用户识别技术现状分析

王凌云

摘要：近些年来，由于用户安全和隐私泄露问题日益受到关注，用户身份识别，即验证连接到某些资源的人的身份的过程，变得越来越重要。如何防止未经授权的攻击者访问某些设备和资源、保护用户的信息安全、防止信息泄露，已经成为人们普遍关注的一个问题。此外，智能家居等新兴应用也在试图对用户进行区分，并推出相应的定制服务。用户身份识别对信息的保护、智能感知的发展具有重要作用，因此具有较大的研究和发展空间。通过分析国内外文献，首先介绍了当前常用的用户识别方法，并列举各方法的优缺点;接下来，介绍了新兴的、基于无线信号的用户识别方法及相应的研究成果。

关键词：用户识别;信道状态信息CSI;无线感知

中图分类号：TP301        文献标识码：A

文章编号：1009-3044（2019）14-0169-03

Abstract： In recent years， with the increasing concern of user security and privacy disclosure problem， user identification， that is， the process of verifying the identity of people connected to certain resources， has become more and more important. How to prevent unauthorized attackers from accessing some equipment and resources， protect users' information security and prevent information leakage has become a problem of common concern. New applications such as smart homes are also trying to differentiate users and offer customized services. User identification plays an important role in the protection of information and the development of intelligent perception. On the analysis of domestic and overseas literature， firstly， the current common user identification methods are introduced， and the advantages and disadvantages of the methods are listed. Secondly， the emerging user identification methods based on wireless signals and the corresponding research results are introduced.

Key words：user identification; channel state information; wireless sensing

1 傳统的用户识别方法

当前常用的用户识别方法大多是基于知识的密码、手写或是基于一个或多个生理或行为方面的区别来实现。这些区别要么是与身体本身的属性有关，如指纹、虹膜、面部特征，要么与人的某些行为方式（如打字、步态、声音节奏）有关。根据提取特征的不同，可以将当前的用户身份识别方法分为基于密码和基于生物特征这两大类。

1.1 基于密码的用户识别方法

在我们的日常生活中，基于密码的用户识别方法是最常见的，其优点是识别的方法简单。但是，我们每个人都需要记住很多密码，以便访问所需的资源，当用户忘记密码或密码被窃取时，很有可能会造成较为严重的后果。为了提高用户识别的可靠性，研究者们提出了基于个人生理或行为属性的用户识别的观点，通常被称为“生物特征”。

1.2 基于生物特征的用户识别方法

基于生物特征的用户识别是指通过个人独特的生理特征（指纹、虹膜等）或行为特征（声音、步态、签名等）自动识别其身份[1]。“生物特征”与密码相比，具有以下几个优势：不需要用户记住任何东西，减少了用户的记忆负担;生物特征是每个人固有的，是独一无二的，不能转让或被盗取。这些属性为用户识别提供了更好的安全性保证。图1中显示了研究者们所找到的可以用于用户身份识别的生物特征[2]。然而，这些已有的方法大多需要专用的传感器设备，以及用户的主动参与，即需要用户靠近传感装置以进行准确的识别或随身佩戴一些额外的传感器，会增加用户的负担。因此，与这些传统的用户识别方法相比，我们亟须找到一种设备简单、部署方便、用户负担小的用户识别方法。

2 基于无线信号的用户识别方法

随着无线技术的发展，无线信号在我们的日常生活中得到了广泛的应用，WiFi设备无处不在——我们的家中，办公室，商店，餐馆，几乎所有的空间都充斥着无线信号。当用户在无线环境中运动时，会对无线信号的传播产生干扰。CSI tools[3]的出现，使得人们可以通过修改固件的方式，从普通的WiFi设备上获取到30个子载波上的信道状态信息（CSI），使得普通的WiFi设备不仅能够实现高速的信息传输，还可以实现情境感知。信道状态信息（CSI）描述了信号如何从发送端传输到接收端，反映了信号在传播过程中所受到的散射、衰落、遮挡等影响。目前，利用普通的WiFi设备所发射的无线信号可以实现手势识别[4]、各种日常动作的识别[5-8]、跌倒检测[9]、识别键盘敲击内容[10]、甚至是监测睡眠[11]及呼吸频率[12]等。近年来，基于WiFi信号的用户识别研究也取得了一定的成果，根据提取特征的不同，本文将现有成果分为两类进行概述。

2.1 基于步态特征的用户身份识别

基于步态特征的用户身份识别是指从WiFi数据中提取用户行走过程中的步态信息，根据步态的唯一性，实现不同用户的区分。

2016年发表的WiWho[13]是第一个基于WiFi信号的被动、无源的用户识别的研究。以前的研究[2， 14] 中已经证明，每个人的步态是独一无二的，可以用于用户身份识别。WiFi信号中包含与用户相关的丰富信息，WiWho通过分析CSI数据的形状，使用“波峰-波谷”的检测方法对CSI数据进行切割，得到每一步所对应的数据，如图2所示。WiWho从每一步中提取能够反映波形的时域（最值、方差、偏度、峰度等）信息，得到踏步特征。踏步特征从统计学的角度，体现了每一步的波形变化，但是并不能表示整个行走过程的全部特性，例如走的快慢、姿势的改变等，因此需要对整个行走过程的CSI数据进行频域分析（能量、熵、FFT系数等）得到行走特征。踏步特征和行走特征共同構成了一个人完整的步态模型，从而识别不同的用户。

与WiWho类似，WifiU[15] 研究中也是利用CSI数据提取用户的步态信息，根据步态和行走速度的差别实现用户识别。不同之处是，WiWho是从时域角度进行分析，WifiU是将CSI数据经过短时傅里叶变换得到对应频谱图，从频谱图中提取特征信息。用户行走过程中，身体不同部位的运动速度是不同的，因此会影响CSI信号的不同频段，因此WifiU将CSI时域信号转化为频谱图（三个维度：时间、频率、振幅）后，如图3所示，单独观察不同频段上的数据，得到躯干、四肢运动的轮廓线，提取出行走速度、行走周期等信息，实现步态检测，根据步态和行走速度的差别完成用户身份的识别。

2.2 基于统计特征的用户身份识别

基于统计特征的用户身份识别是指，CSI数据的波动性中包含与用户相关的特征，通过直接从数据中提取时域（最大值、最小值、均值、峰度、偏度、方差、过均值率）和频域（熵、能量、FFT峰值）特征的方式，保留原始数据的波形信息，从而实现用户识别。

如图4所示，用户沿走廊行走的过程中，当距离信号收发端较远时，对信号的影响较小;用户穿过信号的视距路径前后时，对信号的影响最大，即CSI中包含的与用户相关的信息较多，该区域被称为“有效区域”。WiFi-ID[16]和FreeSense[17]研究中，通过分析“有效区域”中CSI波形的变化，从中提取能够代表用户行走方式的统计特征，从而实现用户身份识别。

3 结束语

在各种系统和场景中，如何实现可靠的用户识别一直是人们所关心的关键问题。传统的密码方法不能实现真正意义上的用户识别，因为它需要用户记忆某些东西，以此作为识别的依据，安全性较差。作为一种替代方法，基于生物特征的识别方法具有更高的安全性和可靠性。但是，已有的这些方法大多需要部署专用的设备，如摄像机，图像质量的好坏决定了最终识别的准确率;加速度计等各种传感器，则需要用户随身携带才可发挥作用。基于无线信号的用户识别作为一种新兴的用户识别方法具有不需要部署额外设备、不需要用户主动参与、简单有效等优点，在未来会发挥更大的作用。

参考文献：

[1] Jain A K， Ross A， Prabhakar S. An introduction to biometric recognition[J]. IEEE Transactions on Circuits & Systems for Video Technology. 2004， 14（1）： 4-20.

[2] Unar J A， Seng W C， Abbasi A. A review of biometric technology along with trends and prospects[J]. Pattern Recognition. 2014， 47（8）： 2673-2688.

[3] Halperin D， Hu W， Sheth A， et al. Predictable 802.11 packet delivery from wireless channel measurements[Z]. 2010.

[4] Pu Q， Jiang S， Gollakota S. Whole-Home Gesture Recognition Using Wireless Signals [Z]. 201327-38.

[5] Zeng Y， Pathak P， Mohapatra P. Analyzing Shopper's Behavior through WiFi Signals[C]. ACM， 2015.

[6] Wang Y， Liu J， Chen Y， et al. E-eyes： device-free location-oriented activity identification using fine-grained WiFi signatures[C]. ACM， 2014.

[7] Zeng Y， Pathak P， Xu C， et al. Your AP knows how you move： fine-grained device motion recognition through WiFi[C]. ACM， 2014.

[8] Adib F M， Kabelac Z， Katabi D， et al. 3D Tracking via Body Radio Reflections[J]. 2014： 317-329.

[9] Han C， Wu K， Wang Y， et al. WiFall： Device-free fall detection by wireless networks[Z]. 2014271-279.

[10] Ali K， Liu A， Wang W， et al. Keystroke Recognition Using WiFi Signals[C]. ACM， 2015.

[11] Liu X， Cao J， Tang S， et al. Wi-Sleep： Contactless Sleep Monitoring via WiFi Signals[C]. IEEE， 2014.

[12] Liu X， Cao J， Tang S， et al. Contactless Respiration Monitoring Via Off-the-Shelf WiFi Devices[J]. IEEE Transactions on Mobile Computing. 2016， 15（10）： 2466-2479.

[13] Zeng Y， Pathak P， Mohapatra P. WiWho： wifi-based person identification in smart spaces[C]. IEEE Press， 2016.

[14] Ngo T T， Makihara Y， Nagahara H， et al. The largest inertial sensor-based gait database and performance evaluation of gait-based personal authentication[J]. Pattern Recognition. 2014， 47（1）： 228-237.

[15] Wang W， Liu A X， Shahzad M. Gait recognition using wifi signals[Z]. 2016363-373.

[16] Zhang J， Wei B， Hu W， et al. WiFi-ID： Human Identification Using WiFi Signal[Z]. 201675-82.

[17] Xin T， Guo B， Wang Z， et al. FreeSense： Indoor Human Identification with Wi-Fi Signals[C]. IEEE， 2016.

【通聯编辑：唐一东】