论文标题：Detection and Localization of Hidden IoT Devices in Unknown Environments Based on Channel Fingerprints

论文链接：https://www.mdpi.com/2504-2289/9/8/214

期刊名：Big Data and Cognitive Computing

期刊主页：https://www.mdpi.com/journal/BDCC

一、引言

物联网（Internet of Things, IoT）市场正在快速增长，预计到 2030 年，联网设备数量将达到 400 亿台。其中，无线 IoT 设备因其部署灵活、安装便捷等优势而得到广泛普及。然而，其高度普及性与低成本特性也带来了严重的安全与隐私问题。隐藏式摄像设备便是其中一个典型案例。目前，各类隐藏式 IoT 设备已构成显著的安全威胁，尤其是在用户隐私泄露方面。针对现有隐藏设备检测方法存在的检测困难、定位精度较低以及检测耗时较长等问题，来自国防科技大学的韩彪博士及其团队在Big Data and Cognitive Computing （BDCC）期刊发表了文章，提出了一种运行于 Android 平台的隐藏设备检测与定位系统。在提高检测精度的同时，最大限度地降低了操作复杂度。

二、研究过程与结果

文章提出的系统利用检测终端所接收的接收信号强度指示（Received Signal Strength Indication, RSSI）信号，实现对未知环境中隐藏 IoT 设备的检测、分类与定位。该技术体系主要融合了以下三项关键设计：（1）通过主动发送 RTS（Request To Send）帧并接收 CTS（Clear To Send）帧，主动捕获隐藏设备的 RSSI 序列数据，用于生成设备的无线信道指纹（Channel Fingerprint），并估计隐藏设备与检测终端之间的距离； （2）基于 XGBoost 算法构建并训练 RSSI 测距模型（RSSI-based Ranging Model），随后结合多点定位（Multi-point Localization）方法，实现隐藏设备的高精度定位； （3）引入基于增强现实（Augmented Reality, AR）的可视化定位机制，以支持手持式检测终端的实时空间定位与可视化交互。

图1 系统应用环境

图2 系统架构

图3 设备指纹建模流程

图4 基于 RSSI 的测距模型训练流程。

实验原型系统成功实现了基于 RTS/CTS 机制的主动数据嗅探（Active Data Sniffing）以及基于 RSSI 测距模型的终端定位功能，有效缩短了信号采集时间，并显著提升了定位精度。真实场景实验结果表明，该系统能够在未知环境中有效检测并定位隐藏设备，对设备类型分类的准确率达到 98.1%。与此同时，其检测与定位所需时间约为现有方法的六分之一，系统整体运行时间控制在 5 分钟以内。系统平均定位误差为 0.77 m，相较于现有平均误差为 1.5 m 的方法，定位性能提升了 48.7%

三、研究总结

文章提出了一种易于部署且高效的隐藏式 IoT 设备检测与定位方法，在降低系统操作复杂度的同时，有效提升了检测精度。该系统采用基于 RTS/CTS 的主动嗅探机制（Active Sniffing Mechanism），通过主动触发设备响应，实现对目标设备的快速识别，通常可在 5 分钟内完成检测，并高效完成室内环境中的扫描任务。

为保证系统的广泛适用性，研究团队基于 Android 平台开发了原型系统，并针对硬件资源消耗进行了优化，以降低系统部署成本与运行开销。实验结果表明，该系统具有较高的稳定性与可靠性，其平均定位误差仅为 0.77 m，设备类型识别准确率达到 98.1%。

尽管系统已取得较为理想的实验结果，但仍然存在若干局限性。当前实验评估主要针对典型室内环境展开，尚未充分覆盖无线网络高度拥塞的复杂场景，例如大量重叠 Wi-Fi 网络共存的公寓楼环境。因此，未来有必要在此类复杂环境中开展进一步测试，以更加全面地评估系统的性能表现与泛化能力（Generalization Capability）。

此外，系统最终的定位精度还受到多种因素影响，包括 RSSI 测距模型中的预测误差，以及增强现实（AR）应用所引入的定位漂移（Positioning Drift）问题。未来仍需通过更深入的理论分析与实验研究，对这些影响因素进行量化评估，从而为后续有针对性的系统优化提供理论依据。

最后，为了实现系统在多样化部署环境及异构设备平台中的有效隐藏 IoT 设备检测，如何进一步提升系统的硬件适配能力（Hardware Adaptability）与可扩展性（Scalability），仍然是未来研究中亟需重点解决的关键问题。

期刊介绍

主编：陈敏教授，华南理工大学计算机科学与工程学院，琶洲实验室长聘教授、博导，人工智能领域专家，IEEE Fellow，全球人工智能领域高被引科学家。现任嵌入与普适计算（EPIC）实验室主任，IET Fellow、AAIA Fellow。2012年入选海外高层次人才计划，教育部新世纪优秀人才，2014年入选湖北省杰青。曾任湖北省智能认知技术国际合作基地主任。2020年（40岁以下）当选为IEEE Fellow（国际电气电子工程师学会会士），并自2018年至2025年连续八次入选科睿唯安全球高被引科学家榜。长期专注于认知计算、大模型、人工智能、脑科学交叉研究，现已出版学术专著或教材12部，谷歌学术总引用超过5.2万次，H指数101（中国H指数100或以上的计算机方向学者不到30人，占全球相关研究人员的 0.0016%）。发表SCI论文200余篇，发表 CCF A类会议、IEEE-ACM Trans./Magazine论文80余篇，34篇ESI高被引论文，12篇ESI热点论文，单篇最高引用超过5200次。

Big Data and Cognitive Computing (ISSN: 2504-2289)创刊于2017年，是面向计算机科学大数据与认知计算的国际性、跨学科、开放获取的学术期刊，主要发表与大数据、云计算、认知计算、人工智能通信、数据分析、移动大数据、认知学习、机器学习等相关主题的原创研究论文。期刊旨在将大数据理论与智能云新兴技术结合起来，并探索超级计算机的新应用。目前已被 Scopus, ESCI (Web of Science), dblp, Inspec, Ei Compendex等多个数据库收录。

2025 Impact Factor：5.3

2025 CiteScore：11.4

Time to First Decision：23.3 Days

Acceptance to Publication：4.8 Days