CN110856201B - 一种基于Kullback-Leibler散度的WiFi异常链路检测方法 - Google Patents
一种基于Kullback-Leibler散度的WiFi异常链路检测方法 Download PDFInfo
- Publication number
- CN110856201B CN110856201B CN201911095379.8A CN201911095379A CN110856201B CN 110856201 B CN110856201 B CN 110856201B CN 201911095379 A CN201911095379 A CN 201911095379A CN 110856201 B CN110856201 B CN 110856201B
- Authority
- CN
- China
- Prior art keywords
- link
- csi
- links
- amplitude
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于Kullback‑Leibler散度的WiFi异常链路检测方法。首先,利用Intel5300网卡接收数据,提取信道状态信息(Channel State Information,CSI)幅值数据;其次,对多路子载波信号加权平均拟合成一个幅值信息,来获取有效CSI幅值;然后,对获得的有效CSI幅值进行去中心化处理,使每条数据流的均值相同;随后,利用非参数核密度算法估计数据流的真实分布;最后,通过Kullback‑Leibler散度来度量链路之间的分布差异,并以链路分布差异为基础结合相关准则实现异常链路的检测。本发明能够用来检测区域内的链路是否异常,解决了传统入侵检测系统不区分链路可用性而导致异常链路的异常数据干扰系统判决结果的问题。
Description
技术领域
本发明属于移动通信技术领域,涉及一种基于Kullback-Leibler散度的WiFi异常链路检测方法
技术背景
无线信号在信道中传播,受到环境影响而发生能量、幅度、相位甚至频率的变化,从而携带了反映信道状态的多种特征。这些特征是研究环境特点,感知环境变化的重要手段。研究人员将这些特征用于信道估计、室内定位、人员检测、手势识别等感知领域,取得了丰硕的成果。如今,随着Wi-Fi、蓝牙、ZigBee等无线通信设备的普及,上述利用无线信道特征进行感知的工作对改善人类生活品质具有更为重要的意义。
由于无线信号具有时变性,即使在相对静止的环境中,信号也会出现无规律的波动。因此需要将原始的接收信号通过一系列数据预处理,如信号滤波、特征提取等,才能构建有效的无线传输系统。在实际测量中,由于环境中存在的同频干扰或传播路径较为复杂等因素,导致无线信号在静默无人状态下出现异常波动。本文中定义在静默无人状态下出现大幅度无规律跳变的无线链路称为“异常链路”;而波动幅度较小且平稳的无线链路称为“正常链路”。正常链路在无人运动和有人运动两种状态下,信号波动变化差别较大;而异常链路的信号则一直处于频繁剧烈波动的状态,这种剧烈的波动容易导致无人运动状态下的误报,同时也会掩盖人体运动对无线链路的干扰。可见,相较于正常链路,异常链路对于不同环境状态的感知能力较差。现有的数据预处理方法没能区分链路的可用性,使异常链路的异常数据干扰系统的判决结果,使得感知能力下降,所以设计一种异常链路检测对提高整个感知系统的感知能力非常必要。综上所述,本发明提出了一种基于Kullback-Leibler散度的WiFi异常链路检测方法。
发明内容
本发明的目的是提供一种基于Kullback-Leibler散度的WiFi异常链路检测方法,能有效地对异常链路进行检测和排除。
本发明所述的基于Kullback-Leibler散度的异常链路检测,具体包括以下步骤:
步骤一、布置多台接收机和发射机,建立多条无线收发链路,接收机实时接收CSI序列信号,并计算各链路的CSI幅值;
步骤二、为利用所有子载波的幅值信息,根据每个载波频率相对于中心频率的偏移实现对各个子载波CSI幅值的加权,最后对这多个子载波幅值求均值得到一个有效的CSI幅值。
步骤三、对每条链路的幅值数据进行去中心化处理,从而消除链路间接收信号幅值水平的差异;
步骤四、采用非参数核密度估计算法来估计每条链路的幅值分布情况及概率密度曲线;
步骤五、利用每条链路的概率密度曲线来计算各链路间的Kullback-Leibler散度从而度量链路间的幅值分布差异情况;
步骤六、计算每条链路的平均分布差异的均值和标准差,按照判定准则进行异常链路判断,剔除分布差异性较大的链路,保证检测系统的可靠性。
所述步骤一中,从接收机接收到的CSI数据包包含了幅值信息和相位信息。
信道响应可表示为
其中,fk∈{-58,-54,-50,...,50,54,58}为载波频点,||H(fk)||是第k个子载波上的CSI幅值,∠H(fk)为相位信息。为提取CSI的幅值信息,对每个CSI数据进行取模得到各自的幅值。
所述步骤二中,本发明采用5G频段的信号,那么中心频率f0为5GHz,相邻子载波间的频率偏差为δ=0.0003125(GHZ)。根据每个载波频率相对于中心频率的偏移实现对各个子载波CSI幅值的加权,最后对这多个子载波幅值求均值得到一个有效的CSI幅值,可以表示为:
fj=f0-k(j)×δ
其中fj表示第j个子载波的频率,在802.11n中k(j)的取值为-58:4:58(j为对应的子载波序号,j={1,2,...,30}),N=30,表示子载波的个数,f0指的是信号的中心频率,|CSIi|表示第i个数据包的有效CSI幅值。
所述步骤三中,去中心化的思想是将采集到的CSI有效幅值序列减去其自身的均值,使得每条链路CSI幅值序列的均值为0,从而消除链路间CSI幅值水平的差异。设表示检测区域内所有无线链路的数量,xj,i代表第j条链路在i时刻的CSI幅值。假设第j条链路经过时间T后得到CSI序列为{xj,i,i=1,2,...,T},根据下式进行去中心化处理。
其中,K(x)表示核函数,核函数的种类决定概率密度曲线的形状,hj表示带宽,带宽的大小影响曲线的平滑程度。
4b、不同的核宽度对概率密度曲线有一定的影响,带宽hj的取值决定了估计出的概率密度曲线是否接近信号的真实分布。当hj越大时,(x-Δxj,i)/hj越小,会出现严重的拖尾;当hj越趋于正无穷时,当hj越小时,(x-Δxj,i)/hj越大,会使估计出的曲线越陡峭;当hj趋于0时,则会在观测值处估计出一个脉冲值,无法得到正确的概率分布。本发明选择一种最优带宽的计算方法,其健壮性和实用性都得到了验证:
hj=3.490vjn-1/5
其中,vj表示样本Δxj,i的方差
所述步骤五中,Kullback-Leibler散度,是两个概率分布间差异的非对称性度量,概率分布差异越大,相应的KL散度值也就越大。对于两条不同的链路j和l(j≠l),其概率密度函数分别为和则两者之间的KL散度为:
KL散度有两个重要的性质,分别是非负性(DKL(j,l)≥0)和不对称性(DKL(j,l)≠DKL(l,j))。对于形如DKL(j,l)的KL散度来说,可将视为真实分布,将视为的近似分布。当DKL(j,l)值越大时,表明真实分布与近似分布差距越大。将某条链路的分布作为真实分布,若该链路与其他链路的KL散度值都较大,则该链路是异常链路的可能性也就越大。异常链路检测的具体步骤如下:
5a、计算链路j与其余链路l的KL散度值DKL(j,l),构建KL散度矩阵DKL:
附图说明
图1为本发明系统流程图
图2为实验场景布置图
图3为核密度估计原理图
图4为静默状态正常链路与异常链路接收信号幅值对比图
图5为正常链路与异常链路的分布直方图
图6为包含异常链路与去除异常链路的性能比较图
具体实施方式
下面根据附图对本发明作进一步详细描述:
本发明所提出的技术方案为:一种基于Kullback-Leibler散度的WiFi异常链路检测方法,如图1所示,具体包括以下步骤:
步骤1:实时接收CSI数据;
本步骤中,室内环境下布置了多台发射机和接收机,发射机和接收机的共同点在于搭载了Intel5多0网卡。接收机实时接收发射机发送的CSI序列信号;对每条链路上的CSI数据进行取模得到各自的幅值。
步骤2:各链路多路子载波合一路;
本步骤中,针对每一条链路的CSI幅值信息,根据每个载波频率相对于中心频率的偏移实现对各个子载波CSI幅值的加权,最后对这多个子载波幅值求均值得到一个有效的CSI幅值。
步骤3:各链路有效幅值进行去中心化处理;
本步骤中,会对变换后的数据进行去中心化处理,减去其自身的均值,使得每条链路CSI幅值序列的均值为0,从而消除链路间CSI幅值水平的差异。
步骤4:非参数估计算法估计各链路的CSI数据真实分布;
本步骤中,选取合适的核函数核带宽来进行估计;本发明所选的核函数是Gaussian核函数,每条链路的核带宽根据最优带宽的计算方法
hj=3.490vjn-1/5
其中,vj表示样本Δxj,i的方差;n表示样本总个数。选取好参数之后对每条链路进行核密度估计
步骤5:计算Kullback-Leibler散度来度量链路间的分布差异;
各链路的平均KL散度值计算步骤如下:
5a、计算链路j与其余链路l的KL散度值DKL(j,l),构建KL散度矩阵DKL:
步骤6:选取并剔除分布差异性较大的链路;
Claims (1)
1.一种基于Kullback-Leibler散度的WiFi异常链路检测方法,其特征在于:所述方法包括以下步骤:
步骤1:在室内环境下搭载多台接收机和发射机,建立多条无线收发链路,接收机可实时接收发射机发送的CSI序列信号;对每条链路上的CSI数据进行取模得到各自的幅值;
步骤2:根据每个载波频率相对于中心频率的偏移实现对各个子载波CSI幅值的加权,最后对这多个子载波幅值求均值得到一个有效的CSI幅值,可以表示为:
fj=f0-k(j)×δ
其中fj表示第j个子载波的频率,在802.11n中k(j)的取值为-58:4:58,j为对应的子载波序号,j={1,2,…,30},N=30,表示子载波的个数,f0指的是信号的中心频率,|CSIi|表示第i个数据包的有效CSI幅值;
步骤3:由于每条链路的幅值水平各不相同,无法计算其分布的差异,因此采用去中心化的方式消除链路间幅值水平的差异,去中心化的思想是将采集到的CSI有效幅值序列减去其自身的均值,使得每条链路CSI幅值序列的均值为0,从而消除链路间CSI幅值水平的差异;设表示检测区域内所有无线链路的数量,xj,i代表第j条链路在i时刻的CSI幅值,假设第j条链路经过时间T后得到CSI序列为{xj,i,i=1,2,...,T},根据下式进行去中心化处理;
其中,K(x)表示核函数,核函数的种类决定概率密度曲线的形状,hj表示带宽,带宽的大小影响曲线的平滑程度;
步骤5:计算链路j与其余链路l的KL散度值DKL(j,l),构建KL散度矩阵DKL:
计算每一条链路的平均KL散度值:
步骤6:计算每条链路的平均分布差异的均值μD和标准差vD,按照以下判定准则进行异常链路判断:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095379.8A CN110856201B (zh) | 2019-11-11 | 2019-11-11 | 一种基于Kullback-Leibler散度的WiFi异常链路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095379.8A CN110856201B (zh) | 2019-11-11 | 2019-11-11 | 一种基于Kullback-Leibler散度的WiFi异常链路检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110856201A CN110856201A (zh) | 2020-02-28 |
CN110856201B true CN110856201B (zh) | 2022-02-11 |
Family
ID=69601381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095379.8A Active CN110856201B (zh) | 2019-11-11 | 2019-11-11 | 一种基于Kullback-Leibler散度的WiFi异常链路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110856201B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014126650A1 (en) * | 2013-02-14 | 2014-08-21 | Exxonmobil Upstream Research Company | Detecting subsurface structures |
WO2018084941A1 (en) * | 2016-11-03 | 2018-05-11 | Qualcomm Incorporated | Temporal difference estimation in an artificial neural network |
CN108027738A (zh) * | 2015-05-27 | 2018-05-11 | 苹果公司 | 用于在触敏设备上主动识别和显示相关内容的系统和方法 |
CN110022291A (zh) * | 2017-12-22 | 2019-07-16 | 罗伯特·博世有限公司 | 用于识别通信网络的数据流中的异常的方法和设备 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572679B2 (en) * | 2015-01-29 | 2020-02-25 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
US10355913B2 (en) * | 2017-05-04 | 2019-07-16 | Servicenow, Inc. | Operational analytics in managed networks |
-
2019
- 2019-11-11 CN CN201911095379.8A patent/CN110856201B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014126650A1 (en) * | 2013-02-14 | 2014-08-21 | Exxonmobil Upstream Research Company | Detecting subsurface structures |
CN108027738A (zh) * | 2015-05-27 | 2018-05-11 | 苹果公司 | 用于在触敏设备上主动识别和显示相关内容的系统和方法 |
WO2018084941A1 (en) * | 2016-11-03 | 2018-05-11 | Qualcomm Incorporated | Temporal difference estimation in an artificial neural network |
CN110022291A (zh) * | 2017-12-22 | 2019-07-16 | 罗伯特·博世有限公司 | 用于识别通信网络的数据流中的异常的方法和设备 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
Non-Patent Citations (7)
Title |
---|
"R1-1803664".《3GPP tsg_ran\WG1_RL1》.2018, * |
"R1-1809754".《3GPP tsg_ran\wg1_rl1》.2018, * |
KL-divergence kernel regression for non-Gaussian fingerprint based localization;Piotr Mirowski等;《2011 International Conference on Indoor Positioning and Indoor Navigation》;20111110;全文 * |
Quantized Non-Bayesian Quickest Change Detection with Energy Harvesting;Sinchan Biswas等;《2018 IEEE Global Communications Conference (GLOBECOM)》;20190221;全文 * |
R1-1805908 "Discussion on the design of NoMA receiver";Huawei等;《3GPP tsg_ran\WG1_RL1》;20180512;全文 * |
基于Wi-FI的室内入侵检测;毛文瑞;《合肥工业大学学报》;20140731;全文 * |
基于模糊规则更新的室内WLAN 未知目标入侵检测算法;李坤鹏;《中国优秀硕士学位论文》;20170315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110856201A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3925086B1 (en) | Beam management method, apparatus, electronic device and computer readable storage medium | |
Arshad et al. | Wi-chase: A WiFi based human activity recognition system for sensorless environments | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
US8768260B2 (en) | Electromagnetic wave discrimination device, electromagnetic wave discrimination method, and electromagnetic wave discrimination program | |
CN102883360B (zh) | 一种室内无线全向被动用户检测的方法及系统 | |
CN104502894B (zh) | 基于物理层信息的运动物体被动检测方法 | |
Zhou et al. | Device-free localization based on CSI fingerprints and deep neural networks | |
CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN109450574B (zh) | 高铁通信网络中无线信道多径分簇方法和装置 | |
Arshad et al. | Leveraging transfer learning in multiple human activity recognition using WiFi signal | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN108540931B (zh) | 一种井下区间分段式视距节点合作定位算法 | |
US20220214421A1 (en) | Estimation device, estimation method, and recording medium | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
KR101009827B1 (ko) | 이동통신 시스템에서 이동단말의 속도 추정 장치 및 방법 | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
CN110856201B (zh) | 一种基于Kullback-Leibler散度的WiFi异常链路检测方法 | |
CN111934797B (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
US11113363B2 (en) | Indoor event detection system and method | |
CN108199757A (zh) | 一种利用信道状态信息对民用小型无人机进行实时入侵检测的方法 | |
US6711515B1 (en) | Robust and efficient method for smoothing measurement results | |
CN108134703B (zh) | 网络小区隐患故障预测分析方法及装置 | |
CN113260871A (zh) | 传感器 | |
CN107643544B (zh) | 一种自动检测金属的方法 | |
Choi et al. | Simultaneous crowd estimation in counting and localization using WiFi CSI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |