基于多核最大均值差异迁移学习的WLAN室内入侵检测方法

发布时间：2021-07-12 07:53

　　无线局域网（WLAN）室内入侵检测技术是目前智能检测领域的研究热点之一,而传统基于数据库构建的入侵检测技术没有考虑复杂室内环境中WLAN信号的时变性,从而导致WLAN室内入侵检测系统的鲁棒性较差。为了解决这一问题,该文提出一种基于多核最大均值差异（MKMMD）迁移学习的WLAN室内入侵检测方法。该方法首先利用离线有标记和在线伪标记的接收信号强度（RSS）特征来分别构建源域和目标域;其次,通过构造最优迁移矩阵以最小化源域和目标域RSS特征混合分布之间的MKMMD;再次,利用迁移后的源域RSS特征与对应标签来训练分类器,并将其用于对迁移后的目标域RSS特征进行分类以得到目标域标签集;最后,迭代更新目标域标签集直至算法收敛,进而实现对目标环境的入侵检测。实验结果表明,该文所提方法在保证较高检测精度的同时,能够有效克服信号时变性对检测性能的影响。 

【文章来源】：电子与信息学报. 2020,42(05)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

系统框图

3.2参数讨论λqL=20λlgλqλλ<0.001W为了分析不同权衡参数和迁移后的RSS特征维度对所提方法性能的影响，在滑窗长度的条件下，图3给出了当取值从0.0001增大到1000(为表示方便，将图中横坐标转换为)且取值从20增大到100时所提方法的检测性能。可以看出，当取值较小(如)，即复杂度较大时，迭代迁移的性能受RSS特征变化的影响较大，λλ>0.1W0.001≤λ≤0.100Wq从而导致系统的泛化能力下降；当取值较大(如)，即复杂度较小时，迁移矩阵难以准确地将RSS特征迁移到RKHS，从而影响系统的检测性能；而当时，所提方法能够在控制复杂度的同时达到较好的入侵检测性能。此外，由于增大值可扩大迁移矩阵的维度，使其能够保留更多的RSS特征用于分类器训练以得到更加准确的分类结果，从而使得所提方法具有更加稳定的检测性能，但该过程会显著增大系统的计算开销。λ=0.1q=40LijijLLLL图4给出了当且时，不同取值下的系统混淆矩阵，其中，第行第列元素表示第个真实状态被判为第个状态的概率。显然，随着取值的增大，系统混淆矩阵的对角线元素值增大，即表示检测性能提升。为了进一步说明取值对检测性能的影响，图5给出了所提方法的FP,FN和DA随取值增大的变化情况。一方面，取值过小会导致提取的RSS图2实验环境结构图图3不同λ和q取值下所提方法的检测性能图4不同L取值下的系统混淆矩阵1154电子与信息学报第42卷

3.2参数讨论λqL=20λlgλqλλ<0.001W为了分析不同权衡参数和迁移后的RSS特征维度对所提方法性能的影响，在滑窗长度的条件下，图3给出了当取值从0.0001增大到1000(为表示方便，将图中横坐标转换为)且取值从20增大到100时所提方法的检测性能。可以看出，当取值较小(如)，即复杂度较大时，迭代迁移的性能受RSS特征变化的影响较大，λλ>0.1W0.001≤λ≤0.100Wq从而导致系统的泛化能力下降；当取值较大(如)，即复杂度较小时，迁移矩阵难以准确地将RSS特征迁移到RKHS，从而影响系统的检测性能；而当时，所提方法能够在控制复杂度的同时达到较好的入侵检测性能。此外，由于增大值可扩大迁移矩阵的维度，使其能够保留更多的RSS特征用于分类器训练以得到更加准确的分类结果，从而使得所提方法具有更加稳定的检测性能，但该过程会显著增大系统的计算开销。λ=0.1q=40LijijLLLL图4给出了当且时，不同取值下的系统混淆矩阵，其中，第行第列元素表示第个真实状态被判为第个状态的概率。显然，随着取值的增大，系统混淆矩阵的对角线元素值增大，即表示检测性能提升。为了进一步说明取值对检测性能的影响，图5给出了所提方法的FP,FN和DA随取值增大的变化情况。一方面，取值过小会导致提取的RSS图2实验环境结构图图3不同λ和q取值下所提方法的检测性能图4不同L取值下的系统混淆矩阵1154电子与信息学报第42卷

【参考文献】：
期刊论文
[1]视频监控中的人群异常行为检测与定位[J]. 周培培,丁庆海,罗海波,侯幸林.  光学学报. 2018(08)
[2]多核学习方法[J]. 汪洪桥,孙富春,蔡艳宁,陈宁,丁林阁.  自动化学报. 2010(08)
[3]利用热释电红外传感器探测人体运动特征[J]. 程卫东,董永贵.  仪器仪表学报. 2008(05)



本文编号：3279508