本发明涉及入侵检测领域，尤其涉及一种基于无线网络信道状态信息(channelstateinformation，csi)构建可视图网络的入侵检测方法。
背景技术
入侵检测技术目前有着广泛应用场景，比如说构建入侵检测系统可以用来实现对空巢老人和产房婴儿进行监护、对一些博物馆和银行实施安全监视等等实际应用需求。由上述应用需求吸引了大量的研究人员投身其中。比如有些科研人员利用视频、gps、超声波、红外线、传感器网络或者射频识别等技术手段初步实现了入侵检测系统。但是上述技术手段在实际应用时都或多或少的存在一些问题限制了实际应用时的效果。比如说用机器视觉的方法存在着视频监控盲区和涉及个人隐私的问题。而gps信号无法穿透室内厚重的墙，导致其实现精度不高。又比如说超声波和红外线信号存在部署实现困难、价格高昂的问题等等。相比而言无线信号却有着优于上述技术手段的优势，它成本低廉、部署方便、不存在盲区问题。
随着无线局域网(wlan)的大力发展，无线热点已经广泛的分布于各种室内场合，例如学校、医院、博物馆等等公共场所，如果能充分利用这些现存的无线设备实现入侵检测系统，那么将大大降低系统部署的成本。而且由于无线局域网的灵活性，在实际应用时也可以根据实际需求进行简便合理的布局设计和调整。以上优点可以很好的预见无线局域网在未来的室内人体感知领域的广泛前景。
可视图构建复杂网络是近些年来兴起的一个研究领域，许多学者在时间序列构建可视图网络领域取得了大量的研究成果。比如有研究人员用时间序列可视图方法进行癫痫分类、也有人用可视图方法进行交通状态分类、还有人尝试用不同的可视图建网方法实现了人体睡眠状态分类检测。由此可见可视图构建网络的方法是一个处理和分析时间序列信号十分有效的工具。
技术实现要素：
为了克服现有的入侵检测方式的成本较高、存在检测盲区、部署实现复杂的不足，本发明提供一种成本更为低廉、不存在检测盲区、部署实现更为简便可行的基于信道状态信息构建可视图网络的入侵检测方法，它能够有效实现是否发生入侵的分类检测。
本发明所采用的技术方案是：
一种基于信道状态信息构建可视图网络的入侵检测方法，包括以下步骤：
步骤1：搭建信道状态信息数据采集平台；
步骤2：将需要进行入侵检测的区域部署上发射和采集信号所需的设备，并开启发射和接收装置进行正常运行；
步骤3：离线训练阶段，人体在入侵检测区域保持一段时间的随机活动状态，此时接收设备采集包含信道状态信息的数据包，同时还需采集该入侵检测区域内无人活动的数据包，每个信道状态信息数据的格式为：
步骤4：取第1对天线对上的幅度和相位数据进行预处理，包括以下三个子步骤：
步骤4-1除去数据中较为明显的异常值；
步骤4-2用低通滤波器进行去噪处理，消除高频噪声的干扰；
步骤4-3经上述两个子步骤处理过后，再用滑动平均滤波器进行滤波平滑处理；
步骤5：将经过上述预处理的信号通过pca降维的方法，将30个子载波信号降成1维的时间序列信号；
步骤6：将降维后的时间序列信号进行切片，选取一定时间窗口大小进行切片处理，以便后面可视图网络的构建工作进行；
步骤7：用可视图(visibilitygraph)方法分别对经上述步骤处理过后的幅度和相位时间序列数据进行可视图复杂网络构建，并从构建出的复杂网络中分别提取出一些网络特征作为机器学习分类的特征；
步骤8：取其他不同天线对幅度和相位数据，进行步骤4～7的重复工作，以获取更多的有效特征；
步骤9：对所有的网络特征数据进行z-score标准化处理，
步骤10：将经z-score标准化处理过后的特征视作一条指纹存入位置指纹库，作为机器学习分类算法的训练集合备用；
步骤11：在线测试阶段，实验人员进入入侵检测区域随机活动以采集测试数据包，同时采集相等大小的检测区域内无人活动的数据包；
步骤12：对测试数据进行处理，其处理过程保持和训练阶段相同的方式，即测试数据经4～10步骤处理后得到测试集合；
步骤13：调用指纹库中备用的训练集合对测试集合的每个样本进行机器学习分类，得到不同机器学习算法下样本的入侵检测估计结果，计算出入侵检测分类的准确率。
进一步，所述步骤7中，构建可视网络的方法分别由以下子步骤组成；
步骤7-1：经处理过后的幅度和相位，由vg构建原理：
其中，a和p分别代表不同时刻的幅度和相位，x分别代表不同时刻的采样点，不同时刻的幅度和相位满足上述公式的几何关系式，即两个不同时刻的采样点a和b的幅度和相位以上述关系连接，即满足两个时间采样点不被其中间时间采样点的幅度和相位遮挡，则认为以对应时间采样点a和b为节点的连边关系被确定；
步骤7-2：将幅度和相位时间序列信号通过此种方式分别构建成复杂网络，并由此网络分别提取5个网络特征，对应网络特征分别是度值偏差(degree_std)、度同配指数(degree_assortativity_coefficient)、连边数(number_of_edges)、聚类系数熵(clusteringcoefficiententropy)、加权度值(weighted_degree)。
本发明的有益效果是：
1.利用了简单的设备作为入侵检测平台，并充分利用现有的无线局域网设备，降低了设备的部署安装成本，提高了实际应用中大量推广的可能性；
2.本发明使用过程中人体无需携带任何有源设备，避免了入侵检测在使用时需要借助佩戴传感器而给使用者带来的不适感，也使得其在安防领域有着充分的可行性，毕竟在安防领域内要实现的入侵检测人员不会主动佩戴传统方法所需要的传感器；
3.本发明借助无线信号的可穿透，可反射传播的特点，很好的解决了传统机器视觉方法中存在的监控盲区和隐私侵犯问题；
4.联合了信道状态信息的幅度和相位信息，结合使用了几种去噪的预处理信号方法，使得入侵检测分类更为稳定、可靠；
5.利用可视图的方法构造复杂网络，以网络化的视角来分析时间序列，获取常规方法不能提取的特征进一步提升了检测的准确率。
附图说明
图1是基于信道状态信息构建可视图的入侵检测方法的一种数据采集点的分布示意图；
图2是另一种环境下的数据采集点的分布示意图；
图3是本发明方法在环境一和环境二下的入侵检测分类效果图；
图4是本发明方法在两种环境下不同算法的检测时间比较图；
图5是基于信道状态信息构建可视图网络的无源入侵检测方法的流程图。
具体实施方式
下面我们结合附图对本发明的较好实施例进行详细阐述说明，以使本发明的优点和特征能更简单和快速的被本领域技术人员所理解，从而对本发明的保护范围做出更为清楚明确的划分和界定。
参照图1～图5，一种基于信道状态信息构建可视图网络的无源入侵检测方法，包括以下步骤：
步骤1：搭建信道状态信息数据采集平台；
步骤2：将需要进行入侵检测的区域部署上发射和采集信号所需的设备，并开启发射和接收装置进行正常运行；
步骤3：离线训练阶段，人体在入侵检测区域保持一段时间的随机活动状态，此时接收设备采集包含信道状态信息的数据包，同时还需采集该入侵检测区域内无人活动的数据包，每个信道状态信息数据的格式为：。其中～均为子载波，为发射天线数，为接收天线数；
步骤4：取第1对天线对上的幅度和相位数据进行预处理，包括以下三个子步骤：
步骤4-1除去数据中较为明显的异常值；
步骤4-2用低通滤波器进行去噪处理，消除高频噪声的干扰；
步骤4-3经上述两个子步骤处理过后，再用滑动平均滤波器进行滤波平滑处理；
步骤5：将经过上述预处理的信号通过pca降维的方法，将30个子载波信号降成1维的时间序列信号；
步骤6：将降维后的时间序列信号进行切片，选取一定时间窗口大小进行切片处理，以便后面可视图网络的构建工作进行；
步骤7：用可视图(visibilitygraph)方法分别对经上述步骤处理过后的幅度和相位时间序列数据进行可视图复杂网络构建，并从构建出的复杂网络中分别提取出一些网络特征作为机器学习分类的特征；
步骤8：取其他不同天线对幅度和相位数据，进行步骤4～7的重复工作，以获取更多的有效特征；
步骤9：对所有的网络特征数据进行z-score标准化处理，，其中，表示经过标准化处理后的特征，表示标准化处理前的特征，和分别代表该特征所有样本的均值和所有样本的标准差。
步骤10：将经z-score标准化处理过后的特征视作一条指纹存入位置指纹库，作为机器学习分类算法的训练集合备用；
步骤11：在线测试阶段，实验人员进入入侵检测区域随机活动以采集测试数据包，同时采集相等大小的检测区域内无人活动的数据包；
步骤12：对测试数据进行处理，其处理过程保持和训练阶段相同的方式，即测试数据经4～10步骤处理后得到测试集合；
步骤13：调用指纹库中备用的训练集合对测试集合的每个样本进行机器学习分类，得到不同机器学习算法下样本的入侵检测估计结果，计算出入侵检测分类的准确率。
进一步，所述步骤7中，构建可视网络的方法分别由以下子步骤组成；
步骤7-1：经处理过后的幅度和相位，由vg构建原理：
其中，a和p分别代表不同时刻的幅度和相位，x分别代表不同时刻的采样点，不同时刻的幅度和相位满足上述公式的几何关系式，即两个不同时刻的采样点a和b的幅度和相位以上述关系连接，即满足两个时间采样点不被其中间时间采样点的幅度和相位遮挡，则认为以对应时间采样点a和b为节点的连边关系被确定；
步骤7-2：将幅度和相位时间序列信号通过此种方式分别构建成复杂网络，并由此网络分别提取5个网络特征，对应网络特征分别是度值偏差(degree_std)、度同配指数(degree_assortativity_coefficient)、连边数(number_of_edges)、聚类系数熵(clusteringcoefficiententropy)、加权度值(weighted_degree)。
本实施例的实验平台由2台电脑组成，其中一台作为接入点(ap)，另一台作为监控点(mp)，其中在ap中安装了intel5300网卡，mp中安装了intel5300网卡和信道状态信息提取软件。
具体实施场所为一个摆放着桌子和椅子的会议室，我们将此会议室作为入侵检测实施的待检测区域，如附图1所示；
每次采集数据时，人体随机在如附图1中的入侵检测区域活动，收集包含信道状态信息的数据包，每次实验的采集时间为25秒，信号发射装备每秒发射100个包，总共能得到2500个数据点。采集完毕后，我们都能得到一个.dat文件；
从每个.dat文件中提取出每对天线的信道状态信息数据，其中包括幅度和相位数据；
对数据进行预处理，包括以下三个步骤：
4-1采用拉依达方法检测出异常值，然后将异常值代替为样本均值；
4-2利用巴特沃兹低通滤波器对每个子载波信号分别进行消除高频噪声处理；
4-3使用滑动平均滤波器进行滤波平滑信号，去除由于环境噪声引起的信号异常巨大波动。
将经过预处理后的信号进行pca降维处理，得到一维时间序列信号。
选取合理的滑动窗口大小对时间序列信号进行切片，以获取到入侵检测所需要的训练样本，这里我们选取窗口大小为50，由于我们采集的时间序列点为2500点，所以我们总共可以获取到50个训练样本，即每个训练样本是50点的时间序列信号。
将经处理过后的幅度和相位信息样本点用vg构建网络的方法构建复杂网络，
7-1步骤7-1：经处理过后的幅度和相位，由vg构建原理：
从每对天线幅度和相位vg网络中分别提取出5个网络特征，又因为我们综合使用了3个天线对信息，最终我们从中提取出30个特征作为机器学习分类的特征；
对所有的网络特征数据进行z-score标准化处理，原始特征数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价；
把经过标准化处理过后的特征视作一条指纹，然后将其存入位置指纹库，用于作为入侵检测算法分类的训练集合备用；
测试阶段，人体同样在图1中的检测区域随机活动或者不进入检测区域，采集测试数据，人体位于入侵检测区域的随机活动采集数据时间和不进入入侵检测区域采集数据时间均为25秒；
将采集到的测试数据经过与训练阶段相同的操作4～10后，调用指纹库中的备用训练集合对测试阶段采到的数据所得的测试集合进行入侵检测分类预测。
为验证本发明在不同环境下的性能，在另一个环境下(如图2)重复了上述步骤；我们比较了两种环境下2个不同机器学习算法的准确率，得到性能如图3所示。由于环境1相比环境2空间更为开阔，csi反射和传播由人体活动的改变而引起的变化更为明显，因此两种对应机器学习算法的分类准确率都是环境1好于环境2；我们还比较了在两种环境下2种算法的检测时间，其结果如图4所示。最终，实验结果表明本发明的方法有着很高的分类准确率，而且检测时间也较短。此外，我们的实验设备部署简单，较为容易实施运行。本方法在两种环境下最好的准确率都在90％以上。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。