项目介绍：随着物联网传感设备和无线通讯技术的蓬勃发展，室内定位已然成为大众生活中不可或缺的一部分。目前，众多室内定位技术利用无线局域网信号(Wireless Local Area Network, WLAN)的相关特征来进行定位，常用的技术有 Wi-Fi、蓝牙、红外线和超声设备等。然而由于室内环境的复杂性（墙壁、金属、人员流动和其他电子设备等）导致射频信号无法覆盖全区域，很难向所有用户提供同等质量的定位服务。由于指纹识别技术可以提供 6 ~ 8米的定位精度，且精度随着无线访问接入点(Access Points, APs)密度的增加而提高，以及深度学习(Deep Learning, DL)技术可以帮助克服定位服务过程中的不确定性，因此将 DL 技术应用在室内定位方法中，可通过待定位的位置点与接收信号强度(Received Signal Strength, RSS)指纹数据的映射关系来确定用户的精确位置。基于 DL 的 RSS 指纹室内定位方法是当前最流行的室内定位方法之一，该类方法主要使用包含定位终端和定位云服务器的云计算架构来实现室内定位，其核心是发现指纹数据与位置点之间映射关系的定位算法。 但是，云服务器作为一个不可信的实体，恶意攻击者可能会获知 DL 模型的相关参数，生成最优的对抗性噪声，并将其添加至用户提交的 RSS 指纹数据中，导致 DL 分类模型返回错误的定位服务，使得定位系统服务质量下降，甚至瘫痪。
主要工作：提出了一种抵御对抗样本攻击 的 室 内 定 位 方 法 (Indoor Location Method Against Adversarial Sample Attacks, AdvILoc)。作为一种改进的室内定位方法，AdvILoc 通过 DP技术，在室内定位 DL 网络中加入满足DP 的噪声层，随机化模型泛化的计算结果，为用户提供满足DP 且经过鲁棒性认证的室内定位服务。与此同时，通过在全连接层后添加 Dropout层，随机失活全连接层中部分神经元，削弱神经元节点间的联合适应性，然后在训练过程中正则化模型损失参数，不断优化模型拟合能力，避免模型过拟合、学习能力低等问题出现，提高了模型的鲁棒性。实验验证了在实时定位阶段，AdvILoc 在保证模型抵御对抗样本攻击的同时，仍能为用户提供高效的室内定位服务。