一種基于SVDD的WLAN室內(nèi)被動(dòng)入侵檢測(cè)方法

高羅瑩，田增山，李玲霞，張小婭

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 前 言

被動(dòng)入侵檢測(cè)是指被檢測(cè)目標(biāo)在不攜帶任何信號(hào)收發(fā)設(shè)備的條件下，通過檢測(cè)入侵目標(biāo)對(duì)無線電波的擾動(dòng)實(shí)現(xiàn)環(huán)境的異常檢測(cè)，在智能家居、老人監(jiān)護(hù)和警務(wù)安保等領(lǐng)域具有潛在的應(yīng)用價(jià)值[1-3]。目前為止已經(jīng)發(fā)展了多種被動(dòng)入侵檢測(cè)系統(tǒng)，比如，超寬帶雷達(dá)系統(tǒng)[4]，計(jì)算機(jī)視覺系統(tǒng)[5]，無線電層析成像系統(tǒng)[6]以及無線傳感器[7]被動(dòng)檢測(cè)系統(tǒng)。這些系統(tǒng)在特定條件下能夠提供較高的檢測(cè)率，但仍有各自的缺點(diǎn)。超寬帶雷達(dá)檢測(cè)系統(tǒng)，需要安裝特殊的硬件設(shè)備；計(jì)算機(jī)視覺系統(tǒng)受到直射視距的影響，并且無法在黑暗環(huán)境或者煙霧環(huán)境中工作；無線電層析成像系統(tǒng)和無線傳感器系統(tǒng)，需要部署高密度的節(jié)點(diǎn)來實(shí)現(xiàn)監(jiān)測(cè)區(qū)域的全覆蓋，且設(shè)備昂貴，不適宜大規(guī)模商用。相比于這些系統(tǒng)，基于無線局域網(wǎng)(wireless local area network，WLAN)的被動(dòng)入侵檢測(cè)系統(tǒng)利用室內(nèi)環(huán)境中廣泛部署的無線網(wǎng)絡(luò)，具有易部署、成本較低、覆蓋面積廣等特點(diǎn)，從而得到了廣泛的關(guān)注。

現(xiàn)有的基于WLAN的被動(dòng)入侵檢測(cè)技術(shù)，主要有基于時(shí)間序列分析的檢測(cè)技術(shù)，如移動(dòng)均值(moving average，MA)和移動(dòng)方差(moving variance，MV)檢測(cè)技術(shù)[8]；基于統(tǒng)計(jì)異常的檢測(cè)技術(shù)，如Ichnaea系統(tǒng)[9]；以及基于模式識(shí)別的檢測(cè)技術(shù)，如基于最大似然估計(jì)(maximum likelihood estimation, MLE)[10]和支持向量機(jī)(support vector machine, SVM)[11]的檢測(cè)技術(shù)。然而，基于時(shí)間序列分析的檢測(cè)技術(shù)，雖然能在短時(shí)間內(nèi)獲得較高的檢測(cè)性能，但是對(duì)環(huán)境變化的穩(wěn)健性較差，隨著時(shí)間和環(huán)境的變化檢測(cè)性能逐漸下降；基于統(tǒng)計(jì)異常的檢測(cè)技術(shù)，其單鏈路的檢測(cè)性能取決于置信度水平的取值，因此在多鏈路聯(lián)合檢測(cè)中，為了實(shí)現(xiàn)較好的檢測(cè)性能需要調(diào)整每條鏈路的置信度水平，其應(yīng)用場(chǎng)景有限；基于模式識(shí)別的檢測(cè)技術(shù)，需要在訓(xùn)練階段采集大量的正常數(shù)據(jù)和異常數(shù)據(jù)作為訓(xùn)練樣本，才能獲得較好的分類準(zhǔn)確率，因此訓(xùn)練階段時(shí)間開銷較大，不適合在大范圍場(chǎng)景下應(yīng)用。

為了避免以上技術(shù)的不足，本文提出一種基于支持向量域描述(support vector domain description，SVDD)[12-13]的WLAN室內(nèi)被動(dòng)入侵檢測(cè)算法。首先，利用A-distance值分布差異性度量方法[14]與交叉驗(yàn)證法計(jì)算出各種信號(hào)特征對(duì)于正確區(qū)分靜默狀態(tài)與有人運(yùn)動(dòng)狀態(tài)的平均貢獻(xiàn)度，選擇平均貢獻(xiàn)度較高的特征來刻畫環(huán)境中不同的狀態(tài)。然后，根據(jù)特征選取的結(jié)果，提取出靜默狀態(tài)下每條鏈路相應(yīng)的信號(hào)特征，并構(gòu)造出特征矩陣。最后，利用特征矩陣訓(xùn)練SVDD異常檢測(cè)模型，SVDD以SVM為基礎(chǔ)，通過非線性變換將特征矩陣從低維輸入空間變換到高維特征空間，并在高維空間中得到一個(gè)超球體異常檢測(cè)邊界，并且利用L1正則化有效地抑制離群點(diǎn)的影響，具有較好的抗噪性。本文最后在復(fù)雜的家居環(huán)境和大范圍的走廊環(huán)境下采集WLAN數(shù)據(jù)用以驗(yàn)證本文算法的有效性。驗(yàn)證結(jié)果表明，本文算法在這2種環(huán)境中的F1-measure值分別達(dá)到0.960和0.945，優(yōu)于現(xiàn)有的基于WLAN的被動(dòng)入侵檢測(cè)技術(shù)。

1 系統(tǒng)模型

本文的室內(nèi)入侵檢測(cè)系統(tǒng)包括3個(gè)階段，分別為特征分析階段，離線訓(xùn)練階段，在線監(jiān)測(cè)階段。系統(tǒng)框架如圖1。

特征分析階段。在入侵檢測(cè)系統(tǒng)中，不同的特征組合其檢測(cè)性能存在差異。因此，在特征分析階段需要挑選出最優(yōu)的特征組合，作為之后系統(tǒng)構(gòu)建的特征數(shù)據(jù)基礎(chǔ)。在該階段，本文分析隨機(jī)場(chǎng)景中多種特征在正常和異常狀態(tài)下的分布差異，評(píng)估這些特征在不同傳播路徑下的重要性，并根據(jù)特征重要性排序選擇最優(yōu)的特征組合用于被動(dòng)入侵檢測(cè)。

離線訓(xùn)練階段。采集靜默數(shù)據(jù)來構(gòu)建入侵檢測(cè)模型，用于檢測(cè)環(huán)境中是否存在異常。在該階段，感知區(qū)域中有無人活動(dòng)，接收設(shè)備采集每條鏈路的接收信號(hào)強(qiáng)度值。然后，根據(jù)特征分析階段的結(jié)果提取每條鏈路相應(yīng)的特征值，結(jié)合多鏈路信號(hào)特征構(gòu)建特征矩陣。最后，利用特征矩陣訓(xùn)練出SVDD入侵檢測(cè)模型。

在線檢測(cè)階段。利用離線階段訓(xùn)練出的模型來判斷當(dāng)前環(huán)境是否異常。在該階段，提取實(shí)時(shí)信號(hào)的相應(yīng)特征構(gòu)建特征向量，通過判斷特征向量是否在超球體內(nèi)部來判斷感知區(qū)域內(nèi)是否存在入侵，實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

2 基于SVDD的WLAN室內(nèi)被動(dòng)入侵檢測(cè)系統(tǒng)

2.1 特征分析階段

特征分析階段主要是通過分析各種特征在靜默和入侵2種狀態(tài)下的分布差異，來尋找最優(yōu)的特征組合，用于構(gòu)建被動(dòng)入侵檢測(cè)系統(tǒng)。

2.1.1 信號(hào)特征分布差異性分析

在2.4～5 GHz頻段的無線環(huán)境中，信號(hào)在無變化的環(huán)境中其接收信號(hào)強(qiáng)度(received signal strength，RSS)值相對(duì)穩(wěn)定，但是一旦環(huán)境中存在干擾，信號(hào)在傳播過程中會(huì)受到反射，折射和散射的影響，會(huì)造成RSS值的變化，如圖2，靜默和有人走動(dòng)時(shí)，鏈路的信號(hào)具有明顯的差異。因此，接收端RSS信號(hào)的變化情況，能很好地反映無線環(huán)境是否有入侵者。

為了更好地捕捉接收端信號(hào)功率水平的變化，本文使用滑動(dòng)窗函數(shù)提取信號(hào)特征，通過學(xué)習(xí)信號(hào)特征的變化來研究接收信號(hào)變化的規(guī)律。本文主要考慮7種信號(hào)特征，分別是最大值、最小值、均值、中值、極差值、方差以及平均FFT[15](mean of fast fourier transformation，Mean FFT)。其中，平均FFT是信號(hào)的頻域特征，用于捕獲人員入侵的周期模式，能有效地反映信號(hào)的波動(dòng)變化情況。假設(shè)t時(shí)刻的滑動(dòng)窗數(shù)組為Wt=[xt-L+1xt-L+2…xt],t≥L，滑動(dòng)窗長(zhǎng)度為L(zhǎng)。根據(jù)特征提取函數(shù)提取t時(shí)刻滑動(dòng)窗數(shù)組的特征，平均頻率提取公式為

(1)

圖3為4條鏈路的7種特征在靜默和走動(dòng)狀態(tài)下的分布情況?？梢钥闯?，不同特征在2種狀態(tài)下的分布差異性是不同的。因此，為了在不同環(huán)境下均能獲得較高的檢測(cè)率，需要對(duì)特征進(jìn)行篩選，選取分布差異較大的特征組合實(shí)現(xiàn)異常檢測(cè)。

2.1.2 特征選取方法與步驟

為了實(shí)現(xiàn)有效的特征選取，本文使用A-distance值評(píng)估每個(gè)特征在靜默和走動(dòng)2種狀態(tài)下的分布差異，選取分布差異程度較大的特征構(gòu)建檢測(cè)模型。其中，A-distance值通常用于度量構(gòu)建2分類器的2組數(shù)據(jù)(Ds和Dt)的分布差異程度[13]，A-distance值越大，說明2組數(shù)據(jù)的分布差異性越大，構(gòu)建出的分類器分類誤差就越低。本文中選擇決策樹作為線性分類器h，使用E(h)表示分類器的損失，則A-distance值定義為

dA(Ds,Dt)=2(1-2E(h))

(2)

利用A-distance值和交叉驗(yàn)證法計(jì)算每個(gè)特征的平均貢獻(xiàn)度Cj的具體步驟如下。

步驟1 提取M條鏈路靜默數(shù)據(jù)和走動(dòng)數(shù)據(jù)的7種信號(hào)特征，并構(gòu)建特征矩陣Dnor,i和Dabnor,i，其中，i=1,…,M。

步驟2 將鏈路i(i=1,…,M)中第j(j=1,…,7)個(gè)特征向量Djnor,i和Djabnor,i分別劃分為G個(gè)大小相似的互斥子集

Djnor,i=Dj，1nor,i∪Dj,2nor,i∪…∪Dj,Gnor,i

Djabnor,i=Dj，1abnor,i∪Dj,2abnor,i∪…∪Dj,Gabnor,i

步驟3 構(gòu)造訓(xùn)練集Trgi,j,g=1,…,G和測(cè)試集Tegi,j,g=1,…,G，具體為

其中，靜默數(shù)據(jù)的標(biāo)記為1，走動(dòng)數(shù)據(jù)的標(biāo)記為-1。

步驟4 利用訓(xùn)練集Trgi,j,g=1,…,G構(gòu)造決策樹分類器hgi,j,g=1,…,G。

步驟6 根據(jù)(3)式求出鏈路i中第j個(gè)特征對(duì)應(yīng)的A-distance值，具體為

dAi,j=2(1-2E(hi,j))

(3)

若dAi,j<0，表明特征j不能有效地區(qū)分鏈路i中的靜默狀態(tài)和走動(dòng)狀態(tài)，因此令dAi,j=0。然后，依次計(jì)算出鏈路i中7個(gè)特征的A-distance值{dAi,1,dAi,2,…,dAi,7}，并進(jìn)行歸一化，得到特征j對(duì)于鏈路i的貢獻(xiàn)度ci,j

(4)

步驟7 計(jì)算M條鏈路中第j個(gè)特征的貢獻(xiàn)度ci,j,i=1,…,M，并求出第j個(gè)特征的平均貢獻(xiàn)度。最后，依次求出7個(gè)特征的平均貢獻(xiàn)度Cj為

(5)

步驟8 根據(jù)平均貢獻(xiàn)度Cj的大小對(duì)特征重要性進(jìn)行從高到低排序，Cj越大，特征重要性排序越靠前。最后，根據(jù)特征重要性排序結(jié)果選取前p(p≤7)個(gè)特征構(gòu)建被動(dòng)入侵檢測(cè)系統(tǒng)。

在實(shí)際部署中，特征數(shù)p的取值，根據(jù)目標(biāo)場(chǎng)景中靜默數(shù)據(jù)的虛警率來確定，當(dāng)特征數(shù)p從1開始逐漸增加時(shí)，虛警率會(huì)逐漸降低，當(dāng)特征數(shù)p達(dá)到一定值popt時(shí)，虛警率降低到較低水平，并隨著特征數(shù)的繼續(xù)增加，虛警率趨于穩(wěn)定或出現(xiàn)上升的趨勢(shì)，此時(shí)特征數(shù)的取值應(yīng)為popt。

2.2 離線訓(xùn)練階段

離線訓(xùn)練階段通過采集靜默狀態(tài)下多條鏈路信號(hào)數(shù)據(jù)，結(jié)合特征分析階段結(jié)果，提取相應(yīng)的特征數(shù)據(jù)，構(gòu)建特征矩陣，然后利用特征矩陣訓(xùn)練SVDD入侵檢測(cè)模型，用于在線檢測(cè)階段對(duì)環(huán)境的實(shí)時(shí)監(jiān)測(cè)。

2.2.1 特征矩陣構(gòu)建

用k表示在系統(tǒng)中無線鏈路的數(shù)量，該值等于信號(hào)發(fā)射設(shè)備即接入點(diǎn)(access point，AP)的數(shù)量乘以信號(hào)接收設(shè)備即監(jiān)測(cè)點(diǎn)(monitor point，MP)的數(shù)量，其中，接收機(jī)的接收頻率為1 Hz。

根據(jù)特征選取的結(jié)果，本文選擇貢獻(xiàn)度較高的p(p≤7)個(gè)特征用于運(yùn)動(dòng)檢測(cè)，利用滑動(dòng)窗函數(shù)(滑動(dòng)窗長(zhǎng)為L(zhǎng)，與特征分析階段相同)提取出每條鏈路j在時(shí)刻t相應(yīng)的p個(gè)信號(hào)特征st,j，即st,j=[s1t,j，…，spt,j]，其中，s1t,j和spt,j表示鏈路j在t時(shí)刻提取出的第1個(gè)特征和第p個(gè)特征。將t時(shí)刻k條鏈路的特征構(gòu)成特征向量St，即St=[st,1,…,st,j,…,st,k]。采集T個(gè)時(shí)刻的信號(hào)后，得到T-L+1個(gè)特征向量，利用這T-L+1個(gè)特征向量構(gòu)造特征矩陣S，如(6)式，令N=T-L+1。

(6)

2.2.2SVDD被動(dòng)入侵檢測(cè)模型構(gòu)建

在該部分中，利用特征矩陣S訓(xùn)練得到SVDD入侵檢測(cè)模型。SVDD的目標(biāo)是在高維空間中找到一個(gè)體積最小的超球體，能夠包含所有或者大部分的訓(xùn)練樣本。為了避免離群點(diǎn)的影響，對(duì)每個(gè)訓(xùn)練樣本點(diǎn)引入一個(gè)松弛變量ξi≥0，允許一些點(diǎn)在超球體外部。并且對(duì)每一個(gè)松弛變量ξi，乘以懲罰參數(shù)C，這使得系統(tǒng)具有一定的抗噪性能。目標(biāo)函數(shù)為

s.t. ‖Si-a‖2≤R2+ξi,ξi≥0,i=1,…,N

(7)

根據(jù)(7)式可以構(gòu)建拉格朗日函數(shù)為

(8)

(8)式中，拉格朗日乘子αi≥0，γi≥0。將拉格朗日函數(shù)L分別對(duì)R，a，ξi求偏導(dǎo)，并令其等于0，可得

(9)

由αi≥0，γi≥0，可得0≤αi≤C。

根據(jù)拉格朗日對(duì)偶性，求(7)式的極小值問題可變?yōu)槠鋵?duì)偶問題的極大值問題。并引入核函數(shù)K(Si,Sj)，實(shí)現(xiàn)由低維輸入空間到高維特征空間的非線性映射。可得以下優(yōu)化問題

(10)

利用序列最小最優(yōu)化算法(sequential minimal optimization，SMO)可以求得αi的最優(yōu)解[16]。當(dāng)αi=0時(shí)，表示對(duì)應(yīng)的樣本點(diǎn)位于超球體內(nèi)部；當(dāng)αi=C時(shí)，表示對(duì)應(yīng)的樣本點(diǎn)在超球體之外，即為受限支持向量；當(dāng)0<αi

R2=‖Vq-a‖2=

(11)

在大多數(shù)情況下，高斯核函數(shù)訓(xùn)練出的超球體邊界對(duì)樣本的描述效果較好[12]，因此本文選用高斯核函數(shù)KG(Si,Sj)=exp(-‖Si-Sj‖2/σ2)，(10)式和(11)式就變?yōu)?/p>

(12)

(13)

2.2.3SVDD模型參數(shù)調(diào)節(jié)

在SVDD入侵檢測(cè)模型中，有2個(gè)重要的參數(shù)，一個(gè)是懲罰參數(shù)C，另一個(gè)是高斯核寬度因子σ，它們的取值在一定程度上會(huì)影響SVDD檢測(cè)的準(zhǔn)確性，下面討論參數(shù)取值對(duì)超球體異常檢測(cè)邊界的影響。

1)懲罰參數(shù)C。

“供給側(cè)結(jié)構(gòu)性改革”由中央財(cái)經(jīng)領(lǐng)導(dǎo)小組于2015年11月提出，其含義為“用改革的辦法推進(jìn)結(jié)構(gòu)調(diào)整，減少無效和低端供給，擴(kuò)大有效和中高端供給，增強(qiáng)供給結(jié)構(gòu)對(duì)需求變化的適應(yīng)性和靈活性，提高全要素生產(chǎn)率，使供給體系更好適應(yīng)需求結(jié)構(gòu)變化?！雹?/p>

2)高斯核寬度因子σ。

當(dāng)σ2→0時(shí)，KG(Si,Sj)→0,i≠j，(12)式變?yōu)長(zhǎng)=1-∑iα2i。當(dāng)αi=1/N時(shí)，L的值最大。這時(shí)所有的特征樣本都是支持向量，導(dǎo)致該檢測(cè)系統(tǒng)的靈敏度較高，使虛警率升高，造成過擬合現(xiàn)象。過擬合是指某檢測(cè)模型能在訓(xùn)練集上比其他模型有較好的檢測(cè)性能，但是在訓(xùn)練集之外的數(shù)據(jù)集上檢測(cè)性能較差的情形。

當(dāng)σ2→時(shí)，KG(Si,Sj)=1，(12)式為當(dāng)僅有一個(gè)αi=1而其他所有的αi=0時(shí)L的值最大，其值為0。這時(shí)只有一個(gè)特征樣本是支持向量，會(huì)造成欠擬合現(xiàn)象，同樣導(dǎo)致虛警率提升，系統(tǒng)檢測(cè)性能下降。欠擬合表示某一檢測(cè)模型在訓(xùn)練集上的性能較差，并且在訓(xùn)練集之外的數(shù)據(jù)集上檢測(cè)性能也較差的情形。

然而，在過擬合和欠擬合之間必有一段σ的取值使得SVDD模型擬合效果較好，此時(shí)的虛警率較低，可利用一段靜默數(shù)據(jù)作為測(cè)試集來找到這段σ，設(shè)為[σmin，σmax]。為了防止邊緣取值使得SVDD模型仍出現(xiàn)一定過擬合或欠擬合，取最優(yōu)σopt為這段取值的中間值，即σopt=(σmin+σmax)/2。

本文以一條鏈路的方差和均值為例，展示核懲罰參數(shù)C和寬度因子σ對(duì)邊界的影響，如圖4。圖4的檢測(cè)邊界為高維空間超球體邊界在2維平面上的投影，當(dāng)懲罰因子C增大時(shí)，被排除在邊界外的樣本點(diǎn)減少，相應(yīng)地判決邊界也有所變化。但當(dāng)懲罰因子C大于一定值時(shí)，懲罰因子對(duì)超球體邊界的影響較小，圖4中，當(dāng)C=0.4時(shí)與C=0.8時(shí)超球體邊界幾乎相同。而當(dāng)核寬度因子σ增大時(shí)，支持向量個(gè)數(shù)減少，判決邊界也有所增大。

2.3 在線監(jiān)測(cè)階段

在該階段，首先實(shí)時(shí)采集每條鏈路的接收信號(hào)強(qiáng)度讀數(shù)，并進(jìn)行與離線訓(xùn)練階段相同的特征提取步驟，構(gòu)建出ton時(shí)刻的特征向量Ston=[ston,1,…,ston,j,…,ston,k]。然后，利用訓(xùn)練出的SVDD模型判斷Ston到球中心的距離a=∑iαiSi不小于R，進(jìn)而感知確定ton時(shí)刻環(huán)境中是否有人入侵，表示為

mton=‖Ston-a‖2/R2

(14)

(14)式中，mton表示在ton時(shí)刻環(huán)境的異常程度，當(dāng)mton小于1時(shí)，則認(rèn)為當(dāng)前感知區(qū)域內(nèi)沒有人員活動(dòng)。否則，則說明當(dāng)前感知環(huán)境中有人活動(dòng)。

3 實(shí)驗(yàn)結(jié)果

3.1 測(cè)試環(huán)境

場(chǎng)景1中布置有4個(gè)AP和一個(gè)MP，具體布置位置如圖5a；場(chǎng)景2中布置有3個(gè)AP和2個(gè)MP，如圖5b。首先，進(jìn)行25 min靜默數(shù)據(jù)的采集，利用滑動(dòng)窗函數(shù)提取相應(yīng)的信號(hào)特征，滑動(dòng)窗長(zhǎng)度值L=20；然后，利用2.2節(jié)的方法訓(xùn)練出SVDD入侵檢測(cè)模型；最后，測(cè)試人員在感知區(qū)域內(nèi)任意位置運(yùn)動(dòng)或走出感知區(qū)域，進(jìn)行室內(nèi)入侵檢測(cè)。

3.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文提出的被動(dòng)檢測(cè)算法的可靠性和有效性，通常使用虛警率(false positive, FP)、漏檢率(false negative, FN)和F1-measure值作為評(píng)價(jià)指標(biāo)[1]。虛警率表示感知區(qū)域內(nèi)無人員活動(dòng)，但是系統(tǒng)卻發(fā)出告警的概率。漏檢率表示感知區(qū)域內(nèi)有人員活動(dòng)，但是系統(tǒng)卻沒有檢測(cè)出來的概率，而正檢率(true positive，TP)則與FN相反，其表示感知區(qū)域內(nèi)有人員活動(dòng)，系統(tǒng)正確檢測(cè)的概率。F1-measure值則是一種綜合評(píng)價(jià)指標(biāo)，用來衡量檢測(cè)算法的有效性，其值為查準(zhǔn)率(precision, P)和查全率(recall, R)的調(diào)和平均，即F1-measure=2PR/(P+R)，其中，查準(zhǔn)率P=TP/(P+FP)，查全率R=TP/(TP+FN)。

3.3 隨機(jī)場(chǎng)景下特征的平均貢獻(xiàn)度

本文選取隨機(jī)場(chǎng)景下30條傳播路徑不同的鏈路，采集靜默數(shù)據(jù)和有人員活動(dòng)數(shù)據(jù)，計(jì)算每個(gè)特征的平均貢獻(xiàn)度，結(jié)果如圖6。根據(jù)平均貢獻(xiàn)度值的大小對(duì)特征重要性進(jìn)行排序，得到：極差值>方差>平均FFT>均值>最小值>最大值>中值。下面討論特征數(shù)p對(duì)檢測(cè)性能的影響。

從圖7可以看出，隨著特征數(shù)p的增加，虛警率FP和漏檢率FN逐漸降低，F(xiàn)1-measure逐漸上升；而當(dāng)特征數(shù)p≥5時(shí)，虛警率FP和漏檢率FN達(dá)到最低并趨于穩(wěn)定，同時(shí)F1-measure達(dá)到最大并逐漸穩(wěn)定。根據(jù)2.1.2節(jié)所述方法，利用虛警率FP可選擇popt=5，此時(shí)F1-measure也能達(dá)到最高值。

3.4 懲罰因子C與高斯核寬度因子σ對(duì)檢測(cè)性能的影響

為確定懲罰因子C與高斯核寬度因子σ對(duì)入侵檢測(cè)系統(tǒng)檢測(cè)性能的影響，本文計(jì)算當(dāng)C=2x，x∈{-10,-9.95,…,0} ，σ=2y，y∈{-2,-1.95,…,8}時(shí)，2種實(shí)驗(yàn)場(chǎng)景中的虛警率FP，漏警率FN，以及F1-measure值。計(jì)算結(jié)果分別如圖8和圖9。

從圖8和圖9可知，當(dāng)懲罰因子C較小時(shí)(<2-9)，L1正則化項(xiàng)對(duì)離群點(diǎn)的抑制程度較低，過多的離群點(diǎn)在超球體外部，使得超球體半徑R過小，從而導(dǎo)致虛警率較高，但隨著C逐漸增加，虛警率逐漸降低，F(xiàn)1-measure值也逐漸升高?？梢钥闯鯟>2-7后，對(duì)系統(tǒng)的檢測(cè)率影響較小，但為了防止在實(shí)際部署時(shí)，訓(xùn)練數(shù)據(jù)中出現(xiàn)過多的異常點(diǎn)從而導(dǎo)致超球體半徑過大，漏檢率過高的問題，C值不宜較大，故取C=2-4。當(dāng)高斯核寬度因子σ較小時(shí)(<1)，系統(tǒng)會(huì)因?yàn)镾VDD模型過擬合而導(dǎo)致虛警率很高，隨著σ增大，虛警率逐漸降低，而當(dāng)σ很大時(shí)(>26)，系統(tǒng)會(huì)因?yàn)镾VDD模型嚴(yán)重的欠擬合而導(dǎo)致虛警率較高。綜合評(píng)估指標(biāo)F1-measure作為綜合的評(píng)估指標(biāo)整體呈現(xiàn)出先升后降的趨勢(shì)，與2.2.3節(jié)的結(jié)論相符。根據(jù)2.2.3節(jié)所述方法，只需用一組靜默數(shù)據(jù)作為測(cè)試集來計(jì)算虛警率，然后可得到最優(yōu)σ。例如，在場(chǎng)景1中，當(dāng)σ處于[20.3，25.05]時(shí)，虛警率較平穩(wěn)且小于0.1，取該段的中值也就是σopt=(20.3+25.05)/2≈17.18作為場(chǎng)景1環(huán)境下σ的最優(yōu)取值。

3.5 性能對(duì)比

在本節(jié)中，將本文中所提出的方法與其他主要基于RSSI的被動(dòng)入侵檢測(cè)技術(shù)，如MA，MV以及Ichnaea進(jìn)行性能對(duì)比。

首先，分析不同場(chǎng)景下滑動(dòng)窗長(zhǎng)度對(duì)不同檢測(cè)技術(shù)F1-measure值的影響，結(jié)果如圖10。經(jīng)分析可得F1-measure值隨著滑動(dòng)窗長(zhǎng)度的增加呈現(xiàn)出先上升后下降的趨勢(shì)，這是由于當(dāng)滑動(dòng)窗較小時(shí)，每個(gè)窗內(nèi)數(shù)據(jù)量較少，不能有效地表征信號(hào)波動(dòng)特性，因此檢測(cè)靈敏度較低。而當(dāng)窗較大時(shí)，信號(hào)抖動(dòng)特性在一定程度上被忽略，導(dǎo)致檢測(cè)性下降，并且檢測(cè)時(shí)延也較長(zhǎng)，因此滑動(dòng)窗長(zhǎng)度不宜過大，在本文中滑動(dòng)窗長(zhǎng)度L=20。與其他檢測(cè)技術(shù)相比，本文所提出的方法在不同滑動(dòng)窗長(zhǎng)度下均有較優(yōu)的檢測(cè)性能，這是由于使用的最優(yōu)特征組合，能有效地刻畫環(huán)境中不同的狀態(tài)，增強(qiáng)系統(tǒng)的穩(wěn)定性緣故，因此滑動(dòng)窗長(zhǎng)度對(duì)其檢測(cè)性能的影響較小。

其次，對(duì)比不同檢測(cè)技術(shù)的檢測(cè)性能，表1為性能對(duì)比結(jié)果。分析表1可知，與現(xiàn)有的基于統(tǒng)計(jì)特性的算法相比，本文所提算法在虛警率和漏檢率上均有一定程度的降低，而且本文算法F1-measure值在2種場(chǎng)景下分別達(dá)到了0.960和0.945，優(yōu)于經(jīng)典的Ichnaea系統(tǒng)。

表1 與現(xiàn)有技術(shù)的檢測(cè)性能對(duì)比Tab.1 Comparison of detection performance with existing technologies

4 結(jié)束語

為了在真實(shí)無線環(huán)境中實(shí)現(xiàn)準(zhǔn)確的人員活動(dòng)檢測(cè)，本文提出一種基于SVDD的WLAN室內(nèi)被動(dòng)入侵檢測(cè)算法，該算法利用A-distance值評(píng)估7種特征對(duì)于正確區(qū)分正常狀態(tài)和異常狀態(tài)的平均貢獻(xiàn)度，并根據(jù)平均貢獻(xiàn)度進(jìn)行特征重要性排序，選擇多個(gè)特征有效地區(qū)分不同感知環(huán)境中的正常狀態(tài)和異常狀態(tài)，顯著提高檢測(cè)的準(zhǔn)確率。此外，本文算法只需采集正常狀態(tài)的數(shù)據(jù)構(gòu)建SVDD被動(dòng)入侵檢測(cè)模型，就能有效降低訓(xùn)練階段的開銷，利用L1正則化抑制離群點(diǎn)的影響，具有較好的抗噪性。實(shí)驗(yàn)結(jié)果表明，本文提出的方法在2種不同的室內(nèi)場(chǎng)景下虛警率和漏檢率分別低于5%和9%，同時(shí)F1-measure值高于94%，檢測(cè)性能比基于統(tǒng)計(jì)特性的算法更優(yōu)。