抵御对抗样本攻击的指纹室内定位方法

作     者：张学军 鲍俊达 何福存 盖继扬 田丰 黄海燕 ZHANG Xuejun;BAO Junda;HE Fucun;GAI Jiyang;TIAN Feng;HUANG Haiyan

作者机构：兰州交通大学电子与信息工程学院兰州730070 陕西师范大学计算机科学学院西安710062 

基　　金：国家自然科学基金(61762058,61901201) 兰州交通大学百人青年人才培养计划 甘肃省自然科学基金(21JR7RA282) 甘肃省高等学校产业支撑计划(2022CYZC-38) 中央高校基本科研业务费专项资金(GK202103090) 陕西省自然科学基础研究计划(2022JM-329) 

出 版 物：《北京航空航天大学学报》 (Journal of Beijing University of Aeronautics and Astronautics)

年 卷 期：2022年第48卷第11期

页      码：2087-2101页

摘      要：随着城市智能化的发展,基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段,但其易遭受对抗样本攻击,给定位系统带来严重安全隐患。为此,提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析,结合室内RSS指纹数据特征单一且高维的特点,通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层,以及满足差分隐私的噪声层来抵御对抗样本攻击,解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层,以及设计模型参数正则化方法,提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比,所提方法在保证时间开销和基本不影响定位模型性能的情况下,提高了模型抵御对抗样本攻击的鲁棒性;在满足l范式规范的C&W攻击下,随着攻击大小不断增大,模型的定位准确率下降也更平稳。

主 题 词：室内定位 对抗样本 深度学习 C&W攻击 差分隐私 

学科分类：08[工学] 0839[0839] 081201[081201] 0812[工学-测绘类] 

核心收录：

D　O　I：10.13700/j.bh.1001-5965.2021.0789

馆 藏 号：203115553...