防御恶意访问点的 WiFi 指纹室内定位系统
摘要
WiFi 指纹室内定位方案通过匹配接收信号强度指示器（RSSI）与离线数据库，使用机器学习（ML）或深度学习（DL）模型来提供高度准确的位置数据。然而，随着时间推移，RSSI 值会因访问点（AP）的恶意行为而恶化，导致与离线数据库不匹配，从而造成定位精度低下。现有文献缺乏对在线阶段恶意 AP 的检测及其影响的缓解措施。本研究针对这些局限性提出了解决方案，提出一种长期可靠的室内定位方案，集成恶意 AP 检测及其影响缓解技术。该方案使用 Light Gradient-Boosting Machine（LGBM）分类器估计位置，并集成基于在线查询数据检测恶意 AP 的简单且高效技术。随后，采用 LGBM 回归器对恶意 AP 进行值插补，更新离线数据库和在线查询。此外，我们引入一种在离线数据库中添加噪声的机制，以捕获动态环境效应。广泛的实验评估表明，所提出的方案对每种攻击类型均可实现 95% 以上的检测准确率。缓解策略有效地将系统性能恢复到无恶意 AP 时的原始水平。噪声添加模块将定位误差降低约 16%。此外，所提出的解决方案轻量级，执行时间约比现有方法降低 94%。
引用
@article{arxiv.2505.07724,
title = {Securing WiFi Fingerprint-based Indoor Localization Systems from Malicious Access Points},
author = {Fariha Tanjim Shifat and Sayma Sarwar Ela and Mosarrat Jahan},
journal= {arXiv preprint arXiv:2505.07724},
year = {2025}
}
备注
F. T. Shifat, S. S. Ela and M. Jahan, "Securing WiFi Fingerprint-based Indoor Localization Systems from Malicious Access Points," in 2025 IEEE 7th Symposium on Computers & Informatics (ISCI), Kuala Lumpur, Malaysia, 2025, pp. 380-387, doi: 10.1109/ISCI65687.2025.11167252