典型文献
抵御对抗样本攻击的指纹室内定位方法
文献摘要：
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l2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.
文献关键词：
室内定位;对抗样本;深度学习;C&W攻击;差分隐私
中图分类号：
作者姓名：
张学军;鲍俊达;何福存;盖继扬;田丰;黄海燕
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
文献出处：
引用格式：
[1]张学军;鲍俊达;何福存;盖继扬;田丰;黄海燕-.抵御对抗样本攻击的指纹室内定位方法)[J].北京航空航天大学学报,2022(11):2087-2101
A类：
AdvILoc
B类：
对抗样本攻击,指纹,室内定位,定位方法,WiFi,接收信号强度,RSS,深度学习技术,定位性能,定位系统,统带,图像识别,领域对抗,对抗样本防御,防御方法,研究和分析,数据特征,高维,深度学习模型,池化,全连接层,差分隐私,定位模型,过拟合,泛化能力,Dropout,设计模型,正则化方法,定位数据,多层感知机,MLP,开销,模型性能,l2,定位准确率
AB值：
0.266558
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
