基于CNN的泄漏電纜入侵檢測(cè)定位算法

朱妍靜 劉太君 葉焱 張芳杰

【摘? 要】

泄漏電纜入侵檢測(cè)系統(tǒng)所處的外部環(huán)境較為復(fù)雜，為降低環(huán)境因素對(duì)泄露電纜入侵檢測(cè)的影響，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)處理大量的樣本數(shù)據(jù)，并從數(shù)據(jù)中自動(dòng)提取內(nèi)在特性，實(shí)現(xiàn)泄漏電纜電磁入侵檢測(cè)系統(tǒng)更低的誤報(bào)率、漏報(bào)率和更高的定位精度的目標(biāo)，搭建了卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型，并用樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。模型測(cè)試結(jié)果表示其具有低漏報(bào)率和誤報(bào)率，定位精度可達(dá)到1 m。

【關(guān)鍵詞】泄漏電纜;卷積神經(jīng)網(wǎng)絡(luò);入侵檢測(cè);入侵定位

doi：10.3969/j.issn.1006-1010.2020.04.019? ? ? 中圖分類號(hào)：TN929.5

文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1006-1010（2020）04-0091-06

引用格式：朱妍靜，劉太君，葉焱，等. 基于CNN的泄漏電纜入侵檢測(cè)定位算法[J]. 移動(dòng)通信， 2020，44（4）： 91-96.

Leakage Cable Intrusion Detection and Location Algorithms Based on CNN

ZHU Yanjing， LIU Taijun， YE Yan， ZHANG Fangjie

（Faculty of Electrical Engineering and Computer Science， Ningbo University， Ningbo 315211， China）

[Abstract]

Leakage cable intrusion detection system usually faces complex external environments. Therefore， in order to reduce the impact of environmental factors， an intrusion detection algorithm based on the convolutional neural network （CNN） is proposed. The CNN is used to process a large amount of sample data， and the intrinsic characteristics are automatically extracted from the data to realize the goal of lower false alarm rate， missing alarm rate and higher positioning accuracy in the leakage cable intrusion detection system. A CNN-based intrusion detection model is established to train and test the sample data， and the model test results show that it has low missing alarm rate and false alarm rate， and its positioning accuracy can reach 1 m.

[Key words] leakage cable; CNN; intrusion detection; intrusion location

0? ?引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展和城市現(xiàn)代化程度的提高，社會(huì)的不安定因素也越來(lái)越多，人們對(duì)于安全的重視程度也不斷提高。尤其在一些重要區(qū)域，如軍事基地、核電站、監(jiān)獄、鐵路沿線等，防止非法入侵至關(guān)重要。泄漏電纜周界入侵檢測(cè)系統(tǒng)具有安裝位置隱蔽，覆蓋域廣，報(bào)警準(zhǔn)確率高，受環(huán)境因素影響小，定位精度高等優(yōu)點(diǎn)[1]，在各種安防系統(tǒng)中體現(xiàn)出較強(qiáng)的優(yōu)勢(shì)，得到了廣泛的應(yīng)用。

周界入侵檢測(cè)系統(tǒng)的主要目標(biāo)是對(duì)入侵實(shí)現(xiàn)精確的檢測(cè)和定位，其主要性能指標(biāo)為誤報(bào)率和漏報(bào)率以及定位精度。因此，周界入侵檢測(cè)系統(tǒng)的設(shè)計(jì)均是以降低系統(tǒng)的誤報(bào)率和漏報(bào)率，提高定位精度為目的。泄漏電纜電磁入侵檢測(cè)系統(tǒng)受到復(fù)雜多變的外部環(huán)境的影響，更低的誤報(bào)率、漏報(bào)率和更高的定位精度需要更加優(yōu)秀的檢測(cè)定位算法的支持。

本文結(jié)合碼的自相關(guān)定位算法，提出將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于泄漏電纜入侵精確檢測(cè)定位算法。卷積神經(jīng)網(wǎng)絡(luò)近年來(lái)已在圖像識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域得到廣泛的應(yīng)用[2]。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)卷積層的組合，逐層提取數(shù)據(jù)的特征，從而達(dá)到精確的識(shí)別和分類等功能。因此，利用卷積神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中提取特征的能力，對(duì)系統(tǒng)采集的入侵?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練，提取人為入侵特征，從而實(shí)現(xiàn)對(duì)入侵的檢測(cè)和精確定位，并大大提高了入侵檢測(cè)定位的準(zhǔn)確率。

1? ?入侵檢測(cè)定位原理

1.1? 系統(tǒng)組成

泄漏電纜周界入侵檢測(cè)系統(tǒng)主要由系統(tǒng)主機(jī)、兩根導(dǎo)入纜、兩根泄漏電纜、終端匹配負(fù)載以及上位機(jī)顯示模塊構(gòu)成。其組成框圖如圖1所示，其中，系統(tǒng)主機(jī)包括發(fā)射模塊、接收模塊和控制處理模塊。

控制處理模塊產(chǎn)生碼字并進(jìn)行調(diào)制，經(jīng)過(guò)數(shù)模轉(zhuǎn)換器將數(shù)字信號(hào)轉(zhuǎn)化成模擬信號(hào)，由功率放大器將信號(hào)放大到足夠的輸出功率，向泄漏電纜的發(fā)射纜中傳輸。其中，部分信號(hào)能量經(jīng)電纜傳輸消耗在負(fù)載上，另有部分信號(hào)通過(guò)泄漏電纜的槽孔輻射出來(lái)，并被接收纜感應(yīng)接收，因此在兩條電纜之間形成了穩(wěn)定的電磁場(chǎng)。接收纜感應(yīng)接收到的信號(hào)也有一部分傳向負(fù)載，有用的部分則是傳回系統(tǒng)主機(jī)的信號(hào)。該信號(hào)經(jīng)過(guò)濾波和低噪聲放大器，再由模數(shù)轉(zhuǎn)換器將模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)并進(jìn)行解調(diào)，由控制處理模塊對(duì)該信號(hào)進(jìn)行相關(guān)的算法處理。處理的結(jié)果將會(huì)傳送給上位機(jī)，上位機(jī)可以顯示是否有入侵以及入侵的精確定位。

1.2? 檢測(cè)定位原理

兩條電纜之間，由于信號(hào)能量的泄露，形成了一個(gè)電磁場(chǎng)區(qū)域，即入侵的監(jiān)視防區(qū)[3]。當(dāng)電纜之間沒(méi)有人入侵時(shí)，電磁場(chǎng)比較穩(wěn)定;當(dāng)有人入侵時(shí)，防區(qū)的磁場(chǎng)會(huì)發(fā)生波動(dòng)，接收到的信號(hào)也會(huì)發(fā)生改變。同時(shí)，環(huán)境因素比如大風(fēng)、大雨、防區(qū)內(nèi)大樹(shù)的搖動(dòng)以及小動(dòng)物的進(jìn)入也會(huì)影響到防區(qū)的電磁場(chǎng)，造成接收信號(hào)的變化。變化的信號(hào)傳送回系統(tǒng)主機(jī)，經(jīng)過(guò)系統(tǒng)主機(jī)識(shí)別，區(qū)分人為入侵與其他因素的擾動(dòng)，經(jīng)過(guò)算法處理實(shí)現(xiàn)入侵的檢測(cè)和定位。

本文采用碼的自相關(guān)方法進(jìn)行入侵的檢測(cè)和定位，通信系統(tǒng)中通常選擇用自相關(guān)性良好的巴克碼作為同步碼。然而巴克碼的長(zhǎng)度有限，最大長(zhǎng)度為13位，不滿足定位技術(shù)的需要，因此將巴克碼以一定的規(guī)律進(jìn)行擴(kuò)展而得到格雷（Golay）碼[4]，其編碼方式如表1所示：

其中，a=（-1， +1），b=（+1， +1），a-和b-分別表示將a和b取反。長(zhǎng)度為n的格雷碼的自相關(guān)函數(shù)可表示為：

（1）

檢測(cè)定位的原理[5]如圖2所示。系統(tǒng)主機(jī)發(fā)射碼字，經(jīng)過(guò)泄漏電纜在距離x處的輻射和接收，傳輸回系統(tǒng)主機(jī)。因此，通過(guò)計(jì)算信號(hào)在其傳輸路徑中消耗的時(shí)間即可獲得信號(hào)的傳輸距離。由于碼字良好的自相關(guān)特性，傳輸回系統(tǒng)主機(jī)的信號(hào)與一個(gè)延時(shí)的參考信號(hào)進(jìn)行相關(guān)運(yùn)算，自相關(guān)的結(jié)果能夠反映距離x處接收到的強(qiáng)度[6]，而參考信號(hào)的延時(shí)就是信號(hào)在其傳輸路徑中消耗的時(shí)間。

泄漏電纜入侵檢測(cè)定位的主要思想如圖3所示，就是將泄漏電纜的監(jiān)視防區(qū)分成若干個(gè)間隔相等的距離單元。當(dāng)有人從某個(gè)位置穿過(guò)泄漏電纜之間的監(jiān)視防區(qū)時(shí)，會(huì)對(duì)相應(yīng)距離單元的電磁場(chǎng)造成干擾，并且也會(huì)對(duì)鄰近的幾個(gè)距離單元的電磁場(chǎng)產(chǎn)生干擾，但入侵位置對(duì)相應(yīng)的距離單元有最大的影響[7]。此外，環(huán)境因素也會(huì)對(duì)電磁場(chǎng)產(chǎn)生擾動(dòng)。系統(tǒng)主機(jī)通過(guò)接收纜接收到信號(hào)檢測(cè)每個(gè)距離單元內(nèi)的電磁場(chǎng)波動(dòng)情況，判斷是否是人的入侵，并確定入侵的位置。

系統(tǒng)接收的信號(hào)是各個(gè)距離單元反射回來(lái)的信號(hào)的疊加[8]，因此，對(duì)接收信號(hào)進(jìn)行自相關(guān)運(yùn)算的結(jié)果是一組反映各個(gè)距離單元的電磁場(chǎng)強(qiáng)度的數(shù)據(jù)，如圖4所示。

因此，可以根據(jù)各個(gè)距離單元當(dāng)前時(shí)刻的自相關(guān)值與之前某一無(wú)入侵時(shí)刻的自相關(guān)值之間的變化量來(lái)判斷是否有入侵。而自相關(guān)值變化量最大的距離單元可以認(rèn)為是人入侵的距離單元。

圖5為無(wú)入侵和有入侵時(shí)各個(gè)距離單元磁場(chǎng)強(qiáng)度對(duì)比圖。從圖中可以看出，每個(gè)距離單元的磁場(chǎng)強(qiáng)度都會(huì)發(fā)生波動(dòng)，但其中有幾個(gè)距離單元的變化較大。但是，具體是否有入侵以及入侵的位置，通常很難通過(guò)肉眼直接觀察出來(lái)，因此，需要進(jìn)一步的算法來(lái)判斷和定位。本文采用了具有CNN（Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò)）模型的入侵檢測(cè)算法排除環(huán)境等外界干擾，提取人為入侵特征，來(lái)準(zhǔn)確地檢測(cè)入侵并對(duì)入侵進(jìn)行精確定位。

2? ? 基于CNN的入侵檢測(cè)模型構(gòu)建

上一章節(jié)中闡述的入侵檢測(cè)方法的定位精度為一個(gè)距離單元的大小，該距離單元的大小是由載波周期決定的[9]。為了提高定位精度，得到更加精確的入侵位置，需要進(jìn)一步的數(shù)據(jù)處理。本文對(duì)每一個(gè)入侵點(diǎn)的數(shù)據(jù)進(jìn)行采集，采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

2.1? 訓(xùn)練數(shù)據(jù)的獲取

系統(tǒng)主機(jī)的控制處理模塊將接收的信號(hào)進(jìn)行處理后，得到一組自相關(guān)數(shù)據(jù)，反映的是某一時(shí)刻各個(gè)距離單元的磁場(chǎng)強(qiáng)度。取這組數(shù)據(jù)的前20個(gè)數(shù)據(jù)，即前20個(gè)距離單元的磁場(chǎng)強(qiáng)度。采集一段時(shí)間內(nèi)在同一位置進(jìn)行多次入侵的數(shù)據(jù)，如圖6所示：

圖6中的每一條曲線代表每一個(gè)距離單元在一段時(shí)間內(nèi)的相關(guān)值的變化。當(dāng)無(wú)人入侵時(shí)，磁場(chǎng)強(qiáng)度波動(dòng)很小，當(dāng)有人入侵時(shí)，入侵位置對(duì)應(yīng)的距離單元及其附近的距離單元會(huì)逐漸增加或減小，再逐漸恢復(fù)平穩(wěn)的過(guò)程，且每次入侵的磁場(chǎng)變化趨勢(shì)相同。入侵位置不同時(shí)，產(chǎn)生較強(qiáng)磁場(chǎng)波動(dòng)的距離單元以及波動(dòng)強(qiáng)度不同。

為了實(shí)現(xiàn)對(duì)入侵的檢測(cè)，需要取一段時(shí)間內(nèi)磁場(chǎng)的變化進(jìn)行處理。因此，采用一個(gè)寬度為20個(gè)數(shù)據(jù)的滑動(dòng)窗口，這個(gè)窗口沿著時(shí)間線滑動(dòng)，如圖6中的紅框，窗口內(nèi)的數(shù)據(jù)則是CNN模型輸入所需的20×20的二維數(shù)據(jù)。圖7為每個(gè)輸入數(shù)據(jù)的示意圖。

每一個(gè)輸入數(shù)據(jù)對(duì)應(yīng)一個(gè)輸出的標(biāo)簽，根據(jù)具體入侵情況，分為無(wú)入侵的標(biāo)簽和有入侵的具體入侵位置的標(biāo)簽。將所有的原始數(shù)據(jù)進(jìn)行以上處理，產(chǎn)生用于CNN模型訓(xùn)練和測(cè)試的輸入數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽。選取了具有代表性的11個(gè)距離進(jìn)行了入侵，每個(gè)距離均入侵了三百多次，采集了三千多個(gè)入侵?jǐn)?shù)據(jù)。

2.2? 訓(xùn)練模型的搭建

參考圖像識(shí)別的CNN模型[10]，搭建了用于泄漏電纜電磁入侵檢測(cè)定位算法的模型。其結(jié)構(gòu)如圖8所示?；贑NN的入侵檢測(cè)定位模型為輸入層、隱含層和輸出層三層結(jié)構(gòu)。其中，隱含層由數(shù)據(jù)處理層、卷積層網(wǎng)絡(luò)、全連接層網(wǎng)絡(luò)和Softmax層構(gòu)成。

卷積神經(jīng)網(wǎng)絡(luò)的輸入為一個(gè)20×20的二維數(shù)據(jù)，代表了20個(gè)時(shí)刻的20個(gè)距離單元的自相關(guān)值，輸出為一個(gè)一維12位的數(shù)據(jù)，即網(wǎng)絡(luò)輸出的分類包括無(wú)入侵以及11個(gè)入侵位置。

數(shù)據(jù)處理層主要是對(duì)輸入的數(shù)據(jù)進(jìn)行歸一化操作的層。該網(wǎng)絡(luò)中采用了批量歸一化（Batch Normalization， BN）[11]的方法，將輸入的數(shù)據(jù)變換成均值為0，方差為1的一組數(shù)據(jù)。其過(guò)程可以用公式（2）～（5）表示。在公式（5）中，引入了兩個(gè)參數(shù)α和β，這兩個(gè)參數(shù)也需要通過(guò)模型訓(xùn)練出來(lái)。

y（i）=ax^（i）+β? ? ? ? ? ? ? ? （5）

卷積層網(wǎng)絡(luò)由兩個(gè)卷積和池化層構(gòu)成，其中，第一個(gè)卷積層的卷積核為3×3，通道數(shù)為5，以Relu作為激活函數(shù);第二個(gè)卷積層采用5×5的卷積核，通道數(shù)為20，激活函數(shù)同樣為Relu;兩個(gè)池化層的池化窗口均為2×2，窗口滑動(dòng)的步長(zhǎng)為1。卷積層網(wǎng)絡(luò)對(duì)數(shù)據(jù)的特征提取。全連接層網(wǎng)絡(luò)由兩個(gè)全連接層組成，第一個(gè)全連接層的輸出為128位，第二個(gè)全連接層的輸出為12位。添加Softmax層是分類問(wèn)題的最常見(jiàn)的方法，Softmax使輸出的結(jié)果轉(zhuǎn)化為概率，概率最高的類別即為最可能的預(yù)測(cè)的類別。

3? ?模型訓(xùn)練及測(cè)試結(jié)果

為實(shí)現(xiàn)入侵的檢測(cè)和定位，本文選擇了MXNet深度學(xué)習(xí)框架來(lái)實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練的數(shù)據(jù)集為由泄漏電纜入侵檢測(cè)系統(tǒng)平臺(tái)采集的11個(gè)位置的3 000多個(gè)有入侵時(shí)的數(shù)據(jù)和6萬(wàn)多個(gè)無(wú)入侵時(shí)的數(shù)據(jù)，以及對(duì)應(yīng)的標(biāo)簽由于系統(tǒng)通常情況下處于無(wú)入侵的狀態(tài)，因此采集的無(wú)入侵?jǐn)?shù)據(jù)大大多于有入侵的數(shù)據(jù)。將數(shù)據(jù)集的一小部分作為測(cè)試數(shù)據(jù)集，其他數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集。

訓(xùn)練模型時(shí)，在對(duì)測(cè)試數(shù)據(jù)集進(jìn)行不斷迭代的過(guò)程中，訓(xùn)練的總損失值的變化如圖9所示。隨著迭代次數(shù)的增加，訓(xùn)練的損失值越來(lái)越小，接近于零，就是模型的輸出與真實(shí)的標(biāo)簽值越來(lái)越接近，輸出結(jié)果越來(lái)越準(zhǔn)確。

將測(cè)試數(shù)據(jù)集的數(shù)據(jù)輸入訓(xùn)練好的模型中，測(cè)試結(jié)果如圖10所示。其中Output為通過(guò)模型計(jì)算出的結(jié)果，Label為實(shí)際的標(biāo)簽。Output與Label中的0表示無(wú)入侵，其他數(shù)字表示入侵位置的類別。從所得的結(jié)果中可以看出，模型計(jì)算結(jié)果與實(shí)際標(biāo)簽基本一致，因此，該CNN模型具有入侵檢測(cè)和定位的能力，經(jīng)過(guò)計(jì)算得出，其漏報(bào)率約為0.89%，誤報(bào)率約為9.5%。定位精度CDF曲線如圖11所示。

該模型與文獻(xiàn)[12]中基于恒虛警的算法相比，誤報(bào)率雖無(wú)很大的降低，但將定位精度提高到了1 m。并且，隨著訓(xùn)練樣本點(diǎn)和樣本數(shù)的增加，其性能也會(huì)越來(lái)越好。

4? ?結(jié)束語(yǔ)

本文結(jié)合碼的自相關(guān)定位方法實(shí)現(xiàn)入侵的檢測(cè)和粗略定位，并提出了基于CNN模型的入侵檢測(cè)定位算法對(duì)入侵進(jìn)行進(jìn)一步的精確定位。利用MXNet深度學(xué)習(xí)框架對(duì)CNN模型進(jìn)行訓(xùn)練和測(cè)試，測(cè)試結(jié)果表明：基于CNN的泄漏電纜入侵檢測(cè)定位算法具有良好的檢測(cè)入侵和定位入侵的能力。

參考文獻(xiàn)：

[1]? ?HARMAN K， MESSNER W K. Outdoor perimeter security sensors a forty year perspective[C]//IEEE International Carnahan Conference on Security Technology. IEEE， 2012： 1-9.

[2]? ? ?周志華. 機(jī)器學(xué)習(xí)[M]. 北京： 清華大學(xué)出版社， 2016.

[3]? ? WANG J H， MEI K K. Theory and analysis of leaky coaxial cables with periodic slots[J]. IEEE Transactions on Antennas & Propagation， 2001，49（12）： 1723-1732.

[4]? ? ?HARMAN K， HODGINS B. Next generation of GUIDAR? technology[J]. IEEE Aerospace and Electronic Systems Magazine， 2005，20（5）： 16-26.

[5]? ? INOMATA K， HIRAI T， SUMI K， et al. Wide-area Surveillance Sensor with Leaky Coaxial Cables[C]//Sice-Icase International Joint Conference. IEEE， 2006： 959-963.

[6]? ? 羅志瑛. 泄漏電纜導(dǎo)波雷達(dá)高精度定位信號(hào)處理方法研究[D]. 大慶： 東北石油大學(xué)， 2016.

[7]? ? ?喬宏章，張軍. 泄漏電纜周界監(jiān)視技術(shù)研究[J]. 無(wú)線電工程， 2013（3）： 43-46.

[8]? ?WANG X， WANG J， ZHANG Z， et al. Coupling characteristics between leaky coaxial cables with and without obstacle[C]//International Symposium on Antennas Propagation & EM Theory. IEEE， 2012： 612-615.

[9]? ? 王顯剛. 基于漏泄同軸電纜與分布式天線的預(yù)警系統(tǒng)研究[D]. 北京： 北京交通大學(xué)， 2013.

[10]? HINTON G E， OSINDERO S， TEH Y W.? A Fast Lear-ning Algorithm for Deep Belief Nets[J]. Neural Computation， 2014，18（7）： 1527-1554.

[11]? IOFFE S， SZEGEDY C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift[Z]. 2015.

[12]? ?陳珊，劉太君，尹思源，等. 基于恒虛警的定位式泄漏電纜入侵檢測(cè)技術(shù)[J]. 無(wú)線通信技術(shù)， 2017，26（3）： 1-5.★

作者簡(jiǎn)介

朱妍靜（orcid.org/0000-0002-4176-626X）：

寧波大學(xué)信息科學(xué)與工程學(xué)院在讀碩士研究生，研究方向?yàn)闊o(wú)線通信、泄漏電纜入侵檢測(cè)系統(tǒng)關(guān)鍵技術(shù)等。

劉太君（orcid.org/0000-0002-0634-7756）：教授，博士生導(dǎo)師，現(xiàn)任職于寧波大學(xué)信息科學(xué)與工程學(xué)院，研究方向?yàn)樯漕l功放建模和線性化技術(shù)、高效射頻功放設(shè)計(jì)、智能射頻技術(shù)等。

葉焱：副研究員，碩士生導(dǎo)師，現(xiàn)任職于寧波大學(xué)信息科學(xué)與工程學(xué)院，研究方向?yàn)闊o(wú)線通信技術(shù)。