基于深度信号特征融合与最小化-MKMMD迁移学习的WLAN室内入侵检测
信号处理
2019-10-07 v1
摘要
室内入侵检测技术已广泛应用于网络安全监控、智慧城市、娱乐游戏等领域。现有大多数室内入侵检测方法直接利用监测点(Monitor Points, MPs)采集的接收信号强度(Received Signal Strength, RSS)数据,未考虑复杂室内环境下WLAN信号的不稳定性。针对这一紧迫问题,本文提出一种基于深度信号特征融合与最小化多核最大均值差异(Minimized Multiple Kernel Maximum Mean Discrepancy, Minimized-MKMMD)的新型WLAN室内入侵检测方法。首先,利用多分支深度卷积神经网络对RSS数据进行降维与特征融合,并根据对应于静默与入侵状态的离线与在线RSS融合特征的特性获取标签,进而据此分别构建源域与目标域。其次,通过最小化MKMMD构建最优迁移矩阵。再次,利用源域中迁移后的RSS数据训练分类器,用于在同一共享子空间中对目标域的RSS融合特征进行分类。最后,通过迭代更新上述过程直至算法收敛,实现目标环境的入侵检测。实验结果表明,所提方法能有效提升入侵检测系统的准确性与鲁棒性。
引用
@article{arxiv.1910.02051,
title = {WLAN Indoor Intrusion Detection Based on Deep Signal Feature Fusion and Minimized-MKMMD Transfer Learning},
author = {M. Zhou and X. Li and Y. Wang and A. Ren and X. Yang},
journal= {arXiv preprint arXiv:1910.02051},
year = {2019}
}