论文部分内容阅读
网络空间涵盖了通信网、广电网、互联网等多个领域,依赖专用的设备解决面向监测的被动定位问题,大大增加了应用成本且难以满足多样化网络的监测定位需求。充分利用各类网络的基础设施,从监测的实际需求出发,实现对特定目标的无缝被动定位是实现网络空间安全的基石,而提高定位的精度是实现网络空间安全监测的主要挑战之一。指纹定位在以基于位置服务(Location Based Service,LBS)为目标的主动定位应用研究中展现了极高的定位精度。但国内外关于被动指纹定位研究存在以下四个主要问题:第一,被动指纹定位中目标信号稀疏,导致指纹采集需花费大量时间成本;第二,指纹采集阶段与定位阶段的设备差异导致定位精度下降,传统方法增加了特征间的相关性和维度,易导致维数灾难;第三,单监测站/接入点(AP)条件下定位性能难以提升;第四,复杂环境下信号指纹波动剧烈。因此,研究考虑真实环境因素的面向监测的被动指纹定位具有重要实际应用价值和指导意义。本文从基于稀疏信号的指纹构建、差异化设备条件下的指纹特征提取、资源受限条件下的高精度定位方法、复杂环境影响下的指纹定位方法四个角度展开研究。具体研究内容及成果如下:(1)基于稀疏信号的被动指纹定位在被动定位应用场景中,目标设备在待机状态发射的信号通常在时域具有稀疏性,某些探测帧在频域还呈现跳频特性,导致构建指纹库耗时长且难以准确建模接收信号强度(Received Signal Strength,RSS)的分布。针对此问题,本文提出一种基于目标设备移动速度的隐式马尔可夫模型(Hidden Markov Model,HMM)作为定位框架。在观测状态概率矩阵的求解中,利用基于维纳过程的核密度估计方法估计稀疏信号的RSS概率分布,避免了在核带宽选取上的不合理假设。同时通过引入移动速度作为参数,增强了指纹图的约束能力,缩小了定位阶段的搜索空间。经实验测试,在2米定位误差内,本方法的置信概率相较于朴素贝叶斯(Naive Bayes)方法提升了 16%。(2)差异化设备的指纹提取及定位研究针对被动指纹定位中训练设备与目标设备间发射信号强度差异问题,常用的方法是使用基站或AP间信号强度差(Signal Strength Difference,SSD)构建指纹库。而SSD方法增加了特征的维度,容易导致维数灾难;另一方面,其计算方法使特征间存在一定的关联性,导致特征间存在冗余信息在分布上呈现更为复杂的多峰特性。本文提出一种基于局部费谢尔判别分析(Local Fisher Discriminant Analysis,LFDA)的动态压缩核密度估计方法(LC-KDE)。该方法基于LFDA对SSD特征进行降维分析,利用训练阶段的指纹数据通过假设检验的方式对多维核密度估计函数进行动态压缩,在避免不合理的独立性假设的基础上提高了对多模特征进行估计的准确性。实测结果表明,在80%置信概率下,LC-KDE较SSD方法性能提升了28%。(3)基于单站的高精度定位方法研究在某些资源受限的环境中没有条件设立监测站,仅有少量甚至单个AP可用于定位。针对该问题,本文提出一种基于信道状态信息(Channel State Information,CSI)的高精度单站定位方法。该方法首次将多天线多子载波的CSI组成空、时、频三维特征图,以此作为单站多天线定位的位置指纹。针对特征图设计了无池化多层卷积神经网络(Convolutional Neural Network,CNN),并提出了新的特征图增强方法。利用该神经网络对CSI三维特征图进行信息提取及分类,实现了定位问题到特征图分类问题的转换。基于多天线Wi-Fi的实验结果表明,相对于传统基于多天线和基于全连接神经网络的定位方法,平均误差性能分别改善了8%和9.5%。(4)考虑室外复杂环境因素的指纹定位针对室外环境下,缺少直射径,信号的快衰落导致短时信道特征变化剧烈,以及长时积累的信道特征数据呈现较大的类内差异等问题,本文提出一种基于时域、频域信道冲击响应(Channel Impulse Response,CIR)、莱斯K因子及多径参数等构造室外指纹的方法。在此基础上,设计了基于多通道的长短时记忆(Long Short-Term Memory,LSTM)神经网络。通过在多条独立的LSTM网络间设计“相关池化”层,融合多个监测站的信息;并以LFDA准则构建代价函数,将室外环境变化导致的特征类内差异引入模型,提高了模型应对室外复杂环境变化的能力。该系统在长达6个月的室外测试中,具有稳定的表现,在80%的置信概率下平均定位误差相对于传统TDOA及朴素贝叶斯指纹定位的方法分别提升了60%和55.3%。上述研究围绕被动指纹定位的指纹构建、特征提取以及在资源受限和外部环境变化情况下提高定位精度而展开,为推动面向监测的被动指纹定位走向实际应用提供了理论依据及方法指导。