29、无线定位中的对抗机器学习技术解析

无线定位中的对抗机器学习技术解析

1. 引言

位置服务在当今及未来生活中愈发普及，涵盖自动驾驶、疫情追踪、室内导航和智慧城市等多个领域。全球定位系统（GPS）虽在户外导航广泛应用，但在室内环境中，因其易受遮挡，效果大打折扣。随着无线通信技术的飞速发展，Wi-Fi、LoRa、LTE 和 5G 等无线信号在日常生活和工作中无处不在，弥补了 GPS 在室内定位的不足。

机器学习技术的快速进步推动了基于指纹的定位系统研究。与测量到达时间（TOA）、到达时间差（TDOA）或到达角度（AOA）相比，基于指纹的定位系统具有无需特殊设备的优势。其定位过程通常分为离线和在线两个阶段：离线阶段通过全面测量构建大型数据库，并在该数据库上训练机器学习模型；在线阶段将接收到的测试数据与数据库中的信息进行比较，以预测位置。

常用的指纹信息包括接收信号强度（RSS）和信道状态信息（CSI）。RSS 因简单易用而被广泛应用，但它无法反映多径效应，且仅提供粗略的信道信息，导致基于 RSS 的定位精度受限。CSI 则提供了细粒度的信道信息，在基于深度学习的定位系统中得到广泛应用。

尽管强大的深度神经网络（DNNs）能提升基于指纹的定位系统性能，但此类系统的安全性和鲁棒性至关重要。DNNs 的黑盒特性以及训练过程中可能使用第三方资源，都可能引入安全漏洞。在计算机视觉和自然语言处理等领域，已有研究表明对抗攻击可欺骗机器学习模型。而在无线领域，相关研究尚处于早期阶段，但同样重要。

2. 基于机器学习的定位系统

在人工智能时代，机器学习广泛应用于自然语言处理、计算机视觉、机器人和工程等多个领域。深度学习作为机器学习的一个分支，虽功能强大但难以解释。以下介绍几种