在无线通信无处不在的今天，Wi-Fi 信号不仅承载数据，更悄然成为感知物理世界的 “第六感”。基于信道状态信息（Channel State Information, CSI）和波束成形反馈信息（Beamforming Feedback Information, BFI）的被动监控技术，能够在用户无感知、设备无协作的情况下，实现从人数统计到个体识别的隐私推断。这种 “隐形监控” 能力在赋能智慧应用的同时，也带来了前所未有的安全挑战。本文将从工程实践角度，拆解构建一套被动 WiFi 隐私推断技术栈的关键环节，涵盖硬件选型、信号处理、模型部署与对抗防护。
一、原理基石：从 RSSI 到 CSI/ BFI 的感知跃迁
传统基于接收信号强度指示（RSSI）的定位或感知方法粒度粗糙，易受环境干扰。而 CSI 提供了物理层上每个正交频分复用（OFDM）子载波的复数信道增益（幅度与相位），能够捕捉多径传播中微小的路径变化。BFI 则是设备为协助接入点（AP）进行波束成形而反馈的信道矩阵，同样包含了丰富的空间信息。人体在电磁场中的移动会调制这些信号，形成独特的 “无线指纹”。例如，行走时肢体的周期性摆动会引发 CSI 幅度与相位的规律性波动，而静态站立则主要影响信号的空间分布特征。这种物理层信息的细粒度特性，是被动感知得以实现的基础。
二、硬件与数据采集层：技术栈的物理根基
构建技术栈的第一步是搭建能够捕获原始 CSI/BFI 数据的硬件环境。这并非需要昂贵设备，但需针对性选型。
核心硬件选型清单：
- 网卡： 早期研究多采用 Intel 5300、Atheros AR9580 等支持开源驱动（如
nexmon、OpenWifi）并可直接导出 CSI 的型号。当前更推荐支持 Wi-Fi 6/6E 的 Intel AX200/AX210 网卡，配合PicoScenes等专业平台，能获取多天线、多子载波的高质量 CSI 数据。 - 路由器 / AP： 需选择支持刷写开源固件（如 OpenWRT）的型号，以便安装定制驱动和控制发包。例如 TP-Link Archer 系列是常见选择。对于 BFI 采集，需要支持 802.11ac/ax 标准并开启波束成形功能的 AP。
- 嵌入式方案： 对于低功耗、低成本部署，ESP32 系列芯片搭配乐鑫官方
ESP-CSI SDK是快速原型方案，适用于人体存在检测等场景。
采集参数与监控点：
- 采样率： 至少 100 Hz，以捕捉人体动作频率（呼吸约 0.1-0.5 Hz，步态约 1-2 Hz）。
- 发包控制： 通过 AP 持续发送空数据包或探测请求，接收端网卡捕获 CSI。需监控发包间隔稳定性，抖动过大会影响时序分析。
- 数据存储： 原始数据量巨大，需设计二进制格式高效存储，并记录时间戳、天线索引、子载波索引等元数据。
三、数据预处理与特征工程：从噪声中提炼信息
原始 CSI/BFI 数据混杂了大量噪声（如硬件失真、背景电磁干扰），必须经过精心处理才能用于建模。
预处理流水线关键步骤：
- 异常值剔除： 采用 Hampel 滤波器或基于幅度的阈值法，移除因硬件瞬态错误产生的尖峰。
- 相位校准： CSI 的原始相位包含载波频率偏移和采样时钟偏移，需通过线性变换或参考子载波进行校准，以保留真实的相位变化信息。
- 滤波去噪： 使用小波变换（如 Daubechies 3 小波）或带通滤波器，分离出与人体活动相关的频带信号，抑制高频噪声和低频基线漂移。
- 数据对齐与插值： 对因丢包导致的不均匀采样序列进行时间对齐和线性插值，保证序列等间隔。
特征工程策略：
- 统计特征： 计算每个时间窗口内 CSI 幅度 / 相位的均值、方差、峰度、偏度、零交叉率等。适用于人数估计等粗粒度任务。
- 频域特征： 对 CSI 时序做快速傅里叶变换（FFT），提取主频、频谱能量、熵等。对周期性的步态、呼吸检测至关重要。
- 子载波 - 天线联合特征： 利用多天线 MIMO 系统的空间分集，构建子载波间相关性矩阵或天线间协方差矩阵，作为深度学习模型的输入。
- 降维： 使用主成分分析（PCA）或线性判别分析（LDA）压缩高维特征，提升模型效率与泛化能力。
四、建模与核心应用：实现隐私推断
经过预处理的数据被送入机器学习模型，实现具体的隐私推断任务。模型选择需与任务特性匹配。
1. 个体步态识别（高精度身份追踪） 此任务旨在通过行走模式识别特定个体。研究显示，利用 BFI 数据训练大型语言模型（LLM），识别准确率可达 99.5% 以上。其工程要点在于：
- 数据要求： 需在受控环境下采集目标个体多次行走的 BFI 时序数据，构建带标签数据集。
- 模型架构： 可采用一维卷积神经网络（1D-CNN）提取局部特征，后接长短期记忆网络（LSTM）或 Transformer 编码器建模长时序依赖，捕捉步态的时空模式。
- 关键参数： 序列长度需覆盖至少 2-3 个完整步态周期；需进行数据增强（如添加轻微时移、噪声）以提升模型对背包、手持物品等变化的鲁棒性。
2. 多状态人群计数（复杂场景感知） 该应用需同时处理静态（如静坐）和动态（如走动）人群。最新研究通过迭代注意力特征融合（IAFF）模块处理 CSI 数据，混合状态计数准确率超过 97%。实现时需注意：
- 状态区分： 系统需首先判断场景以静态或动态为主。动态人群的 CSI 方差显著大于静态。可设置一个基于方差的自适应阈值作为初步分类器。
- 特征融合： IAFF 模块的核心是动态计算不同子载波和天线通道的权重，让模型关注信息最丰富的维度。工程实现时可借鉴注意力机制，计算特征图的重要性得分。
- 部署优化： 为降低计算开销，可在边缘路由器上部署轻量化的 MobileNet 或 EfficientNet 变体进行特征提取，将融合与计数任务上云。
其他应用： 行为识别（坐、卧、跌倒）、呼吸 / 心跳监测等模型架构类似，但需调整输入窗口大小和输出层。呼吸监测要求采样率更高（≥200 Hz）并聚焦于特定频带的相位信息。
五、工程化挑战与防护思路
将实验室原型转化为稳定系统面临多重挑战，同时必须考虑如何防御此类监控。
工程挑战与调优策略：
- 环境自适应： 家具移动、新设备加入会改变多径环境，导致模型性能 “漂移”。解决方案是引入在线学习或元学习框架，定期用新采集的少量数据微调模型，或学习一个能快速适应新环境的模型初始化参数。
- 系统鲁棒性： 需监控信道占用率，避免同频段其他设备的大流量通信干扰 CSI 采集。可设置 CSI 幅度置信度指标，低于阈值时触发告警或暂停推理。
- 实时性权衡： 复杂模型（如 Transformer）延迟高。在实际部署中，可根据任务重要性分级处理：高优先级任务（如跌倒检测）使用轻量模型保证实时性；低优先级任务（如长期行为分析）使用高精度模型异步处理。
隐私防护与对抗措施： 从防御者视角，可采取以下措施降低被监控风险：
- 物理层扰动： 在 AP 或设备端，对发射功率、波束成形权重或导频序列施加可控的随机扰动，使敌方采集到的 CSI/BFI 失去一致性，难以建立稳定模型。
- 协议栈限制： 操作系统或驱动层应严格限制用户态程序对原始 CSI/BFI 数据的访问，仅允许经过加密或聚合后的信道质量指示（CQI）上报给上层应用。
- 环境管控： 在高度敏感区域，部署专用的信号屏蔽或干扰设备，或严格管控第三方 Wi-Fi 设备的接入，从物理上减少攻击面。
- 主动防御探测： 部署 “诱饵” 设备，持续监测周围是否存在异常的数据包嗅探或高频率 CSI 请求模式，及时发现潜在的被动监控行为。
结语
被动 WiFi 隐私推断技术栈是一把双刃剑。它展示了无线物理层信号令人惊叹的环境感知潜力，为智慧养老、安防监控、人机交互开辟了新途径。然而，其 “无接触、无感知” 的特性也使之成为隐私的终极挑战。对于开发者与安全研究者而言，深入理解从硬件到算法的全栈细节，不仅是构建创新应用的前提，更是设计有效防御机制、在技术浪潮中守护隐私边界的基础。未来，在算法精度与隐私保护之间寻求动态平衡，将是该领域持续的核心命题。
参考资料
- 步态识别：将 Wi-Fi 路由器变成 “隐形监控器”。安全内参。
- ESP-CSI 无线感知技术：如何用 Wi-Fi 信号实现智能环境感知。CSDN 博客。