CN117750320A - 一种基于联邦学习与类增量学习的wifi人员身份识别方法 - Google Patents

Abstract

本发明提出了一种基于联邦学习与类增量学习的wifi人员身份识别方法及系统，利用WiFi信号进行身份识别，并且综合了类增量学习和联邦学习的优势，将这两种学习方法结合起来，使得服务器能够根据用户的模型更新全局模型，提高泛化能力，同时用户的模型训练只在本地设备上进行，不需要将原始数据上传到中心服务器，有效地保护了用户的隐私，能够在边缘设备上完成模型的训练和推理，降低对中心服务器的依赖，提升实时性和效率。

Description

一种基于联邦学习与类增量学习的wifi人员身份识别方法

技术领域

本发明涉无线通信的技术领域，特别是一种基于联邦学习与类增量学习的wifi人员身份识别方法。

背景技术

在一些特定的工作场地，为了保护工作现场的安全和秩序，需要在入口处设置警戒区，防止非工作人员进入。因此，对于进入警戒区的人员，及时进行身份识别，并对非工作人员发出警告，禁止其入内，而对于已经录入系统的工作人员，则允许其正常通行，这是一项重要的功能。传统的身份识别方法主要有两种：一种是基于光学相机的方法，通过捕获人员的面部信息进行识别；另一种是基于特定传感器的方法，通过验证人员的生物信息，如指纹、眼纹等，进行识别。这两种方法都有各自的缺点：基于光学相机的方法会受到室内光线亮度、视距等环境因素的影响，而且对用户的隐私有一定的威胁；基于特定传感器的方法需要检测人员靠近传感器，并配合传感器录入生物信息，这会增加用户的使用负担，而且对于一些不方便接触的部位，如眼纹，也不容易实现。

目前身份识别包括传统的身份识别技术，如指纹识别技术、虹膜识别技术、声纹识别技术、卡片加密技术等。传统技术虽然已经广泛应用于我们的日常生活中，这些传统技术普遍存在一些共同的问题，包括对环境条件敏感、难以处理变化、可能侵犯隐私、安全性不足等。随着科技的发展，对于这些问题的解决办法逐渐转向了基于人工智能和深度学习的新兴技术，以提高准确性、安全性和用户友好性。

而现存的基于人工智能和深度学习的身份识别技术，如：深度学习在人脸识别中的应用、基于深度学习的行为识别、多模态深度学习等。这些人工智能技术在传统身份验证领域中取得了显著的成就，但也面临如下的问题：

1、隐私风险：

传统的中心化识别系统通常需要在中心服务器上存储和处理原始数据，存在用户隐私泄露的风险。用户可能担心个人信息被集中存储，引发隐私问题。

2、网络带宽压力：

传统的中心化系统通常要求大量的数据传输至中心服务器，导致了网络带宽的压力。这不仅增加了通信成本，还可能引起延迟问题，尤其在高密度设备部署的场景中表现尤为突出。

3、缺乏实时性：

中心化系统可能无法满足需要实时响应的应用场景，因为所有的数据都需要传输到中心服务器进行处理，增加了系统响应的时间。

普通的基于WiFi的身份识别是一种非接触式的识别方式，仅需要在WiFi信号有效辐射范围内正常通过即可进行身份识别，流程简单。然而，该方法存在一个明显的问题，即缺乏服务器端参与模型调整和优化的机制。由于仅仅根据本地客户端采集的身份识别数据来训练模型，本地模型的学习效果可能较差。因样本数量较少且单一，容易导致模型过拟合，泛化性不佳。

申请公开号为CN115310473A的发明专利申请公开了一种基于商用WiFi信号的多人身份识别方法，首先利用收发设备搭建信道状态信息采集平台，数据经过预处理并进行增强，然后通过一个反卷积网络输出一个大小类似视觉图片的张量，并输入深度卷积神经网络提取出具有判别性的身份特征，最后利用特征来识别出人体身份。该方法的缺点是场景泛化能力的不足导致每个特定场景需要独立训练模型，这不仅耗费时间和资源，而且对于新增用户的需求，也无法灵活适应而需要重新从头训练。同时，缺乏服务器与客户端协同优化的步骤，这使得设备算力需求增大，未能充分发挥分布式计算的优势。

申请公开号为CN112333653A的发明专利申请公开了基于WiFi信道状态信息的身份智能识别方法、系统，其中方法包括：利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。该方法的缺点是系统尚未采用增量学习的方法，导致在应对新增用户时需要重新训练整个模型。且系统可能会遭遇灾难性遗忘，随着训练任务的增加从而会降低先前录入信息用户的识别能力。

发明内容

为了解决上述的技术问题，本发明提出的一种基于联邦学习与类增量学习的wifi人员身份识别方法，利用WiFi信号进行身份识别，并且综合了类增量学习和联邦学习的优势，使得服务器能够根据用户的模型更新全局模型，提高泛化能力，同时用户的模型训练只在本地设备上进行，不需要将原始数据上传到中心服务器，有效地保护了用户的隐私。

本发明的目的是提供一种基于联邦学习与类增量学习的wifi人员身份识别方法，包括服务器端建立初始的WiFi身份识别全局模型，所述服务器端下发所述WiFi身份识别全局模型及版本号给所有客户端，还包括以下步骤：

步骤1：每个客户端接收服务器下发的所述WiFi身份识别全局模型，收集注册用户在WiFi信号覆盖下活动的数据，数据经过处理之后加入本地数据集，用本地数据集训练下载的所述WiFi身份识别全局模型，并更新为本地模型；

步骤2：判断所述本地模型与最新下发的所述WiFi身份识别全局模型是否聚合，更新所述本地模型并将更新后的本地模型参数上传到所述服务器端；

步骤3：所述服务器端收到来自所有客户端的所述本地模型更新后的参数，进行模型参数的聚合；

步骤4：在服务器端更新所述WiFi身份识别全局模型，等待客户端请求下载，若收到客户端的下载请求则将最新版本的模型数据发送给客户端；

步骤5：重复步骤2-步骤4，在空闲时间段持续优化全局模型及各客户端本地模型的性能，同时使用更新后的所述WiFi身份识别全局模型进行实时身份识别。

优选的是，所述步骤2包括当所述本地模型未与最新下发的所述WiFi身份识别全局模型聚合时，向云端请求下载最新版的所述WiFi身份识别全局模型，并与所述本地模型进行加权聚合，使用本地数据集对聚合模型进行训练和测试，评估所述聚合模型的准确率是否达到预期标准。

在上述任一方案中优选的是，所述步骤2还包括如果所述聚合模型的准确率达到所述预期标准，说明模型聚合成功，更新所述本地模型；如果所述聚合模型的准确率未达到标准，说明模型聚合失败，重新调整聚合权重并进行聚合，直到聚合后的模型的准确率达到所述预期标准。

在上述任一方案中优选的是，当聚合权重调整过程中全局模型的权重为0时，则保留原始本地模型。

在上述任一方案中优选的是，所述步骤2还包括检查本地数据集是否有更新，如果本地数据集没有更新，说明本地模型已经达到最优状态，结束批量训练模式；如果本地数据集有更新，则使用当前数据集对所述本地模型进行训练，并更新所述本地模型。

在上述任一方案中优选的是，所述步骤3包括以下子步骤：

步骤31：所述服务器端接收来自客户端的模型参数，并将其暂存，当暂存模型参数达到数量阈值时，进行全局模型的聚合；

步骤32：通过评估客户端上传的本地模型的质量，为不同的客户端分配不同的权重；

步骤33：全局模型聚合完成后，生成一个新的全局模型，并将其再次进行训练；

步骤34：将测试模型的准确率与上一版本的全局模型进行比较，判断是否达到准确率增长标准。

在上述任一方案中优选的是，所述步骤32包括根据客户端的数据集大小、模型准确率、注册用户数量三个方面来评估本地模型的质量，公式为

其中，w_i表示第i个客户端的权重，n_i表示第i个客户端的数据集大小，a_i表示第i个客户端的模型准确率，u_i表示第i个客户端的注册用户数量，K表示客户端的总数，n_j表示第j个客户端的数据集大小，a_j表示第j个客户端的模型准确率，u_j表示第j个客户端的注册用户数量。

在上述任一方案中优选的是，所述步骤34包括如果未达到所述准确率增长标准，就继续进行训练，直到下一次全局模型聚合；如果达到所述准确率增长标准，更新全局模型，将全局模型保存到存储介质中，并更新全局模型的版本号和时间戳。

在上述任一方案中优选的是，所述实时身份识别的方法包括以下子步骤：

步骤51：WiFi信号收集器实时获取空间中的WiFi信号；

步骤52：当WiFi信号出现异常变化时，表明有人经过了设备的覆盖区域，自动捕获此时的WiFi信号，并用本地模型对其进行特征提取，得到一个特征向量；

步骤53：将得到的特征向量与特征向量数据库中的所有特征向量进行比较，计算它们之间的相似度；

步骤54：如果这个特征向量与数据库中某个特征向量的最高相似度大于等于相似度阈值，则认为此时经过的人就是数据库中对应的用户；如果最高相似度小于相似度阈值，则认为此时经过的人是一个未注册的陌生人，启动警报模式。

在上述任一方案中优选的是，所述警报模式为语音播报器会立即发出警告声，并通知工作人员前来核实该人员的身份。

在上述任一方案中优选的是，当工作人员确认该人员不是已注册的用户时，请该人员离开。

在上述任一方案中优选的是，当工作人员发现该人员是已注册的用户时，则系统发生误报，工作人员手动输入该人员的真实编号，并将其标记为系统误报。

在上述任一方案中优选的是，将所述系统误报的WiFi信号数据使用所述真实编号标记并加入到本地数据集中，在下次模型训练时生成对应的特征向量。

本发明提出了一种基于联邦学习与类增量学习的wifi人员身份识别方法，使用WiFi信号进行身份识别，具有非接触式、不受光线等环节影响、适用于环境复杂的场地等优点，在边缘设备上完成模型的训练和推理，降低对中心服务器的依赖，提升实时性和效率。

附图说明

图1为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的一优选实施例的流程图。

图2为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的一优选实施例的身份识别场景示意图。

图3为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的一优选实施例的系统组成示意图。

图4为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的基于深度学习的WiFi身份识别系统的一实施例的示意图。

图5为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的服务器端工作的一实施例的流程图。

图6为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的客户端工作的一实施例的流程图。

图7为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的警报模式的一实施例的流程图。

图8为按照本发明的基于联邦学习与类增量学习的wifi人员身份识别方法的模型批量训练的一实施例的流程图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，一种基于联邦学习与类增量学习的wifi人员身份识别方法，执行步骤100，服务器端建立初始的WiFi身份识别全局模型，所述服务器端下发所述WiFi身份识别全局模型及版本号给所有客户端。

执行步骤110，每个客户端接收服务器下发的所述WiFi身份识别全局模型，收集注册用户在WiFi信号覆盖下活动的数据，数据经过处理之后加入本地数据集，用本地数据集训练下载的所述WiFi身份识别全局模型，并更新为本地模型。

执行步骤120，判断所述本地模型与最新下发的所述WiFi身份识别全局模型是否聚合，更新所述本地模型并将更新后的本地模型参数上传到所述服务器端。

当所述本地模型未与最新下发的所述WiFi身份识别全局模型聚合时，向云端请求下载最新版的所述WiFi身份识别全局模型，并与所述本地模型进行加权聚合，使用本地数据集对聚合模型进行训练和测试，评估所述聚合模型的准确率是否达到预期标准。

如果所述聚合模型的准确率达到所述预期标准，说明模型聚合成功，更新所述本地模型；如果所述聚合模型的准确率未达到标准，说明模型聚合失败，重新调整聚合权重并进行聚合，直到聚合后的模型的准确率达到所述预期标准。当聚合权重调整过程中全局模型的权重为0时，则保留原始本地模型。

检查本地数据集是否有更新，如果本地数据集没有更新，说明本地模型已经达到最优状态，结束批量训练模式；如果本地数据集有更新，则使用当前数据集对所述本地模型进行训练，并更新所述本地模型。

执行步骤130，所述服务器端收到来自所有客户端的所述本地模型更新后的参数，进行模型参数的聚合，包括以下子步骤：

执行步骤131，所述服务器端接收来自客户端的模型参数，并将其暂存，当暂存模型参数达到数量阈值时，进行全局模型的聚合。

执行步骤132，通过评估客户端上传的本地模型的质量，为不同的客户端分配不同的权重，根据客户端的数据集大小、模型准确率、注册用户数量三个方面来评估本地模型的质量，公式为

其中，w_i表示第i个客户端的权重，n_i表示第i个客户端的数据集大小，a_i表示第i个客户端的模型准确率，u_i表示第i个客户端的注册用户数量，K表示客户端的总数，n_j表示第j个客户端的数据集大小，a_j表示第j个客户端的模型准确率，u_j表示第j个客户端的注册用户数量。

执行步骤133，全局模型聚合完成后，生成一个新的全局模型，并将其再次进行训练。

执行步骤134，将测试模型的准确率与上一版本的全局模型进行比较，判断是否达到准确率增长标准；如果未达到所述准确率增长标准，就继续进行训练，直到下一次全局模型聚合；如果达到所述准确率增长标准，更新全局模型，将全局模型保存到存储介质中，并更新全局模型的版本号和时间戳。

执行步骤140，在服务器端更新所述WiFi身份识别全局模型，等待客户端请求下载，若收到客户端的下载请求则将最新版本的模型数据发送给客户端。

执行步骤150，重复执行步骤120-步骤140，在空闲时间段持续优化全局模型及各客户端本地模型的性能。

执行步骤160，使用更新后的所述WiFi身份识别全局模型进行实时身份识别，所述实时身份识别的方法包括以下子步骤：

执行步骤161，WiFi信号收集器实时获取空间中的WiFi信号；

执行步骤162，当WiFi信号出现异常变化时，表明有人经过了设备的覆盖区域，自动捕获此时的WiFi信号，并用本地模型对其进行特征提取，得到一个特征向量；

执行步骤163，将得到的特征向量与特征向量数据库中的所有特征向量进行比较，计算它们之间的相似度；

执行步骤164，如果这个特征向量与数据库中某个特征向量的最高相似度大于等于相似度阈值，则认为此时经过的人就是数据库中对应的用户；如果最高相似度小于相似度阈值，则认为此时经过的人是一个未注册的陌生人，启动警报模式。

所述警报模式为语音播报器会立即发出警告声，并通知工作人员前来核实该人员的身份，当工作人员确认该人员不是已注册的用户时，请该人员离开；当工作人员发现该人员是已注册的用户时，则系统发生误报，工作人员手动输入该人员的真实编号，并将其标记为系统误报，将产生所述系统误报的wifi信号数据以及输入的编号加入到本地数据集中，在下次模型训练时生成对应的特征向量。

实施例二

本发明提出了一种基于联邦学习与类增量学习的wifi人员身份识别方法及系统，该方法使用WiFi信号进行身份识别，具有非接触式、不受光线等环节影响、适用于环境复杂的场地等优点。该方法的系统由两部分组成：服务器端和客户端。服务器端是一个用户端模型数据收集中心和全局模型训练中心，它负责与所有客户端通信，收集客户端上传的模型数据，利用这些数据分析其中的潜在共同点，并训练一个全局模型，当全局模型达到准确度的要求之后，对云端模型进行更新，并等待用户请求下载。客户端是需要进行人员身份识别的场地，每个场地对应一个客户端，在每个场地中放置WiFi信号发射器和本发明的身份识别装置，用于采集和处理WiFi信号数据，以及进行模型的训练和推理。

本发明的核心主题是：本发明提出了一种基于联邦学习与类增量学习的wifi人员身份识别方法及系统，该方法利用WiFi信号进行身份识别，并且综合了类增量学习和联邦学习的优势。类增量学习是一种能够在新增需识别用户时保持良好的性能的学习方法，它通过在原有的类别上增加新的类别，从而扩展模型的识别范围；联邦学习是一种能够在保护用户数据隐私的同时，利用多个客户端的本地数据训练一个全局的模型的学习方法，它通过在客户端本地进行模型训练，将本地模型参数上传至服务器进行全局模型聚合，避免了上传原始数据的风险，并且减少了通信开销。本发明将这两种学习方法结合起来，使得服务器能够根据用户的模型更新全局模型，提高泛化能力，同时用户的模型训练只在本地设备上进行，不需要将原始数据上传到中心服务器，有效地保护了用户的隐私。此外，由于边缘计算的支持，本发明能够在边缘设备上完成模型的训练和推理，降低对中心服务器的依赖，提升实时性和效率。

Step1：服务器端建立一个初始的WiFi身份识别全局模型，作为整个联邦增量学习任务的起点。服务器端下发模型及版本号给所有客户端。Step2：每个客户端接收服务器下发的全局模型，收集注册用户在WiFi信号覆盖下活动的数据，数据经过处理之后加入本地数据集，用本地数据集训练下载的全局模型，并更新本地模型。

Step3：本系统能够根据是否在空闲时间段进行身份识别。在非空闲时间段，本系统会获取WiFi信号，并通过本地模型提取信号特征。然后，本系统会将该特征与数据库中已注册人员的特征进行匹配，得到最高匹配度。如果最高匹配度低于预设的相似度标准值，本系统会认为该信号来源于非工作人员，并发出警告声，禁止其进入，并通知工作人员进行身份复核。如果最高匹配度高于相似度标准值，本系统会继续正常运行。

Step4：本系统在进行批量训练模式时，需要先检查本地模型是否已与最新版的全局模型聚合。如果没有聚合过，需要向云端请求下载最新版的全局模型，并将其与本地模型进行加权聚合。聚合后，使用本地数据集对聚合模型进行训练和测试，评估其准确率是否达到预期标准。如果达到标准，说明模型聚合成功，更新本地模型。如果未达到标准，说明模型聚合失败，保留原本地模型。如果检查发现本地模型已与最新版的全局模型聚合，需要再检查本地数据集是否有更新，导致有新的数据未被模型训练过。如果有这种情况，需要使用当前数据集对本地模型进行训练，并更新本地模型。如果没有这种情况，说明本地模型已经达到最优状态，结束批量训练模式。无论何种情况，模型更新后都需要将本地模型的数据上传至云端，以便与其他设备共享。Step5：服务器端收到来自所有客户端的本地模型更新后的参数，进行模型参数的聚合。根据客户端的数据集大小、模型准确率、注册用户数量三个方面来评估本地模型的质量来设定客户端的聚合权重。对聚合后的模型进行训练，测试模型的准确率等性能，若性能达到预期效果则更新全局模型并更新全局模型版本号。

Step6：在服务器端更新全局模型，等待客户端请求下载，若收到客户端的下载请求则将最新版本的模型数据发送给客户端，之后重复Step2-Step6，持续优化全局模型及各客户端本地模型的性能。

本发明利用了WiFi信号作为身份识别的依据，能够在不需要接触或拍摄用户的情况下，实现非接触式的身份识别，同时也不受光线、视角等环境因素的影响，适用于各种复杂的工作场地。

本发明结合了联邦学习的思想，能够在保护用户数据隐私的同时，利用多个客户端的本地数据训练一个全局的模型，从而提高各客户端的识别性能。该方案通过在客户端本地进行模型训练，将本地模型参数上传至服务器进行全局模型聚合，避免了上传原始数据的风险，并且减少了通信开销。

本发明采用了类增量学习的方法，能够在新增需识别用户时保持良好的性能，不需要重新训练整个模型，只需要在原有的类别上增加新的类别，从而扩展模型的识别范围。该方案对于客户端需要频繁新增用户的场景依然有很好的性能。

实施例三

本发明的目的是为了在特定的工作场地的入口处设置身份识别的警戒系统，以防止非工作人员的闯入。本发明的身份识别的原理是利用WiFi信号的变化来区分不同的人体特征。本发明的身份识别的场景示意图如图2所示。在入口处的两侧，分别安装了WiFi信号的发射端和接收端，形成一个WiFi信号的覆盖区域。当有人经过该区域时，WiFi信号会被人体反射，从而产生信号的变化。这些变化会被接收端捕获，并从中提取出CSI数据。CSI数据是WiFi信号的一部分，反映了信号在频率域上的变化信息，包括幅度、相位和频率等。通过预先建立的身份识别的模型，可以从CSI数据中提取出有用的信息，从而判断该人的身份。

本发明的系统结构示意图如图3所示。本系统主要由以下几个部分组成：嵌入式处理器、WiFi信号收集器、系统控制器、语音播报器和通信模块。这些部分通过总线连接，使用统一的数据帧格式进行信息的交互。其中，嵌入式处理器是本系统的核心部分，负责完成数据的处理、模型的训练、模型的融合等计算任务。WiFi信号收集器是本系统的输入部分，负责捕获空间中的WiFi数据包，并从中解析出CSI数据。WiFi信号收集器中安装了WiFi网卡和相应的驱动程序，以及用于处理CSI数据的库或脚本。WiFi信号收集器将CSI数据通过总线发送给嵌入式处理器。系统控制器是本系统的操作部分，负责提供一个界面，让工作人员可以对本系统进行设置和调整。例如，系统控制器上有一个按键，当按下该按键时，本系统会进入录入用户模式，用于添加新的用户数据。当本系统发生误报时，工作人员可以通过系统控制器手动解除警报，并标记误报的用户编号，以便后续的优化。语音播报器是本系统的输出部分，负责提供用户提醒功能。当本系统进入录入用户模式时，语音播报器会发出相应的指令，引导新用户按照指令做出相应的动作，以便将新用户的数据录入本系统。当本系统识别出有非工作人员靠近入口时，语音播报器会发出警告声，驱赶该人员，并通知工作人员。本系统会定期向云端服务器请求下载最新全局模型，通信模块负责与云端服务器建立连接，完成请求下载云端模型和上传本地模型参数的功能。

本发明设计了一个基于WiFi信号的身份识别系统，该系统由一个服务器端和多个客户端组成，它们之间通过通信协议进行数据和模型的交换，实现全局模型和本地模型的协同优化，本发明的系统架构如图4所示。系统的初始阶段是由服务器端创建一个初始模型，作为后续迭代优化的基础，由于本发明的目标是利用WiFi信号进行身份识别，选择合适的初始模型，随机初始化模型的权重，然后对现有的公开的WiFi活动识别数据集进行预处理，对不同人员的WiFi活动数据进行标注，形成一个初始的数据集，用该数据集对初始模型进行训练。训练完成后，生成第一个全局模型，并将其版本号设为1.0。

系统的后续阶段是由服务器端和客户端交替进行的，服务器端负责优化全局模型，并将其分发给所有的客户端，客户端负责接收全局模型，将本地模型和全局模型进行加权聚合，并使用本地数据集对其进行训练，以提高对本地录入数据的用户的识别能力，实现个性化的效果。客户端训练完成后，如果该模型的准确率达到预设的要求，就将其参数上传给服务器端并设为新版本地模型，否则保留原本地模型。服务器端收到客户端上传的模型参数后，将其与全局模型进行加权聚合并训练，形成一个更新的全局模型，并将其版本号递增。这个过程不断重复，直到系统达到稳定或满足预期的性能。

本发明的系统在完成1.0版本的全局模型后，进入了一个循环的优化过程，其服务器端流程如图5所示。首先，服务器端接收来自客户端的模型参数，并将其暂存，当暂存模型参数达到一定的数量时，就开始进行全局模型的聚合，我们通过评估客户端上传的本地模型的质量，为不同的客户端分配不同的权重，从而实现对各客户端模型的加权平均。本发明根据客户端的数据集大小、模型准确率、注册用户数量三个方面来评估本地模型的质量，具体的公式如下：

其中，w_i表示第i个客户端的权重，n_i表示第i个客户端的数据集大小，a_i表示第i个客户端的模型准确率，u_i表示第i个客户端的注册用户数量，K表示客户端的总数。

全局模型聚合完成后，生成一个新的全局模型，并将其再次进行训练，训练结束后，测试模型的准确率，与上一版本的全局模型进行比较，如果未达到准确率增长标准，就继续进行训练，直到下一次全局模型聚合，如果达到准确率增长标准，就更新全局模型，将模型保存到存储介质中，并更新全局模型的版本号和时间戳。然后，客户端进入等待状态，等待收集到足够的模型参数，开始下一轮的模型聚合和训练，或者等待用户下载全局模型的请求。

实施例四

本发明的客户端的工作流程如图6所示，客户端设备上有一个录入用户的按钮，当用户按下该按钮时，设备系统会进入新增用户的模式，同时发出语音指令，引导用户在设定的范围内做出一系列的动作，以便采集用户的WiFi信号数据。设备系统会根据语音指令对应的动作，对同一时间段内收集到的WiFi信号数据进行标注，标明该数据对应的动作类别。用户数据采集完成后，设备系统会生成一个新的用户编码，用该编码标记此用户数据，并将采集的用户数据加入到本地数据集中，更新本地数据集。然后，本地模型会使用更新后的本地数据集来训练模型，使得模型能够识别新增的用户。在进行此时的模型训练的任务过程中，不会影响系统的正常运行，系统会从头开始检测是否要添加新用户以及完成后续的任务，以保证在训练时仍然能够执行身份识别的任务。模型训练结束后，设备系统会更新本地模型，并使用更新后的本地模型对本地数据集进行特征提取，得到每个用户的特征向量，并将其存储到特征向量数据库中，替换掉原来的特征向量，完成特征向量数据库的更新。如果设备系统没有进行用户添加的操作，那么它会先判断当前是否处于空闲时间段。空闲时间段是指在这段时间内，很少或者没有人会经过设备所在的入口，而需要进行身份识别的时间段。空闲时间段可以由管理人员手动设置，也可以由设备系统根据一段时间内的识别次数自动判断。设定空闲时间段的目的是为了避免在进行模型加权聚合和批量模型训练的时候，影响设备系统的性能，导致身份识别的任务无法正常执行。如果当前处于空闲时间段，设备系统会进入模型批量训练的模式。如果当前处于非空闲时间段，设备系统会进入正常工作状态，不断地获取空间中的WiFi信号，当WiFi信号出现异常变化时，表明有人经过了设备的覆盖区域，设备系统会捕获这时的WiFi信号，并用本地模型对其进行特征提取，得到一个特征向量，然后将这个特征向量与特征向量数据库中的所有特征向量进行比较，计算它们之间的相似度。如果这个特征向量与数据库中某个特征向量的最高相似度达到了预设的相似度阈值，那么设备系统会认为这时经过的人就是数据库中对应的用户，设备系统会继续正常工作。如果最高相似度低于相似度阈值，那么设备系统会认为这时经过的人是一个未注册的陌生人，设备系统会立即进入警报模式。

本发明的客户端设备在发现未注册的陌生人经过时，会进入警报模式，其流程如图7所示。在警报模式下，语音播报器会立即发出警告声，并通知工作人员前来核实该人员的身份。如果工作人员确认该人员确实不是已注册的用户，就会将其驱赶出去。如果工作人员发现该人员其实是已注册的用户，就说明系统发生了误报，为了避免系统再次误报，工作人员需要在设备系统中手动输入该人员的真实编号，并将其标记为系统误报。设备系统会根据该编号，对此时的WiFi信号数据进行标注，并将其加入到本地数据集中，以便在下次模型训练时，能够生成对应的特征向量，从而提高系统的识别准确率。

如图8所示，本发明的客户端设备在检测到空闲时间段时，会启动模型批量训练的模式，以提高本地模型的性能。首先，设备系统会自动检查本地模型是否已经与最新版的全局模型进行过加权聚合，如果是，就进入下一步；如果不是，就向服务器发送请求，下载最新版的全局模型，并将其与本地模型进行加权聚合。在聚合过程中，设备系统会根据设定的损失函数，调整聚合权重，使其达到最优。每次聚合完成后，设备系统会使用本地数据集对聚合后的模型进行训练，训练结束后，设备系统会测试聚合后的模型的准确率，与本地模型的准确率进行比较，如果准确率有显著提升，达到准确率增长标准，就认为模型聚合成功，如果准确率提升未达到准确率增长标准，就认为模型聚合失败，需要适当调整聚合权重，重新进行聚合，直到聚合后的模型的准确率达到预设的标准，最保守的情况为全局模型权重为0，即保留原本地模型。然后将聚合后的模型替换掉本地模型，作为新版本的本地模型。

如果设备系统在第一步中检查到本地模型已经与最新版的全局模型进行过加权聚合，就会进入下一步，检查本地数据集是否在本地模型更新之后有新的数据添加，如果有，就说明本地模型可能对新数据没有很好的识别能力，需要使用更新后的本地数据集对本地模型进行训练，训练结束后，将训练后的模型替换掉原本地模型，作为新版本的本地模型。如果没有，就说明本地模型已经达到了最优状态，不需要再进行任何调整，就可以结束模型批量训练的模式。无论是哪种情况，设备系统在更新本地模型后，都需要将本地模型的参数上传至服务器端，以便服务器获取各客户端的最新的本地模型参数。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种基于联邦学习与类增量学习的wifi人员身份识别方法，包括服务器端建立初始的WiFi身份识别全局模型，所述服务器端下发所述WiFi身份识别全局模型及版本号给所有客户端，其特征在于，还包括以下步骤：

步骤1：每个客户端接收服务器下发的所述WiFi身份识别全局模型，收集注册用户在WiFi信号覆盖下活动的数据，数据经过处理之后加入本地数据集，用本地数据集训练下载的所述WiFi身份识别全局模型，并更新为本地模型；

步骤2：判断所述本地模型与最新下发的所述WiFi身份识别全局模型是否聚合，更新所述本地模型并将更新后的本地模型参数上传到所述服务器端；

步骤3：所述服务器端收到来自所有客户端的所述本地模型更新后的参数，进行模型参数的聚合；

步骤4：在服务器端更新所述WiFi身份识别全局模型，等待客户端请求下载，若收到客户端的下载请求则将最新版本的模型数据发送给客户端；

步骤5：重复步骤2-步骤4，在空闲时间段持续优化全局模型及各客户端本地模型的性能，同时使用更新后的所述WiFi身份识别全局模型进行实时身份识别。

2.如权利要求1所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤2包括当所述本地模型未与最新下发的所述WiFi身份识别全局模型聚合时，向云端请求下载最新版的所述WiFi身份识别全局模型，并与所述本地模型进行加权聚合，使用本地数据集对聚合模型进行训练和测试，评估所述聚合模型的准确率是否达到预期标准。

3.如权利要求2所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤2还包括如果所述聚合模型的准确率达到所述预期标准，说明模型聚合成功，更新所述本地模型；如果所述聚合模型的准确率未达到标准，说明模型聚合失败，重新调整聚合权重并进行聚合，直到聚合后的模型的准确率达到所述预期标准。

4.如权利要求3所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤2还包括检查本地数据集是否有更新，如果本地数据集没有更新，说明本地模型已经达到最优状态，结束批量训练模式；如果本地数据集有更新，则使用当前数据集对所述本地模型进行训练，并更新所述本地模型。

5.如权利要求4所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤3包括以下子步骤：

步骤31：所述服务器端接收来自客户端的模型参数，并将其暂存，当暂存模型参数达到数量阈值时，进行全局模型的聚合；

步骤32：通过评估客户端上传的本地模型的质量，为不同的客户端分配不同的权重；

步骤33：全局模型聚合完成后，生成一个新的全局模型，并将其再次进行训练；

步骤34：将测试模型的准确率与上一版本的全局模型进行比较，判断是否达到准确率增长标准。

6.如权利要求5所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤32包括根据客户端的数据集大小、模型准确率、注册用户数量三个方面来评估本地模型的质量，公式为

其中，w_i表示第i个客户端的权重，n_i表示第i个客户端的数据集大小，a_i表示第i个客户端的模型准确率，u_i表示第i个客户端的注册用户数量，K表示客户端的总数，n_j表示第j个客户端的数据集大小，a_j表示第j个客户端的模型准确率，u_j表示第j个客户端的注册用户数量。

7.如权利要求6所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述步骤34包括如果未达到所述准确率增长标准，就继续进行训练，直到下一次全局模型聚合；如果达到所述准确率增长标准，更新全局模型，将全局模型保存到存储介质中，并更新全局模型的版本号和时间戳。

8.如权利要求7所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述实时身份识别的方法包括以下子步骤：

步骤51：WiFi信号收集器实时获取空间中的WiFi信号；

步骤52：当WiFi信号出现异常变化时，表明有人经过了设备的覆盖区域，自动捕获此时的WiFi信号，并用本地模型对其进行特征提取，得到一个特征向量；

步骤53：将得到的特征向量与特征向量数据库中的所有特征向量进行比较，计算它们之间的相似度；

步骤54：如果这个特征向量与数据库中某个特征向量的最高相似度大于等于相似度阈值，则认为此时经过的人就是数据库中对应的用户；如果最高相似度小于相似度阈值，则认为此时经过的人是一个未注册的陌生人，启动警报模式。

9.如权利要求8所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，所述警报模式为语音播报器会立即发出警告声，并通知工作人员前来核实该人员的身份；当工作人员确认该人员不是已注册的用户时，请该人员离开。

10.如权利要求9所述的基于联邦学习与类增量学习的wifi人员身份识别方法，其特征在于，当工作人员发现该人员是已注册的用户时，则系统发生误报，工作人员手动输入该人员的真实编号，并将其标记为系统误报；将所述系统误报的WiFi信号数据使用所述真实编号标记并加入到本地数据集中，在下次模型训练时生成对应的特征向量。