FedWiLoc: 用于隐私保护WiFi室内定位的联邦学习
密码学与安全
2025-12-23 v1 系统与控制
信号处理
系统与控制
摘要
当前基于数据驱动的WiFi室内定位系统面临三个关键挑战：保护用户隐私、在动态多径环境中实现准确预测以及跨不同部署进行泛化。传统的WiFi定位系统常常损害用户隐私，尤其是在面对受损接入点（AP）或中间人攻击时。随着物联网设备在室内环境中的激增，开发既能提供准确定位又能稳健保护隐私的解决方案已变得势在必行。我们引入了FedWiLoc，一个隐私保护的室内定位系统，通过三项关键创新应对这些挑战。首先，FedWiLoc采用拆分架构，其中AP在本地处理信道状态信息（CSI），并仅将隐私保护的嵌入向量传输到用户设备，防止原始CSI暴露。其次，在训练期间，FedWiLoc使用联邦学习跨AP协作训练模型，而无需集中敏感的用户数据。第三，我们引入了一个几何损失函数，该函数联合优化到达角预测和位置估计，强制执行几何一致性以提高在具有挑战性的多径条件下的准确性。在跨越2000多平方英尺的六个不同室内环境中的广泛评估表明，FedWiLoc在训练和推理过程中始终保持强大的隐私保证，同时在中位定位误差上比最先进的方法高出高达61.9%。
引用
@article{arxiv.2512.18207,
title = {FedWiLoc: Federated Learning for Privacy-Preserving WiFi Indoor Localization},
author = {Kanishka Roy and Tahsin Fuad Hasan and Chenfeng Wu and Eshwar Vangala and Roshan Ayyalasomayajula},
journal= {arXiv preprint arXiv:2512.18207},
year = {2025}
}