一种基于联邦学习与类增量学习的wifi人员身份识别方法

本发明涉无线通信的，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：

1、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。

2、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。

3、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：

4、1、隐私风险：

5、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。

6、2、网络带宽压力：

7、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。

8、3、缺乏实时性：

9、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。

10、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。

11、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。

12、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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；

7、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。

8、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。

9、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。

10、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。

11、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。

12、在上述任一方案中优选的是，所述步骤3包括以下子步骤：

13、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；

14、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；

15、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；

16、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。

17、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

18、

19、其中，wi表示第i个客户端的权重，ni表示第i个客户端的数据集大小，ai表示第i个客户端的模型准确率，ui表示第i个客户端的注册用户数量，k表示客户端的总数，nj表示第j个客户端的数据集大小，aj表示第j个客户端的模型准确率，uj表示第j个客户端的注册用户数量。

20、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。

21、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：

22、步骤51：wifi信号收集器实时获取空间中的wifi信号；

23、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；

24、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；

25、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。

26、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。

27、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。

28、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。

29、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。

30、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。