基于信道狀態信息的Wi-Fi認證方法

周澤侖 戴 歡,2* 束沁冬 史文華 石鵬展

1(蘇州科技大學 江蘇 蘇州215000) 2(蘇州大學 江蘇 蘇州 215000)

0 引 言

近年，Wi-Fi已成為訪問互聯網的重要技術之一。根據ABI Research的報告[1]，從2015年到2019年，Wi-Fi芯片的出貨量接近180億。并且隨著配備Wi-Fi芯片的移動設備的發展和普及，Wi-Fi在能夠隨時隨地訪問互聯網的需求中發揮了重要的作用。

根據報道[2]，根據全國約1億臺無線路由器的市場規模估算，被蹭網的Wi-Fi數量高達950萬個，按照我國年平均上網資費計算，每年將帶來高達50億元的網費損失。WPA是目前最常用的Wi-Fi連接認證技術。然而，利用WPA加密的Wi-Fi仍然會被附近區域的非法用戶破解，極易造成網速變慢以及信息泄露等問題。造成這種情況的主要原因是用戶為了連接方便，不愿意設置過于復雜的密碼，甚至不設置密碼，但是即使設置了極為復雜的密碼，仍然有自動破解密碼的軟件使得密碼認證無效。因此，研究如何有效防止附近非法用戶在非限定區域內破解密碼連接具有十分重要的意義。

許多研究者針對加強WPA安全性展開了研究。文獻[3]提出了一種新的防御策略，該策略能有效預防使用GPU破解WPA，顯著增強WPA的安全性。文獻[4]提出了應用公鑰加密的安全密鑰交換方案，使用公鑰系統交換用戶選擇的輔助密鑰，可以保護用戶免受同一Wi-Fi網絡中的多次攻擊。然而該方法僅限于提高WPA加密的安全性，可能無法避免所有破解工具的解密方式，并且密鑰也存在被非法用戶盜取的可能。

一些主流的路由器生產商已經注意到了這一問題，并采取一系列措施避免該問題，例如華為、TP-LINK等極大簡化了設置Wi-Fi密碼的步驟以鼓勵用戶設置密碼。同時，小米等廠商也提出了利用白名單的方式識別非法用戶的智能Wi-Fi節點。文獻[5]通過對Wi-Fi安全參數配置的分析，提出了一種基于底層Wi-Fi安全參數實現連接認證后上層設備信息的Wi-Fi安全認證方法，然而利用白名單或者配置參數的方式需要用戶提供設備mac地址等信息，這對于一般用戶而言十分不友好。文獻[6]等把用戶輸入密碼時的動作特性作為Wi-Fi驗證的第二要素，通過對于合法用戶在輸入密碼時動作的獨特性來進行Wi-Fi認證。然而利用破解工具的非法認證方式可能無法準確地捕獲到非法用戶的輸入姿勢，并且由于設備多樣性存在，合法用戶動作的獨特性也難以捕捉。

針對上述問題，本文提出一種基于信道狀態信息的Wi-Fi認證方法。基于CSI指紋庫建立SVM模型，通過SVM計算得到發起Wi-Fi認證用戶的位置信息，通過判斷發起Wi-Fi認證用戶的位置判定用戶的合法性。為了去除CSI中的噪聲，利用Hampel濾波器去除了CSI數據流中的奇異數據，避免了環境因素引起的位置誤差。使用Percentile算法提升高斯核函數選取參數的效率，提升了認證方法的實時性。

1 信道狀態信息

信號在無線傳播信道中的單個路徑特性可以被建模為時間線性濾波器，也被稱為信道脈沖響應(Channel Impulse Response,CIR),其被定義為：

(1)

式中：αi、θi、τi分別為第i條傳播路徑信號的振幅、相位和時間延遲；M為傳播路徑的數量；δ(τ)為狄拉克三角函數[7]。

CIR在頻域上表現為信道頻率響應(Channel Frequency Response，CFR)。而在現有的許多Wi-Fi設備中，CIR以CSI的形式呈現。現有的正交頻分復用(Orthogonal Frequency Division Multiplexing,OFDM)系統[8]中，CSI可以分別體現折射、散射、能量衰減對于信號的影響，并且描繪出信號從發射端至接收端的傳播過程，從而減少多徑效應[9]對于信號傳播的干擾。其可以被定義為：

(2)

式中：fk為第k條載波的頻率；H(fk)為第k條載波的CSI值。

每條載波的CSI值也能夠表示該載波的振幅與相位，即也能定義為：

H(fk)=|H(fk)|ej∠H(fk)

(3)

式中：|H(fk)|和∠H(fk)分別表示載波的振幅與相位。

每個副載波的接收信號強度[10]與CSI的振幅成正比，可以表示為：

(4)

因此CSI振幅又可以表示兩個路由器之間信號功率的度量。CSI振幅又可以被寫為：

(5)

從式(5)可以看出，CSI振幅取決于各個載波中信號到達的時間延遲τi，而在多載波的分布下，不同位置造成的時間延遲必然是不同的，因此，CSI振幅在不同位置的情況下也必然是不同的。根據這一特性，可以得出使用CSI進行位置識別是有可行性的。

2 認證方法結構

基于信道狀態信息的Wi-Fi認證方法的流程如圖1所示。當有新設備發起連接時，新設備會向Wi-Fi發射源發出連接請求。此時，Wi-Fi發射源通過獲取與新設備之間的CSI值以進行新設備的位置識別，當位置合法時，則允許連接。而為了合法用戶在非法位置的連接，則可以加入白名單模塊，僅拒絕不在白名單之內的非法位置連接。

圖1 認證方法結構

具體位置識別方法如圖2所示，當采集到與新設備之間的CSI值后，首先進行數據預處理，預處理包括CSI去噪和數據標準化。首先進行降噪處理，以去除CSI數據流中環境因素引起的噪聲。其次，由于各個載波之間CSI值量級有一定差異，因此本文對去噪后的數據進行標準化處理，消除變量間的量綱關系，加強各個載波數據之間的可比性。當得到標準化過的CSI數據后，分為訓練階段和實時定位階段。在訓練階段，將Wi-Fi的覆蓋范圍分成多個區域，分為非法區域和合法區域，隨后基于在各個區域內采集的CSI數據建立指紋庫，并且構建SVM分類模型。在構建SVM分類模型時，采用Percentile算法加快SVM高斯核函數參數選擇效率增強認證實時性。選擇SVM分類器作為認證模型的原因如下：1) 在進行Wi-Fi認證時，由于僅需要知曉新設備所在的區域，所以無須進行精確定位，因此選擇輕量級的分類模型。2) SVM在分類任務上作用顯著，尤其對于非法區域和合法區域的二分類任務。在實時定位階段，采集到的實時數據經過預處理之后，直接通過SVM分類模型進行設備位置的識別。

圖2 位置識別框架

3 數據預處理

3.1 CSI去噪

CSI的振幅信息存在由環境因素引起的噪聲。為了去除這部分噪聲，本文使用Hampel濾波器進行去噪處理，以得到更加有效的CSI的振幅信息。Hampel濾波的基本思想是加權滑動平均，最初被應用于去除數據中的奇異點，其判定數據xi的準則如下:

(6)

式中：m表示在數據序列的中值；Std表示數據序列的標準差；t表示一種標量閾值。當判斷為奇異數據時，則奇異數據的位置用中值代替，其偽代碼如算法1所示。根據算法1，可以有效去除環境因素造成的噪聲。

算法1基于Hampel濾波的去噪算法

輸入：CSI的振幅序列|H(fk)|=[|h1||h2|…|hN|]。

//前兩筆數據直接復制

fork=3 ∶Ndo

m=(|hk|+|hk-1|+|hk-2|)/3

//計算中位數

//用中值代替奇異數據

end if

end for

由圖3可以得出，經過Hampel濾波器可以有效去除CSI振幅中的噪聲。

(a) 去噪之前振幅分布

(b) 去噪之后振幅分布圖3 Hampel濾波去噪效果

3.2 CSI數據標準化

對去噪后的數據進行標準化處理是為了消除變量間的量綱關系，加強各個載波數據之間的可比性。標準化公式如下：

(7)

式中：u為CSI數據的平均值；s為CSI數據的方差；X′為標準化之后的振幅；X為源數據。

4 設備位置識別

4.1 SVM模型

為了確定請求連接設備的位置區域，本文利用SVM算法找出各個位置指紋庫的判定邊界，首先需要構建設備區域位置和CSI組成的樣本。即(Xi,yi),其中：Xi為標準化過后的CSI數據，yi為當前設備的區域位置標記。由于SVM的本質是進行多次二分類，因此在每次二分類時，用yi∈{-1,1}作為二分類標記，yi=1表示該樣本屬于該類別，yi=-1表示該樣本不屬于該類別。

在尋找兩類樣本的劃分界面時，兩類的劃分一般都是非線性的，因此可以將CSI通過非線性映射到更高維度的空間，然后在高維度的空間中尋找一個超平面將兩類分開，其求解方式如下：

(8)

式中：w為超平面的斜率；b為超平面的偏移量。

在求解時，我們引入拉格朗日乘子法可得到其對偶問題，其拉格朗日函數可寫為：

(9)

令L(w,b,α)對w和b的偏導數為零可得：

(10)

將式(10)代入式(9)，可以得到求解公式為：

(11)

式中:C表示懲罰因子常數，表示在訓練時分類錯誤的重視程度。最終分類的決策如下：

(12)

式中：sgn返回的是得到結果的正負號；K為實現非線性映射的核函數，本文采用的是RBF核函數，其映射關系為：

(13)

式中：γ代表RBF核函數的帶寬。

4.2 Percentile算法參數選擇

算法2Percentile算法

輸入：標準化CSI振幅序列[X1,X2,…,Xn],n>2。

輸出：最優γ和C的數值。

2. 在D中選取5,25,50,75,95分位上的數，設為Pi，1≤i≤5。

3. 將γ的候選值定為1/Pi，C的候選值定為exp(Pi/Pj),1≤i,j≤5。

4. 使用交叉驗證法在γ和C的候選值中驗證最佳值，最終的到最優的(γ,C)。

在選取C的最佳值時，由于Pi和Pj都是平方數，則Pi/Pj>0,exp(Pi/Pj)>1。那么C的選擇范圍被限定在大于1的一組序列之中，并且每個γ的候選值1/Pi，都對應5個不同C的候選值Pi/Pj，這樣總共就形成了25對(γ,C)。盡管基于Percentile算法參數選擇無法在所有可能的(γ,C)值中找到最佳的參數值，但是由于算法2中的5個候選值涵蓋了大部分歐幾里得距離的數值范圍，因此最后也能夠從25對(γ,C)中找到合適的參數對，使得SVM模型對于新設備位置有良好的識別率。

5 實 驗

本文實驗收集數據所采用的硬件設備為基于OpenWrt固件的TP-LINK 4900v2路由器。收集114個載波的信道狀態信息時需要利用OpenWrt固件將信道帶寬設置為40 MHz，頻段為5 GHz。如圖4所示，實驗環境布置在三個12 m×12 m的實驗室(R1，R2，R3)和走廊(L)內。采集數據時，將一臺路由器放在R3內，另一臺路由器作為移動節點分別在走廊L、R2和R3內分別收集1萬筆數據。訓練模型時，各取50%的數據作為訓練集與測試集。

圖4 實驗環境

5.1 位置預測結果分析

圖5展示了移動節點在不同位置的預測結果。可以看出在各房間內的預測準確度都可以保證在80%以上。這驗證了利用位置服務實現Wi-Fi認證的可行性。

圖5 位置預測結果

5.2 不同場景結果分析

圖6中展示了移動節點在R1、R2、L內請求連接R3的錯誤認證率。假設R1、R2、L都為非法連接區域，移動節點在以上三個區域能夠連接上處于R3的路由器的情況被認為是錯誤認證。可以看出所有錯誤率都保持在10%以下，其中處于L內時錯誤率最高，這主要是由于走廊與R3間隔較近，處于R3門口位置的數據較容易被誤判為R3房間內的請求。

圖6 不同場景錯誤認證率

如圖7所示，移動節點在R1、R2、L內請求連接R3的認證準確率分別為93.6%、97.1%、95.2%。可以看出所有認證準確率都保持95%左右，驗證了本文方法可以在Wi-Fi認證上發揮有效的作用。

圖7 不同場景認證準確率

6 結 語

本文基于信道狀態信息提出通過識別請求連接設備的位置實現Wi-Fi認證。該方法旨在避免非法用戶通過破解Wi-Fi密碼的方式在非法位置進行連接，有效彌補了傳統密碼驗證方式的不足。實驗結果表明，該方法能夠有效識別出用戶在限定非法位置的連接請求，識別準確率在95%左右。