[發明專利]基于模糊規則更新的室內WLAN被動入侵檢測定位方法

有效

• 申請號: 201510315738.1
• 申請日: 2015-06-10
• 公開（公告）號: CN104955149B
• 公開（公告）日: 2018-04-27
• 發明（設計）人: 蔣青;李坤鵬;周牧;田增山;向銘;范馨月;耿小龍;何維
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04W64/00
• 分類號: H04W64/00;H04W4/029
• 代理公司: 重慶市恒信知識產權代理有限公司50102
• 代理人: 劉小紅

1.一種基于模糊規則更新的室內WLAN被動入侵檢測定位方法，其特征在于，包括以下步驟：

步驟一：在無人靜默環境下，利用監測設備MP采集環境中來自不同無線接入點AP的信號強度s_j,t,，從而采集得到K個數據流S_j＝[s_j,1,...,s_j,m](j＝1,...,K)，(其中，K為MP數目與AP數目之積，s_j,t,(t＝1,...,m)為第j個數據流中第t時刻的信號強度值，m為無人靜默環境監測時間長度，且記數據流集合為A＝{S₁,...,S_K}；

步驟二：利用公式(1)所示的滑動窗函數，將數據流S_j劃分為m-1個滑動窗數組，令W_j,t(t＝2,...,m)為第j個數據流在第t時刻的滑動窗數組；

Wj,t=[sj,1,...,sj,t]1<t<L[sj,t-L+1,sj,t-L+2,...,sj,t]t≥L---(1)]]>

其中，L為最大滑動窗寬度；

步驟三：計算t時刻的數據流信號特征X_t＝[x_1,t,x_2,t,...,x_k,t],(t＝2,...,m)，其中，x_j,t(j＝1,...,K；t＝2,...,m)為各滑動窗W_j,t中信號強度的方差，其計算過程如公式(2)所示：

xj,t=[(sj,1-Σm=1tsj,mt)2+...+(sj,t-Σm=1tsj,mt)2]t1<t<L[(sj,t-L+1-Σm=t-L+1tsj,mL)2+...+(sj,t-Σm=t-L+1tsj,mt)2]LL≤t---(2)]]>

步驟四：基于公式(4)的Epanechnikov核函數，得到x_j,t的概率密度函數f_j(x)(j＝1,...,K)，如公式(3)所示：

fj(x)=1m×hjΣt=1mV(x-xj,thj)---(3)]]>

其中，h_j為核密度估計帶寬，其取值根據Scott規則得到，如公式(5)所示，Epanechnikov核函數V的計算表達式如公式(4)所示；

h_j＝2.345σ_j×m^-0.2 (5)

其中，σ_j為第j個數據流中所有滑動窗方差x_j,t的標準差；

步驟五：計算各數據流滑動窗方差的異常判決門限u_j(j＝1,...,K)，如公式(6)所示；

uj=Fj-1(0.9)---(6)]]>

其中，函數為密度函數f_j(x)的累積分布函數F_j(x)的逆函數；

利用模糊集合“正常”、“異常”、“嚴重異常”對數據流信號特征x_j,t進行劃分，且分別用符號A₁、A₂和A₃表示以上三個模糊集合；數據流信號特征x_j,t對模糊集合“正常”的隸屬度如公式(7)所示，

數據流信號特征x_j,t對模糊集合“異常”的隸屬度如公式(8)所示，

其中，

數據流信號特征x_j,t對模糊集合“嚴重異常”的隸屬度如公式(9)所示，

其中，

步驟六：利用N組訓練數據[X_i,Z_i](i＝1,...,N)提取模糊規則，如公式(10)所示；

規則R_i：若且…，且則入侵區域為Z_i(10)

其中，公式(10)中模糊規則分為模糊輸入和模糊輸出兩部分，X_i＝[x_1,i,x_2,i,...,x_K,i](i＝1,...,N)為第i組訓練數據的K個數據流信號特征，Z_i為第i組訓練數據入侵區域，將環境劃分為g個區域，且分別用Zone₁,...,Zone_g表示，則有Z_i∈{Zone₁,Zone₂,...,Zone_g}，令表示信號特征x_j,i所屬隸屬度最大的模糊集合，即：

步驟七：計算步驟六中構建的N個模糊規則的激勵強度ω_i，如公式(12)；

步驟八：計算步驟六中構建的N個規則的置信度CF_i，如公式(13)所示；

其中，P為N個規則中與規則R_i有相同模糊輸入的規則的集合，集合P中有N_p個規則，對應的激勵強度為C為N個規則中與規則R_i有相同模糊輸入和輸出的規則的集合，集合C中有N_C個規則，對應的激勵強度為

步驟九：模糊規則合并，對于有相同模糊輸入和模糊輸出的規則，僅保留最大置信度的那一個規則，構建模糊規則庫S的模糊推理系統，其中，模糊規則庫S的結構如下：

規則1：若且…，且則入侵區域為Z₁的置信度為CF₁

規則2：若且…，且則入侵區域為Z₂的置信度為CF₂

… … …

規則N'：若且…，且則入侵區域為Z_N'的置信度為CF_N'

其中，N'為合并后的規則數目，為數據流信號特征x_j(j＝1,2,...,K)隸屬度最大的模糊集合，即模糊輸出Z₁,Z₂,...,Z_N'∈{Zone₁,Zone₂,...,Zone_g}為入侵區域；

步驟十：各MP實時監測環境中的信號數據流；

步驟十一：檢測動態環境中的數據流集合A＝{S₁,...,S_K}是否發生因無線接入點增加或故障所引起的數據流集合元素變化，若數據流集合A中的元素發生變化，變化的數據流元素集合記為A',A'＝{S₁,...,S_K'}，其中，K'為變化后的數據流數目，進入步驟十二，否則，進入步驟十四；

步驟十二：記錄環境中新出現數據流集合A'的持續時間t，若t超過設定閾值t_d，則判定環境中的數據流集合發生變化，并進入步驟十三，否則，進入步驟十四；

步驟十三：自適應更新模糊規則：

對由于無線接入點增加引起的新出現的數據流，即S_j∈A'且的信號特征x_j,t將其劃分到新的模糊集合無關中，隸屬度設為1，模糊集合“無關”用A₄表示，即利用公式(3)計算新出現的數據流的信號特征的概率密度函數f_j(x)，并利用公式(6)計算新出現的數據流S_j的異常判決門限

對由于無線接入點故障引起消失的數據流即S_j∈A且的信號特征x_j,t將其模糊劃分改為“無關”，其隸屬度設為1，即

步驟十四：判斷動態環境中各數據流的信號特征x_j,t(j＝1,2,...,K')是否大于各自對應的異常判決門限若各數據流的信號特征均小于各自的異常判決門限，則判斷此時信號特征正常且監測環境中無入侵，進入步驟十五，否則，判斷此時信號特征異常且監測環境中有入侵情況出現，進入步驟十六；

步驟十五：將正常的數據流信號特征x_j,t(j＝1,...,K')代入步驟四、步驟十三中對應的數據流，增加正常信號特征的數目利用公式(3)重新計算各數據流信號特征的概率密度函數，利用公式(6)重新計算異常判決門限并進入步驟十；

步驟十六：將步驟十四中判斷為異常數據流的信號特征x_j,t(j＝1,...,K')進行模糊劃分以構建模糊輸入，如公式(14)所示：

若x_1,t是且x_2,t是…，且x_K',t是

其中，x_j,t(j＝1,...,K')為各數據流對應的信號特征，為相應的數據流信號特征x_j,t隸屬度最大的模糊集合；

步驟十七：將步驟十六構建的模糊輸入和模糊規則庫中的規則進行匹配，若模糊規則庫中有規則與之匹配，則進入步驟十九，否則，進入步驟十八；

步驟十八：設定模糊集合間的距離為：D(“正常”，“異常”)＝1，D(“異常”，“嚴重異常”)＝1，D(“嚴重異常”，“無關”)＝1，D(“正常”，“嚴重異常”)＝2，D(“正常”，“無關”)＝3，D(“異常”，“無關”)＝2，計算X_t＝[x_1,t,...,x_K',t]構建的模糊輸入與規則庫S中的規則的相似性，如公式(15)所示；

其中，R_q為規則庫S中第q個規則，M為規則庫S中的規則數目，為步驟十六中對x_j,t(j＝1,...,K')劃分的模糊集合，v表示隸屬度，為規則R_q中第j個數據流信號特征x_j,t的最大隸屬模糊集合，在M個規則中，找出與步驟十六構建的模糊輸入相似性最高的規則R_q'，如公式(16)所示；

S(X(t),R_q')≥S(X(t),R_q),(q＝1,...M),q'∈{1,2,...,M}公式(16)

在公式(16)中，R_q'為與異常數據流信號特征構建的模糊輸入相似性最高的規則，R_q'的模糊輸出為異常數據流信號特征X_t＝[x_1,t,x_2,t,...,x_k',t]對應的入侵檢測結果；

利用X_t構建的模糊輸入與規則R_q'的模糊輸出，構建新的模糊規則R_new，利用規則R_new擴充模糊規則庫S；規則R_new選為與X_t構建的模糊輸入匹配的規則，進入步驟二十；

步驟十九：在數據庫中選擇與X_t構建的模糊輸入匹配的所有規則，選擇匹配度最高的規則的模糊輸出為定位結果；規則匹配度如公式(17)所示；

M_q＝ω_q×CF_q,(q＝1,...,M)(17)，M_q表示規則匹配度；

選擇匹配度最大的規則其滿足公式(18)；

表示最大規則匹配度；

規則選為與X_t構建的模糊輸入匹配的規則；

步驟二十：與X_t構建的模糊輸入匹配規則的模糊輸出為入侵檢測定位結果，輸出入侵檢測定位結果，并結束入侵檢測定位。