论文阅读笔记一（Recognizing Keystrokes Using WiFi Devices）

阅读量：4145 次

发布时间：2019-05-25

本文共 1810 字，大约阅读时间需要 6 分钟。

Recognizing Keystrokes Using WiFi Devices

Kamran Ali Alex X. Liu Wei Wang Muhammad Shahzad

本篇文章是Alex x liu 团队的文章，主要是利用WiFi信号进行击键识别的，是利用csi信号的更新粒度的识别，通过对手和手指的细微动作对csi信号产生的影响来识别。

第一部分INTRODUCTION

对文章的主要做的事情进行介绍，提出击键识别系统---WiKey

根据无线信号CSI会受到衰减、多径传播、多普勒效应的影响，来进行判断识别

面临三个挑战：

1、找到活动的开始和结束时间点。

2、提取有明显辨别性的特征，以为37个键做分类模型（传统方法的feature在WiKey不适用）,本文采用DWT离散小波变换

3、比较区分任意2个键的特征,标准的衡量参数有相关系数和欧氏距离，本文解决办法采用DTW动态时间调整

第二部分，相关工作

无设备活动识别归纳为三种方法：

(1) RSS based, (2) CSI based and (3) Software Defined Radio (SDR) based

击键识别归纳为以下三种方法：

（1）Acoustics Based （2）Electromagnetic Emissions Based （3）Video Camera Based

第三部分，CSI介绍

关键词：MIMO、Channel Frequency Response(CFR) 、OFDM

WiKey整体overview

1、remove noise 去噪

（1）low-pass filter 低频滤波过滤高频噪声

（2）Principal Component Analysis (PCA) 提取只是由手部动作造成信号变化的信息

2、检测活动的开始和结束点

3、提取合适的特征值--DWT

4、产生分类模型---kNN、DWT

第四部分 noise removal

A. Low Pass Filtering--Butterworth filter

B. PCA Based Filtering

两个优点：

1、降低维度，减少计算复杂度

2、去除不相关的噪声

我五部分、KEYSTROKEEXTRACTION

A. PCA on Normalized Stream

B. Keystroke Detection

C. Combining Results from Antenna Pairs

D. Extracting Keystroke Waveforms

第六部分、FEATUREEXTRACTION

第七部分、CLASSIFICATION

A. Dynamic Time Warping

B. Classifier Training--KNN

C. Behavioral Clustering of User Data

第八部分、实验及评估

1、实验设备和环境：

Lenovo X200 laptop 5300NIC、Ubuntu 14.04 、

TP-Link TLWR1043ND 、AP mode at 2.4GHz

MT= 2、MR= 3

ICMP ping packets 2500 packets/s

2、收集数据：实验样本人数10人、5个句子、击键间隔1s

3、键盘提取准确度评估

4、分类准确度评估 10-fold cross validation ，KNN（k=5）

(1)准确度与样本数的关系（30 sample）

(2)准确度与训练集training set 的关系（30-80）正比提升。

(3)采样率和训练样本的影响分析，采用高采样滤2500sample/s, X-fold验证分析（2<=x<=10）

(4) 现实句子击键识别评估

第九部分局限性分析

1、实验环境相对稳定，设备及人的位置相对固定

2、实验会受到周围环境无干扰，如其他人活动，改变距离和方向、击键速度、键盘大小等因素

3、实验者只有手部动作，无头部或其他身体活动

未来可能工作：

1、发现提出自动更改系统参数的系统以适应环境变化对识别的影响

2、增加训练样本的数量，足够多的样本数消除个体差异性以及同一个体的不同时间活动差异性

3、高采样率可以提取更多的信息，解决敲击键盘间隔更短的问题