当用户再次进入该房间内时，cots设备接收端再次收集一条步态csi数据上传至云服务器，云服务器利用训练好的模型对csi数据行人物身份匹配验证，显示出人物身份并发送给控制端，如果数据库中不存在该人物信息时，云服务器向控制端发出警报信息。