对于WiFi指纹的介绍

发布于 2026-10-01 17:25 3069 字 16 min read 手写 每个字都是我自己敲的。

jianyanya avatar

jianyanya

红金暖调的女仆咖啡厅风格博客 / 猫娘元素 / 记录生活与技术

128 文章 8 分类 63 标签
基于 WiFi 指纹的社区自习室座位引导与占座检测系统自习室占座系统待改进的内容决策树实验对照方法自习室占座项目的KNN算法实现对于WiFi指纹的介绍
这里的“WiFi 指纹”不是 WiFi 密码，也不是简单判断“手机是否连接了某个 WiFi”，而是利用不同位置接收到的多个 AP 信号强度组合，推断设备所在的座位。 1. WiFi 指纹到底是什么 一个自习室通常有多个无线 AP。手机在不同座位上扫描到的 AP 信号强度不同。 例如，手机在座位 A 扫描得到： 在座位 B 可能得到： 虽然两个座位都连接同一个 WiFi，但各 AP...

这里的“WiFi 指纹”不是 WiFi 密码，也不是简单判断“手机是否连接了某个 WiFi”，而是利用不同位置接收到的多个 AP 信号强度组合，推断设备所在的座位。

1. WiFi 指纹到底是什么

一个自习室通常有多个无线 AP。手机在不同座位上扫描到的 AP 信号强度不同。

例如，手机在座位 A 扫描得到：

AP_001: -42 dBm
AP_002: -67 dBm
AP_003: -75 dBm
AP_004: -89 dBm

在座位 B 可能得到：

AP_001: -58 dBm
AP_002: -52 dBm
AP_003: -81 dBm
AP_004: -70 dBm

虽然两个座位都连接同一个 WiFi，但各 AP 的信号强度组合不同。这个组合就像该位置的“无线指纹”。

可以表示为：

F = {
    BSSID_001: -42,
    BSSID_002: -67,
    BSSID_003: -75,
    BSSID_004: -89
}

其中：

  • BSSID：某个 AP 的唯一标识；
  • RSSI：手机接收到该 AP 的信号强度；
  • RSSI 通常是负数；
  • 越接近 0，信号越强；
  • -42 dBm 通常比 -75 dBm 强。

不能只记录 WiFi 名称 SSID，因为多个 AP 可能使用同一个 SSID。应优先使用 BSSID 作为特征标识。

2. 它是如何定位座位的

WiFi 指纹定位不是通过公式直接计算距离，而是一个“采集样本、建立数据库、进行匹配”的过程。

第一步：建立指纹库

提前在每个座位采集大量样本。

例如：

座位AP_001AP_002AP_003采集时间
A-01-42-67-75上午
A-01-45-65-77上午
A-01-41-70-73下午
A-02-58-52-81上午
A-02-61-50-79下午

同一个座位不会只有一条指纹，而是会有一组指纹，因为 WiFi 信号会波动。

第二步：用户现场采集

用户进入自习室后，Android 客户端扫描当前环境：

当前观测：
AP_001: -44
AP_002: -68
AP_003: -76

第三步：和指纹库匹配

系统把当前观测与所有座位的历史指纹进行比较。

如果当前数据与 A-01 的样本最接近，则认为用户可能位于 A-01。

3. 为什么不能只看一个 AP

如果只使用一个 AP 的 RSSI，会出现很多问题：

  • 相邻座位信号差异很小；
  • 手机方向变化会影响 RSSI；
  • 人体、桌椅、墙壁会造成遮挡；
  • 某个 AP 可能暂时拥塞或失效；
  • 5 GHz 和 2.4 GHz 的传播特性不同。

因此需要使用多个 AP 的组合：

[AP_001, AP_002, AP_003, AP_004, ...]

通常 AP 越多、空间分布越合理，座位之间越容易区分。但 AP 数量不是越多越好，过弱、经常消失或变化很大的 AP 可能增加噪声。

4. 指纹数据如何预处理

原文档中提到的预处理主要解决三个问题：缺失、波动和设备差异。

4.1 AP 对齐

不同手机扫描到的 AP 集合可能不完全一样，所以要建立统一的 AP 列表：

AP_001, AP_002, AP_003, AP_004

如果某次扫描没有发现 AP_003，就需要补一个特殊值，例如：

AP_003 = -100

这里的 -100 不是实际测得的 RSSI，而是“没有检测到”的标记。实际实现时也可以额外增加一个“是否检测到”的字段，避免把缺失误认为真实弱信号。

4.2 去除异常值

例如某个 AP 平时在 -60 到 -75 之间，突然出现 -20 或 -110，就需要检查：

  • 是否扫描异常；
  • 是否 AP 发生切换；
  • 是否数据解析错误；
  • 是否设备靠近 AP；
  • 是否环境突然变化。

4.3 平滑处理

连续采样可能是：

-61, -65, -59, -70, -63

可以使用中位数：

-63

也可以使用移动平均或指数平滑，减少瞬时波动。

不过中位数、移动平均、指数平滑不一定全部叠加使用，应通过实验比较哪种效果最好。

4.4 设备差异校准

不同手机的 WiFi 芯片和天线不同。同一个位置上：

  • 手机 A 可能测到 -60;
  • 手机 B 可能测到 -67;
  • 手机 C 可能测到 -55。

因此采集指纹库时不能只使用一部手机。至少应使用 2 至 3 种 Android 设备进行测试，并分别统计准确率。

5. KNN 如何匹配座位

KNN 的基本思想是：

当前观测和哪些历史样本最接近，就把当前设备判定到这些样本所属的座位。

假设当前向量是：

X = [-44, -68, -76, -88]

某个历史样本是：

Y = [-42, -67, -75, -89]

可以计算它们的距离：

distance = sqrt(
    (-44 + 42)^2 +
    (-68 + 67)^2 +
    (-76 + 75)^2 +
    (-88 + 89)^2
)

距离越小，说明两个指纹越相似。

加权 KNN 会让距离更近的样本拥有更高权重：

权重 = 1 / (距离 + ε)

最后统计最近的若干个样本属于哪个座位。

输出可以是：

{
  "top1Seat": "A-01",
  "candidates": [
    {"seat": "A-01", "score": 0.86},
    {"seat": "A-02", "score": 0.63},
    {"seat": "B-01", "score": 0.41}
  ],
  "confidence": 0.86,
  "needManualReview": false
}

这里的 confidence 不是严格意义上的概率，而是一个用于比较和决策的可信度分数。必须在实验中进行校准，不能直接把 0.86 宣称成 86% 的真实准确率。

6. 为什么需要 Top-3，而不是只给一个座位

相邻座位的 WiFi 指纹可能非常接近。例如 A-01 和 A-02 只相差几十厘米，RSSI 变化可能小于环境噪声。

所以系统最好返回：

最可能：A-01
候选：A-02、A-03

这样可以：

  • 为推荐系统提供多个备选；
  • 在可信度低时提示用户确认；
  • 让管理员查看算法混淆情况；
  • 避免系统把一个不确定结果伪装成绝对正确。

7. WiFi 指纹能不能直接判断“人是否在座位上”

这是项目中最容易被误解的部分。

WiFi 指纹主要能判断：

某个设备当前更可能位于哪个位置。

它不能直接证明：

设备的主人此时正在座位上。

例如：

  • 用户把手机留在座位上，人已经离开；
  • 用户带着手机离开，但电脑仍然连接 WiFi；
  • 手机进入省电模式，暂时没有扫描；
  • 用户坐在座位旁边，信号被判定到相邻座位；
  • 多个人的设备同时影响无线环境。

因此，占座检测不能只依赖一次 WiFi 指纹，而应结合：

  • 用户主动开始使用；
  • 用户主动释放；
  • 连续多次定位结果；
  • 设备信号是否持续；
  • 离开持续时间；
  • 使用时长；
  • 设备是否在多个座位间快速跳转；
  • 管理员人工复核；
  • 可选的路由器连接日志。

正确的结果应该是：

设备疑似位于 A-01
→ 连续多次稳定检测
→ 判断 A-01 正在使用
→ 长时间出现异常行为
→ 标记为疑似占座
→ 管理员复核

不能写成：

检测到 WiFi 设备
→ 直接确定有人占座

8. 推荐的占用状态流程

可以使用以下状态机：

空闲
 ↓ 检测到设备
疑似使用
 ↓ 连续多次确认
使用中
 ↓ 信号短暂消失
疑似离开
 ├─ 短时间内恢复 → 使用中
 └─ 超过离开阈值 → 空闲

疑似占座流程：

使用中
 ↓ 长时间异常
疑似占座
 ↓ 管理员复核
正常使用 / 空闲

例如：

  • 连续两次识别到同一座位：进入“疑似使用”；
  • 连续 2 至 3 次结果稳定：进入“使用中”；
  • 信号消失 1 至 3 分钟：进入“疑似离开”；
  • 超过 10 分钟没有恢复：释放座位；
  • 设备仍存在但用户行为异常超过 30 至 60 分钟：标记“疑似占座”。

这些时间只是初始参数，最终必须用现场数据调整。

9. 采集指纹时应该怎么做

每个座位不能只采集一次，建议：

  • 每个座位每个时段采集 5 至 10 次；
  • 至少采集早、中、晚三个时间段；
  • 覆盖工作日和周末；
  • 使用 2 至 3 种 Android 手机；
  • 记录手机型号；
  • 记录采集方向和持握高度；
  • 记录是否有人、门窗是否打开、附近是否有遮挡；
  • 采集相邻座位和通道位置作为对照。

一个采集样本应包含：

{
  "roomId": 1,
  "seatId": "A-01",
  "deviceModel": "Pixel-6",
  "sampleTime": "2026-10-01T09:30:00",
  "wifi": [
    {"bssid": "AP_001", "rssi": -44, "frequency": 5180},
    {"bssid": "AP_002", "rssi": -68, "frequency": 2412}
  ],
  "environment": "上午，人流较少"
}

10. Android 端和路由器日志的区别

这里需要特别修正文档中的一个技术边界。

Android 主动扫描

Android 手机自己扫描周围 AP，得到：

多个 BSSID + 多个 RSSI

这最适合做 WiFi 指纹定位，也是本项目第一版推荐的方式。

路由器日志

路由器通常能提供：

  • 哪个设备连接了哪个 AP；
  • 设备连接和断开时间；
  • 有些设备能提供客户端 RSSI；
  • 部分企业级 AP 控制器能提供更多定位信息。

但普通路由器日志通常不能直接提供一组完整的“房间空间指纹”。因此：

路由器日志适合辅助判断设备是否在线，不应默认当作完整的 WiFi 指纹定位数据。

推荐采用混合方案：

Android 扫描结果
    负责座位级定位

路由器连接日志
    负责辅助判断设备在线和离线

用户操作
    负责建立使用意图

管理员复核
    负责处理疑难情况

11. 最适合本项目的实际方案

我建议第一版采用：

  1. Android 采集端在每个座位建立指纹库；
  2. Android 用户端在用户明确进入使用状态后进行受控扫描；
  3. 扫描结果上传后端；
  4. Python 服务使用加权 KNN 推断候选座位；
  5. Spring Boot 根据连续结果更新座位状态；
  6. 路由器日志只作为辅助信号；
  7. 低可信度和异常状态进入管理员复核；
  8. 所有判断保留原始事件、特征摘要和模型版本。

需要注意的是，Android 后台 WiFi 扫描受系统限制。不能假设应用被切到后台后仍然可以无限制稳定扫描，所以产品上应提供：

  • 前台采样服务；
  • 明确的采样状态；
  • 采样失败提示；
  • 手动刷新；
  • 网络断开重试；
  • 无法定位时的人工确认。

12. 应该如何评价 WiFi 指纹效果

不能只说“定位准确”，需要具体测量：

  • Top-1 准确率：第一候选就是正确座位的比例；
  • Top-3 准确率：前三个候选包含正确座位的比例；
  • 相邻座位混淆率；
  • 不同手机型号的准确率；
  • 不同时间段的准确率；
  • 有人和无人环境下的准确率；
  • AP 故障时的准确率；
  • 平均状态更新时间；
  • 正常离开被误判为占座的比例；
  • 真正占座没有被发现的比例。

数据划分不能把同一轮采样的相邻数据随机打散到训练集和测试集，否则结果可能虚高。应按日期、采集设备或采集批次划分测试数据。

13. 最重要的结论

WiFi 指纹在这个项目中适合解决：

“这个设备更可能位于哪个座位？”

它不适合单独解决：

“这个人是否一直坐在这个座位上？”

所以完整系统应该是：

WiFi 指纹定位
+ 连续时间行为
+ 用户使用会话
+ 路由器在线信息
+ 管理员人工复核

这样才能把“座位定位”和“占座检测”区分开，避免项目答辩时被质疑技术结论过度夸大。原开发文档中的算法部分基本方向正确，但“路由器日志可以直接参与完整指纹定位”这一点需要改成“Android 主动扫描负责指纹定位，路由器日志作为辅助数据”。

执笔 手写

随机文章
加载中...