基于深度學(xué)習(xí)的無線電作弊信號(hào)發(fā)現(xiàn)與定位系統(tǒng)

李竟銘 趙明杰 翟 會(huì) 丁國(guó)如 張小飛

(1.南京航空航天大學(xué)電子信息工程學(xué)院，南京，210016； 2.浙江理工大學(xué)信息學(xué)院，杭州，310018； 3.陸軍工程大學(xué)通信工程學(xué)院，南京，210007)

引 言

考試是教學(xué)活動(dòng)的重要環(huán)節(jié)，是選拔優(yōu)秀人才、檢驗(yàn)教學(xué)質(zhì)量和考察學(xué)生理解程度的主要手段。近年來，為彰顯國(guó)家對(duì)考試公平性的重視，考試作弊首次納入刑法?？荚囎鞅姿斐傻奈：O大，它不僅破壞了考試公平，侵犯了其他學(xué)生的利益，損害了學(xué)校的聲譽(yù)，更降低了高等教育的公信度，因此成為高校教學(xué)管理研究的熱點(diǎn)問題。隨著無線電通信的廣泛應(yīng)用，考試作弊的手段也趨于隱性化、智能化，作弊者通常使用磁共振耳機(jī)、骨感耳機(jī)和針孔攝像頭等先進(jìn)的作弊器材與外界進(jìn)行試題及答案的傳遞。由于便于隱藏、不需要人為取出且具有強(qiáng)大的收發(fā)功能，無線電作弊設(shè)備已成為大型考試中的作弊利器。目前常見的用來考試防作弊的措施大致有以下幾種：(1)人臉識(shí)別指紋驗(yàn)證；(2)使用金屬探測(cè)儀進(jìn)行安檢；(3)使用屏蔽設(shè)備；(4)視頻監(jiān)控等。

室內(nèi)定位是一種對(duì)室內(nèi)環(huán)境的位置估計(jì)技術(shù)[1，2]。由于受到復(fù)雜的室內(nèi)電波傳播環(huán)境、室內(nèi)建筑布局和人員移動(dòng)性等因素的影響，室內(nèi)信號(hào)衰落模型無法準(zhǔn)確建立，因此其發(fā)展遠(yuǎn)滯后于室外定位技術(shù)。通常室內(nèi)定位技術(shù)通過采集收發(fā)機(jī)之間無線鏈路的到達(dá)時(shí)間 (Time of arrival, TOA)、到達(dá)時(shí)間差(Time difference of arrival, TDOA)、到達(dá)角 (Angle of arrival, AOA)[2]和接收信號(hào)強(qiáng)度 (Receive signal strength indicator, RSSI)[3]來估計(jì)收發(fā)機(jī)之間的距離，以此來構(gòu)建位置估計(jì)模型，從而獲取終端的位置信息。但是基于TOA，TDOA和AOA的定位技術(shù)需要進(jìn)行相對(duì)時(shí)間和角度的測(cè)量，這大大增加了硬件成本，并不適用于廣泛普及，因此本文采用RSSI來構(gòu)建位置估計(jì)模型。

指紋識(shí)別[4，5]方法專注于有效地比較實(shí)時(shí)的頻譜掃描信息與室內(nèi)預(yù)先記錄的掃描數(shù)據(jù)庫(kù)，因此對(duì)于本地信號(hào)干擾更為穩(wěn)健。文獻(xiàn)[6]采用最近鄰插值法(K-nearest neighbor,KNN)方法，從指紋數(shù)據(jù)庫(kù)中查詢與其最相似的K個(gè)位置數(shù)據(jù)，對(duì)其位置進(jìn)行平均。文獻(xiàn)[7]對(duì)其進(jìn)行了改進(jìn)，使用了加權(quán)KNN方法。文獻(xiàn)[8]中，隨機(jī)森林算法也得到了很好的定位精度。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)敏感度較高，往往需要對(duì)數(shù)據(jù)進(jìn)行歸一化、濾波等預(yù)處理，且容易過擬合導(dǎo)致泛化能力較弱，隨時(shí)間推移網(wǎng)絡(luò)的預(yù)測(cè)性能會(huì)受到影響。但隨著定位精度的需求越來越高，數(shù)據(jù)量也隨之增大，深度學(xué)習(xí)是一個(gè)很有前途的解決方案[9]。深度學(xué)習(xí)[10]可以直接學(xué)習(xí)提取數(shù)據(jù)隱含的結(jié)構(gòu)特征而不需要預(yù)處理，并且可以有效避免過擬合等問題，從而提高網(wǎng)絡(luò)泛化能力。因此，使用深度學(xué)習(xí)與自動(dòng)編碼器，將數(shù)據(jù)進(jìn)行特征提取和降噪處理。文獻(xiàn)[11]中，就利用深度學(xué)習(xí)算法通過WiFi實(shí)現(xiàn)了室內(nèi)定位；文獻(xiàn)[12]提出了一種對(duì)信道狀態(tài)信息(Channel state information,CSI)進(jìn)行深度學(xué)習(xí)的室內(nèi)指紋系統(tǒng)，驗(yàn)證了深度學(xué)習(xí)在室內(nèi)定位領(lǐng)域的廣闊前景。

為了構(gòu)建智慧考場(chǎng)，本文在室內(nèi)定位和頻譜監(jiān)測(cè)技術(shù)的基礎(chǔ)上，設(shè)計(jì)了基于深度學(xué)習(xí)的無線電作弊信號(hào)發(fā)現(xiàn)與定位系統(tǒng)，系統(tǒng)實(shí)現(xiàn)了無線電作弊設(shè)備判決、定位、告警以及移動(dòng)終端實(shí)時(shí)顯示等功能。本文的主要貢獻(xiàn)為：(1)構(gòu)建了基于通用軟件無線電外設(shè)(Universal software radio peripheral,USRP)平臺(tái)的無線電作弊信號(hào)發(fā)現(xiàn)與定位系統(tǒng)，實(shí)現(xiàn)了告警、移動(dòng)終端實(shí)時(shí)顯示等功能; (2)設(shè)計(jì)了基于深度學(xué)習(xí)的定位算法，實(shí)現(xiàn)了對(duì)電磁頻譜數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，使平均定位精度達(dá)到0.178 8 m。

1 系統(tǒng)總體設(shè)計(jì)

為使考場(chǎng)工作人員方便、直觀、遠(yuǎn)程和實(shí)時(shí)地了解所監(jiān)測(cè)環(huán)境的安全情況，無線電作弊信號(hào)發(fā)現(xiàn)與定位系統(tǒng)利用物聯(lián)網(wǎng)的思想，在互聯(lián)網(wǎng)基礎(chǔ)上，將網(wǎng)絡(luò)延伸到現(xiàn)實(shí)環(huán)境中，進(jìn)行頻譜和視頻信息的采集與共享，實(shí)現(xiàn)對(duì)頻譜監(jiān)測(cè)信息的呈現(xiàn)，并且在網(wǎng)頁中為用戶提供了無線電作弊信號(hào)的定位與告警服務(wù)，并結(jié)合視頻信息混合判決。 如圖1所示，整個(gè)系統(tǒng)架構(gòu)包含電磁頻譜數(shù)據(jù)采集、數(shù)據(jù)處理中心和網(wǎng)頁端實(shí)時(shí)顯示3個(gè)部分，分別完成對(duì)應(yīng)的工作。

圖1 系統(tǒng)構(gòu)架圖Fig.1 System architecture diagram

1.1 電磁頻譜數(shù)據(jù)采集

為了解當(dāng)前檢測(cè)的室內(nèi)環(huán)境的電磁輻射情況，利用頻譜監(jiān)測(cè)設(shè)備USRP和4根天線測(cè)量并收集當(dāng)前環(huán)境的電磁能量值?？紤]到無線電作弊信號(hào)工作周期及工作頻段，將采樣率設(shè)為1 MHz，采樣點(diǎn)數(shù)5 000，監(jiān)測(cè)中心頻率設(shè)為2.09 MHz。為了有助于數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，將室內(nèi)環(huán)境進(jìn)行網(wǎng)格化分割，網(wǎng)格大小為20 cm×20 cm,取7行20列共計(jì)140個(gè)測(cè)試點(diǎn)，開啟發(fā)射源,反復(fù)在這140個(gè)測(cè)試點(diǎn)上進(jìn)行測(cè)試,采集4根天線測(cè)得的頻譜數(shù)據(jù)。

系統(tǒng)采樣頻譜圖如圖2所示，圖中橫坐標(biāo)表示頻率，縱坐標(biāo)表示幅度。4幅圖分別對(duì)應(yīng)4根天線采集到的數(shù)據(jù)。當(dāng)頻譜圖出現(xiàn)如圖3所示的情況時(shí)，說明當(dāng)前檢測(cè)環(huán)境有信號(hào)發(fā)出，即有存在無線電作弊信號(hào)的可能。

圖2 系統(tǒng)時(shí)域采樣結(jié)果Fig.2 System sampling results on time domain

圖3 作弊信號(hào)的發(fā)現(xiàn)Fig.3 Discovery of cheating signal

同時(shí)在監(jiān)測(cè)環(huán)境中布設(shè)視頻監(jiān)控設(shè)備，用于發(fā)現(xiàn)無線電作弊信號(hào)時(shí)，可以實(shí)時(shí)傳輸視頻數(shù)據(jù)到電腦上，便于監(jiān)考人員查看該考生有無作弊行為并留存證據(jù)。

1.2 數(shù)據(jù)處理與評(píng)估

將采集到的數(shù)據(jù)進(jìn)行存儲(chǔ)和集成，為使測(cè)得的樣本數(shù)據(jù)更加精確,對(duì)樣本數(shù)據(jù)利用窄帶濾波器的方法,有效提高了信噪比。為了對(duì)無線電作弊設(shè)備進(jìn)行精確定位，應(yīng)用基于深度學(xué)習(xí)的室內(nèi)定位算法，繼而利用樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，得到模型后便可通過數(shù)值匹配的方法確定小范圍的精確位置。最后，對(duì)定位性能進(jìn)行評(píng)估。本文將精確度和精密度作為評(píng)估標(biāo)準(zhǔn)，即精確度越高，定位效果越好，同等精確度時(shí)，精密度越高越好。

(1)精確度

精確度是定位系統(tǒng)的關(guān)鍵評(píng)估指標(biāo)，通常用平均定位精度來衡量，即估計(jì)位置和實(shí)際位置的均方根誤差(Root mean squared error, RMSE),即

(1)

(2)精密度

與精確度不同，精密度考慮的是系統(tǒng)所獲取的精確度的分布概率，是對(duì)精確度魯棒性的度量。一般情況下，精密度可由幾何精度因子(Geometric dilution of precision, GDOP)或者累計(jì)概率分布(Cumulative probability functions, CPF)表示。本文使用累計(jì)概率分布表示精密度，在同等精確度時(shí)，當(dāng)定位精確度在0.2 m范圍內(nèi)，精密度越高越好。

1.3 異構(gòu)數(shù)據(jù)綜合判決

當(dāng)發(fā)現(xiàn)異常信號(hào)信息時(shí)，軟件界面和網(wǎng)頁終端適時(shí)發(fā)出告警，上報(bào)給終端用戶，終端用戶可立刻通過查看考場(chǎng)監(jiān)控視頻，來綜合判決當(dāng)前環(huán)境和告警位置上有無作弊的隱患，并且通過視頻回放功能留存作弊證據(jù)。

2 系統(tǒng)模型

深度學(xué)習(xí)基本模型類似于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的3層結(jié)構(gòu)[13]，是由輸入層、隱藏層和輸出層組成的多層網(wǎng)絡(luò)。深度學(xué)習(xí)通過逐層訓(xùn)練方法使得梯度能夠有效傳播，因此深度神經(jīng)網(wǎng)絡(luò)通常含有多隱藏層，提高了網(wǎng)絡(luò)表達(dá)能力。如圖4所示，本系統(tǒng)所采用模型主要分為以下3個(gè)部分：自編碼器、多層感知機(jī)、深度學(xué)習(xí)回歸預(yù)測(cè)模型。

圖4 系統(tǒng)模型圖Fig.4 System model diagram

2.1 自編碼器

自編碼器(AutoEncoder)[14]可以用于壓縮數(shù)據(jù)，提取特征或者降噪。利用深度學(xué)習(xí)的基本思想和網(wǎng)絡(luò)的特性直接構(gòu)建一個(gè)能夠表達(dá)原始數(shù)據(jù)的網(wǎng)絡(luò)結(jié)構(gòu)，通過設(shè)定輸入輸出近似相等，學(xué)習(xí)網(wǎng)絡(luò)的參數(shù)權(quán)值，進(jìn)而構(gòu)建自編碼模型。文獻(xiàn)[15]中提出了一種新穎的基于去噪自編碼器的室內(nèi)定位方法，驗(yàn)證了自編碼器可以提高定位精度。

2.2 多層感知機(jī)

多層感知機(jī)(Multilayer perceptron, MLP)，又稱深度前反饋網(wǎng)絡(luò)，是典型的深度學(xué)習(xí)模型。MLP具有多層節(jié)點(diǎn)，其中每層與下一層完全連接，隱藏層的每個(gè)節(jié)點(diǎn)都使用非線性激活函數(shù)進(jìn)行操作，并且利用反向傳播模型訓(xùn)練網(wǎng)絡(luò)。

(1)激活函數(shù)

Sigmoid函數(shù)：即S型函數(shù)，在神經(jīng)網(wǎng)絡(luò)中被廣泛采用。Sigmoid函數(shù)可以將實(shí)數(shù)壓縮到 [0,1]區(qū)間，具有強(qiáng)大的解釋力，但在神經(jīng)元趨于0或者1的時(shí)候會(huì)產(chǎn)生飽和導(dǎo)致梯度彌散，因此權(quán)值需要小心初始化，其公式為

(2)

Tanh函數(shù)：該函數(shù)擁有良好的數(shù)據(jù)控制力，其將實(shí)數(shù)映射到 [-1,1]區(qū)間，但依舊存在飽和問題。Tanh函數(shù)公式為

(3)

Relu函數(shù)：是線性修正單元，當(dāng)x<0時(shí)為0，當(dāng)x>0時(shí)斜率為1。Relu收斂速度更快，但是Relu也更加脆弱，大的梯度流可能導(dǎo)致神經(jīng)元永久失效，選擇合適的學(xué)習(xí)率或者層間批正則化可以避免這種情況的出現(xiàn)。其公式為

f(x)=max(0,x)

(4)

(2)反向傳播算法

訓(xùn)練樣本集為{(x(1),y(1))，…，(x(m),y(m))}，其中m為樣本的個(gè)數(shù)，用該樣本集訓(xùn)練神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)中的損失函數(shù)為

(5)

梯度下降法的關(guān)鍵步驟是計(jì)算偏導(dǎo)，對(duì)于網(wǎng)絡(luò)的權(quán)值W和偏置項(xiàng)b，其迭代公式分別為

(6)

(7)

其中α為學(xué)習(xí)速率。

2.3 深度學(xué)習(xí)回歸預(yù)測(cè)模型

采用室內(nèi)指紋定位方案只能對(duì)離散指紋點(diǎn)進(jìn)行預(yù)測(cè)估計(jì)，為了實(shí)現(xiàn)更高精度的連續(xù)預(yù)測(cè)定位，利用深度學(xué)習(xí)搭建一個(gè)回歸預(yù)測(cè)模型。該線性回歸模型可表示為

f(x)=wTx+b

(8)

式中：x表示輸入，w表示權(quán)重，b表示偏差。w和b訓(xùn)練成最小化的目標(biāo)函數(shù)，該模型首先處理輸入數(shù)據(jù)，然后執(zhí)行預(yù)訓(xùn)練；當(dāng)?shù)竭_(dá)輸出層時(shí)，模型會(huì)反向傳播；算法達(dá)到收斂時(shí)停止。文獻(xiàn)[16]采用了回歸預(yù)測(cè)模型來對(duì)基因數(shù)據(jù)進(jìn)行學(xué)習(xí)。

圖5 深度學(xué)習(xí)分類仿真結(jié)果Fig.5 Simulation results of deep learning classification

3 仿真結(jié)果與分析

3.1 深度學(xué)習(xí)分類任務(wù)

室內(nèi)定位場(chǎng)景通常采取基于指紋的定位方式。對(duì)室內(nèi)環(huán)境的140個(gè)指紋點(diǎn)進(jìn)行采集學(xué)習(xí)，從而估計(jì)出新的定位點(diǎn)?；谥讣y的定位是一個(gè)多分類問題，傳統(tǒng)機(jī)器學(xué)習(xí)對(duì)于二分類問題可以取得較好的效果，但是隨著多分類問題數(shù)據(jù)維數(shù)的增高，機(jī)器學(xué)習(xí)問題變得相當(dāng)困難。為了更好的泛化，機(jī)器學(xué)習(xí)方法往往會(huì)提出很強(qiáng)的針對(duì)特定任務(wù)的假設(shè)。同時(shí)，S函數(shù)的飽和特性使隱含層數(shù)受到限制，因此導(dǎo)致神經(jīng)網(wǎng)絡(luò)表達(dá)能力的不足。而深度學(xué)習(xí)的核心思想是假設(shè)數(shù)據(jù)由因素或特征組合，這些通用假設(shè)提高了深度學(xué)習(xí)算法。深度學(xué)習(xí)旨在克服機(jī)器學(xué)習(xí)中的‘維數(shù)災(zāi)難’‘梯度彌散’等一系列困難，從而在多分類問題中取得更好的效果。

針對(duì)室內(nèi)定位場(chǎng)景的多分類任務(wù)，本文采用深度學(xué)習(xí)框架搭建一個(gè)具有五隱含層的深度神經(jīng)網(wǎng)絡(luò)分類器。為了防止梯度彌散，采用Relu作為隱含層激活函數(shù)，并利用Xavier初始化權(quán)重。對(duì)測(cè)試集分類效果進(jìn)行仿真驗(yàn)證的結(jié)果如圖5所示，其中實(shí)心圓為成功定位點(diǎn)，方框?yàn)閷?shí)際測(cè)試點(diǎn)，三角為錯(cuò)誤預(yù)測(cè)定位點(diǎn)。測(cè)試集樣本數(shù)量為100，仿真結(jié)果顯示定位精度可以達(dá)到90%的準(zhǔn)確率。

3.2 深度學(xué)習(xí)回歸預(yù)測(cè)模型

(1)單隱含層和三隱含層對(duì)比

兩個(gè)網(wǎng)絡(luò)均不進(jìn)行AutoEncoder且隱含層均采用Relu作為激活函數(shù)，對(duì)測(cè)試集進(jìn)行回歸擬合來預(yù)測(cè)坐標(biāo)點(diǎn)的結(jié)果如表1所示。從表中可以看出多隱含層預(yù)測(cè)效果明顯優(yōu)于單層，但是在定位誤差上依舊較大。

表1 單隱含層和三隱含層對(duì)比結(jié)果

表2 AutoEncoder定位結(jié)果對(duì)比

表3 不同隱含層激活函數(shù)定位精度對(duì)比

(2)AutoEncoder

從數(shù)據(jù)分布可以看出，為了提高定位精度有必要將數(shù)據(jù)進(jìn)行特征提取并降噪處理，為此在將數(shù)據(jù)輸入深度學(xué)習(xí)回歸網(wǎng)絡(luò)之前先進(jìn)行自編碼處理，用于提取數(shù)據(jù)的高維特征并減小噪聲影響。表2列出了采用Tanh激活函數(shù)的三隱含層深度回歸預(yù)測(cè)網(wǎng)絡(luò)是否進(jìn)行AutoEncoder的定位精度的對(duì)比結(jié)果。

(3)不同隱含層激活函數(shù)對(duì)比

隱含層激活函數(shù)的選擇也會(huì)在很大程度上響應(yīng)定位的精度。在分類任務(wù)中表現(xiàn)良好的Relu函數(shù)由于其對(duì)數(shù)據(jù)的控制能力較弱，在數(shù)據(jù)分布不均勻的情況下效果并不如Sigmoid等函數(shù)好。由于Tanh相當(dāng)于Sigmoid函數(shù)的擴(kuò)展形式，其中心是關(guān)于零點(diǎn)對(duì)稱的，所以Tanh往往能取得比Sigmoid更好的效果，具體結(jié)果如表3所示。

圖6 仿真結(jié)果Fig.6 Simulation result

根據(jù)實(shí)驗(yàn)結(jié)果，采用三隱藏層的深度學(xué)習(xí)回歸網(wǎng)絡(luò)對(duì)室內(nèi)定位場(chǎng)景進(jìn)行預(yù)測(cè)。將訓(xùn)練參數(shù)保存后利用實(shí)測(cè)數(shù)據(jù)對(duì)實(shí)驗(yàn)環(huán)境定位效果進(jìn)行仿真驗(yàn)證，結(jié)果如圖6所示。由圖6可知，通過本系統(tǒng)，利用三隱藏層的深度學(xué)習(xí)回歸網(wǎng)絡(luò)對(duì)室內(nèi)無線電作弊信號(hào)進(jìn)行定位，其定位的精確度可達(dá)到0.170 07 m，符合考場(chǎng)實(shí)際場(chǎng)景對(duì)定位精度的需求。

4 結(jié)束語

本系統(tǒng)以無線電作弊信號(hào)的發(fā)現(xiàn)與定位為出發(fā)點(diǎn)，通過部署USRP頻譜監(jiān)測(cè)設(shè)備對(duì)室內(nèi)環(huán)境中電磁信號(hào)進(jìn)行檢測(cè)，了解目標(biāo)區(qū)域的電磁安全情況。通過部署視頻監(jiān)控設(shè)備對(duì)室內(nèi)環(huán)境進(jìn)行實(shí)時(shí)監(jiān)控，并將采集的實(shí)時(shí)數(shù)據(jù)收集起來，聯(lián)網(wǎng)進(jìn)行處理，運(yùn)用深度學(xué)習(xí)算法將平均定位精度提高到0.170 07 m，系統(tǒng)融合頻譜監(jiān)測(cè)設(shè)備結(jié)果與視頻監(jiān)控設(shè)備結(jié)果，混合判決是否存在作弊現(xiàn)象。最后結(jié)果以網(wǎng)頁及APP形式直觀地展現(xiàn)出來，可使監(jiān)考和巡考人員可以方便、直觀、遠(yuǎn)程和實(shí)時(shí)地了解所監(jiān)測(cè)環(huán)境的安全情況。