基于CNN的泄漏電纜入侵檢測定位算法

朱妍靜 劉太君 葉焱 張芳杰

【摘? 要】

泄漏電纜入侵檢測系統所處的外部環境較為復雜，為降低環境因素對泄露電纜入侵檢測的影響，提出了基于卷積神經網絡的入侵檢測算法。通過卷積神經網絡處理大量的樣本數據，并從數據中自動提取內在特性，實現泄漏電纜電磁入侵檢測系統更低的誤報率、漏報率和更高的定位精度的目標，搭建了卷積神經網絡入侵檢測模型，并用樣本數據對模型進行訓練和測試。模型測試結果表示其具有低漏報率和誤報率，定位精度可達到1 m。

【關鍵詞】泄漏電纜;卷積神經網絡;入侵檢測;入侵定位

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

文獻標志碼：A? ? ? 文章編號：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定位算法[J]. 移動通信， 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

隨著社會經濟的發展和城市現代化程度的提高，社會的不安定因素也越來越多，人們對于安全的重視程度也不斷提高。尤其在一些重要區域，如軍事基地、核電站、監獄、鐵路沿線等，防止非法入侵至關重要。泄漏電纜周界入侵檢測系統具有安裝位置隱蔽，覆蓋域廣，報警準確率高，受環境因素影響小，定位精度高等優點[1]，在各種安防系統中體現出較強的優勢，得到了廣泛的應用。

周界入侵檢測系統的主要目標是對入侵實現精確的檢測和定位，其主要性能指標為誤報率和漏報率以及定位精度。因此，周界入侵檢測系統的設計均是以降低系統的誤報率和漏報率，提高定位精度為目的。泄漏電纜電磁入侵檢測系統受到復雜多變的外部環境的影響，更低的誤報率、漏報率和更高的定位精度需要更加優秀的檢測定位算法的支持。

本文結合碼的自相關定位算法，提出將卷積神經網絡應用于泄漏電纜入侵精確檢測定位算法。卷積神經網絡近年來已在圖像識別、語音識別等領域得到廣泛的應用[2]。卷積神經網絡通過多個卷積層的組合，逐層提取數據的特征，從而達到精確的識別和分類等功能。因此，利用卷積神經網絡從數據中提取特征的能力，對系統采集的入侵數據進行訓練，提取人為入侵特征，從而實現對入侵的檢測和精確定位，并大大提高了入侵檢測定位的準確率。

1? ?入侵檢測定位原理

1.1? 系統組成

泄漏電纜周界入侵檢測系統主要由系統主機、兩根導入纜、兩根泄漏電纜、終端匹配負載以及上位機顯示模塊構成。其組成框圖如圖1所示，其中，系統主機包括發射模塊、接收模塊和控制處理模塊。

控制處理模塊產生碼字并進行調制，經過數模轉換器將數字信號轉化成模擬信號，由功率放大器將信號放大到足夠的輸出功率，向泄漏電纜的發射纜中傳輸。其中，部分信號能量經電纜傳輸消耗在負載上，另有部分信號通過泄漏電纜的槽孔輻射出來，并被接收纜感應接收，因此在兩條電纜之間形成了穩定的電磁場。接收纜感應接收到的信號也有一部分傳向負載，有用的部分則是傳回系統主機的信號。該信號經過濾波和低噪聲放大器，再由模數轉換器將模擬信號轉化為數字信號并進行解調，由控制處理模塊對該信號進行相關的算法處理。處理的結果將會傳送給上位機，上位機可以顯示是否有入侵以及入侵的精確定位。

1.2? 檢測定位原理

兩條電纜之間，由于信號能量的泄露，形成了一個電磁場區域，即入侵的監視防區[3]。當電纜之間沒有人入侵時，電磁場比較穩定;當有人入侵時，防區的磁場會發生波動，接收到的信號也會發生改變。同時，環境因素比如大風、大雨、防區內大樹的搖動以及小動物的進入也會影響到防區的電磁場，造成接收信號的變化。變化的信號傳送回系統主機，經過系統主機識別，區分人為入侵與其他因素的擾動，經過算法處理實現入侵的檢測和定位。

本文采用碼的自相關方法進行入侵的檢測和定位，通信系統中通常選擇用自相關性良好的巴克碼作為同步碼。然而巴克碼的長度有限，最大長度為13位，不滿足定位技術的需要，因此將巴克碼以一定的規律進行擴展而得到格雷（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。長度為n的格雷碼的自相關函數可表示為：

（1）

檢測定位的原理[5]如圖2所示。系統主機發射碼字，經過泄漏電纜在距離x處的輻射和接收，傳輸回系統主機。因此，通過計算信號在其傳輸路徑中消耗的時間即可獲得信號的傳輸距離。由于碼字良好的自相關特性，傳輸回系統主機的信號與一個延時的參考信號進行相關運算，自相關的結果能夠反映距離x處接收到的強度[6]，而參考信號的延時就是信號在其傳輸路徑中消耗的時間。

泄漏電纜入侵檢測定位的主要思想如圖3所示，就是將泄漏電纜的監視防區分成若干個間隔相等的距離單元。當有人從某個位置穿過泄漏電纜之間的監視防區時，會對相應距離單元的電磁場造成干擾，并且也會對鄰近的幾個距離單元的電磁場產生干擾，但入侵位置對相應的距離單元有最大的影響[7]。此外，環境因素也會對電磁場產生擾動。系統主機通過接收纜接收到信號檢測每個距離單元內的電磁場波動情況，判斷是否是人的入侵，并確定入侵的位置。

系統接收的信號是各個距離單元反射回來的信號的疊加[8]，因此，對接收信號進行自相關運算的結果是一組反映各個距離單元的電磁場強度的數據，如圖4所示。

因此，可以根據各個距離單元當前時刻的自相關值與之前某一無入侵時刻的自相關值之間的變化量來判斷是否有入侵。而自相關值變化量最大的距離單元可以認為是人入侵的距離單元。

圖5為無入侵和有入侵時各個距離單元磁場強度對比圖。從圖中可以看出，每個距離單元的磁場強度都會發生波動，但其中有幾個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，通常很難通過肉眼直接觀察出來，因此，需要進一步的算法來判斷和定位。本文采用了具有CNN（Convolutional Neural Networks，卷積神經網絡）模型的入侵檢測算法排除環境等外界干擾，提取人為入侵特征，來準確地檢測入侵并對入侵進行精確定位。

2? ? 基于CNN的入侵檢測模型構建

上一章節中闡述的入侵檢測方法的定位精度為一個距離單元的大小，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，需要進一步的數據處理。本文對每一個入侵點的數據進行采集，采用卷積神經網絡進行訓練和測試。

2.1? 訓練數據的獲取

系統主機的控制處理模塊將接收的信號進行處理后，得到一組自相關數據，反映的是某一時刻各個距離單元的磁場強度。取這組數據的前20個數據，即前20個距離單元的磁場強度。采集一段時間內在同一位置進行多次入侵的數據，如圖6所示：

圖6中的每一條曲線代表每一個距離單元在一段時間內的相關值的變化。當無人入侵時，磁場強度波動很小，當有人入侵時，入侵位置對應的距離單元及其附近的距離單元會逐漸增加或減小，再逐漸恢復平穩的過程，且每次入侵的磁場變化趨勢相同。入侵位置不同時，產生較強磁場波動的距離單元以及波動強度不同。

為了實現對入侵的檢測，需要取一段時間內磁場的變化進行處理。因此，采用一個寬度為20個數據的滑動窗口，這個窗口沿著時間線滑動，如圖6中的紅框，窗口內的數據則是CNN模型輸入所需的20×20的二維數據。圖7為每個輸入數據的示意圖。

每一個輸入數據對應一個輸出的標簽，根據具體入侵情況，分為無入侵的標簽和有入侵的具體入侵位置的標簽。將所有的原始數據進行以上處理，產生用于CNN模型訓練和測試的輸入數據和對應的標簽。選取了具有代表性的11個距離進行了入侵，每個距離均入侵了三百多次，采集了三千多個入侵數據。

2.2? 訓練模型的搭建

參考圖像識別的CNN模型[10]，搭建了用于泄漏電纜電磁入侵檢測定位算法的模型。其結構如圖8所示。基于CNN的入侵檢測定位模型為輸入層、隱含層和輸出層三層結構。其中，隱含層由數據處理層、卷積層網絡、全連接層網絡和Softmax層構成。

卷積神經網絡的輸入為一個20×20的二維數據，代表了20個時刻的20個距離單元的自相關值，輸出為一個一維12位的數據，即網絡輸出的分類包括無入侵以及11個入侵位置。

數據處理層主要是對輸入的數據進行歸一化操作的層。該網絡中采用了批量歸一化（Batch Normalization， BN）[11]的方法，將輸入的數據變換成均值為0，方差為1的一組數據。其過程可以用公式（2）～（5）表示。在公式（5）中，引入了兩個參數α和β，這兩個參數也需要通過模型訓練出來。

y（i）=ax^（i）+β? ? ? ? ? ? ? ? （5）

卷積層網絡由兩個卷積和池化層構成，其中，第一個卷積層的卷積核為3×3，通道數為5，以Relu作為激活函數;第二個卷積層采用5×5的卷積核，通道數為20，激活函數同樣為Relu;兩個池化層的池化窗口均為2×2，窗口滑動的步長為1。卷積層網絡對數據的特征提取。全連接層網絡由兩個全連接層組成，第一個全連接層的輸出為128位，第二個全連接層的輸出為12位。添加Softmax層是分類問題的最常見的方法，Softmax使輸出的結果轉化為概率，概率最高的類別即為最可能的預測的類別。

3? ?模型訓練及測試結果

為實現入侵的檢測和定位，本文選擇了MXNet深度學習框架來實現卷積神經網絡模型。訓練的數據集為由泄漏電纜入侵檢測系統平臺采集的11個位置的3 000多個有入侵時的數據和6萬多個無入侵時的數據，以及對應的標簽由于系統通常情況下處于無入侵的狀態，因此采集的無入侵數據大大多于有入侵的數據。將數據集的一小部分作為測試數據集，其他數據作為訓練數據集。

訓練模型時，在對測試數據集進行不斷迭代的過程中，訓練的總損失值的變化如圖9所示。隨著迭代次數的增加，訓練的損失值越來越小，接近于零，就是模型的輸出與真實的標簽值越來越接近，輸出結果越來越準確。

將測試數據集的數據輸入訓練好的模型中，測試結果如圖10所示。其中Output為通過模型計算出的結果，Label為實際的標簽。Output與Label中的0表示無入侵，其他數字表示入侵位置的類別。從所得的結果中可以看出，模型計算結果與實際標簽基本一致，因此，該CNN模型具有入侵檢測和定位的能力，經過計算得出，其漏報率約為0.89%，誤報率約為9.5%。定位精度CDF曲線如圖11所示。

該模型與文獻[12]中基于恒虛警的算法相比，誤報率雖無很大的降低，但將定位精度提高到了1 m。并且，隨著訓練樣本點和樣本數的增加，其性能也會越來越好。

4? ?結束語

本文結合碼的自相關定位方法實現入侵的檢測和粗略定位，并提出了基于CNN模型的入侵檢測定位算法對入侵進行進一步的精確定位。利用MXNet深度學習框架對CNN模型進行訓練和測試，測試結果表明：基于CNN的泄漏電纜入侵檢測定位算法具有良好的檢測入侵和定位入侵的能力。

參考文獻：

[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. 機器學習[M]. 北京： 清華大學出版社， 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. 泄漏電纜導波雷達高精度定位信號處理方法研究[D]. 大慶： 東北石油大學， 2016.

[7]? ? ?喬宏章，張軍. 泄漏電纜周界監視技術研究[J]. 無線電工程， 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警系統研究[D]. 北京： 北京交通大學， 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技術[J]. 無線通信技術， 2017，26（3）： 1-5.★

作者簡介

朱妍靜（orcid.org/0000-0002-4176-626X）：

寧波大學信息科學與工程學院在讀碩士研究生，研究方向為無線通信、泄漏電纜入侵檢測系統關鍵技術等。

劉太君（orcid.org/0000-0002-0634-7756）：教授，博士生導師，現任職于寧波大學信息科學與工程學院，研究方向為射頻功放建模和線性化技術、高效射頻功放設計、智能射頻技術等。

葉焱：副研究員，碩士生導師，現任職于寧波大學信息科學與工程學院，研究方向為無線通信技術。