校园内人员感知是智慧校园的基础服务。如果在校园内能够做到精确、实时的人员流动和聚集感知，就可以为校内用户提供高质量、定制化的应用，同时也可以更高效地管理校园，防控可能存在的安全风险。特别是在新冠疫情期间，实现实时的人员流动和聚集监控，能够对人员聚集发出告警，并能快速定位目标人员。

校园人员感知方法

　　校园人员感知方法主要有以下三种：

　　1.基于视频监控的人员感知。

　　在校园内，基于安防用途的视频监控已经遍布整个校园，近两年更是进行了系统升级，开始部署支持人脸识别的摄像头，疫情期间又新增了支持快速测温的摄像设备。

　　基于视频监控的人员感知，其最大的优点是在应用深度学习技术后，对人员身份、人员数量的识别非常准确。

　　但因为人脸是个人隐私，基于视频的人员识别面临很严重的隐私问题。且视频监控设备仅能覆盖部分公共区域，无法覆盖到每个房间，不能实现房间内的人员感知。

　　2.基于一卡通信息的人员感知。

　　该方法基于RFID技术，当前校园卡被广泛用于门禁、食堂就餐、澡堂洗澡、图书馆借阅、自助打印、入学、离校等，可通过门禁刷卡、会议签到、POS机付费等方式来识别人员身份和统计人员数量。

　　基于一卡通系统的人员感知覆盖面较广，但对人员身份识别不一定准确，如无法防止他人代刷卡；对人员数量的统计在会议签到和食堂区域较为准确，但在门禁处的人员统计不一定准确，如校园仅在图书馆装有单向闸机，其余门禁都没有单向闸机，可以一人刷卡多人进入。

　　其次，校园内暂时还未做到每个房间都安装门禁系统，一般是在道口安装，在学校大门、楼宇大门，房间和其他大范围的公共区域的覆盖有限。此外，有些POS机采用离线或延时方式传送刷卡数据，对人员感知的实时性不足。

　　3.基于无线网络的人员感知。

　　传统基于无线网络的人员感知，并不是使用无线网的电磁波信号来进行人员感知，而是通过分析用户和终端接入无线网络的情况来实现。

　　基于无线网络的人员感知优点之一是覆盖范围很全，能全面覆盖室外、室内、公共区域和房间内部，基本不存在隐私问题，优点之二是可以精确地定位终端位置。

　　但缺点在于覆盖的人员比例可能较少，如人员没有携带移动终端或移动终端没有打开WLAN则无法被感知到。

　　通过疫情初期对以上三种技术的应用发现，传统的人员感知方法无法全面覆盖各种应用场景，也无法准确地反映人员流动和聚集情况，而采用多种技术相结合是校园内人员感知的发展方向。

　　复旦大学无线网络团队深入探索了基于校园无线网络的人员感知方案，通过采集校园无线网络运行产生的多种数据，分析校园内人员接入无线网络的情况，在此基础上设计了一种结合多种无线定位方法来构建实时人员流动和聚集感知方案。

校园无线网数据采集和分析

　　复旦大学于2010年实现了无线网全覆盖，又于2020年完成了“AP入室”，校园内每一个房间内安装至少1台AP，保证了无线终端和AP在视距之内，提升了无线终端连接5GHz WiFi的稳定性。

　　校园无线网设备数量众多，时时刻刻都在产生大量运行数据，来源于系统内的所有要素，包括AP、AC、接入交换机、汇聚交换机、核心交换机、防火墙、NAT转换、认证服务、DHCP服务、网管系统等。图1展示了无线网络数据分类及可采集的主要字段。

图1 无线网络数据源分类

　　由于无线网络分期建设等原因，导致无线设备的品牌众多，没有成熟的商业产品可以同时支持所有品牌无线设备的数据采集。

　　为此，复旦大学自研了无线网数据采集系统来支持多品牌的无线设备，目前已支持3种国产设备和2种进口设备。

　　在两周的无线日志数据中，系统内1.5万多台AP产生3600多万条数据，10万多台终端产生1200多万条数据，探针AP产生3300多万条数据，非法AP和非法终端数量非常多，其中Rogue AP有22万台、非法终端有12万台，一共产生1800多万条数据。

　　所有AP遍布全校154栋楼，包括办公楼、教学楼、食堂、图书馆、会议室、室外区域等。

　　通过对采集的运行数据进行分析，可以有效地了解校园内人员使用无线网络的情况，为构建实时人员流动和聚集感知方案奠定坚实的基础。

基于校园WiFi的实时人员流动和聚集感知方案

　　我们将校园内人员分为三类：

　　A类：携带移动终端、已连接校园WiFi；

　　B类：携带移动终端、未连接校园WiFi；

　　C类：WiFi未开启和未携带WiFi设备。

　　针对这三类不同的校内人员，我们面临不同的挑战。

　　对A类人员感知主要面临的挑战，一是多品牌设备的数据采集、清洗及整合会带来一定的工作量；

　　二是数据时效性问题，最全面的数据来自于SNMP协议，但因为无线设备分配给SNMP的资源较少，导致SNMP采集效率比较低，数据可能存在数分钟的时间差，会影响对终端的定位分析；

　　三是终端的随机MAC问题，苹果、华为等手机终端的Probe探测帧采用了随机MAC，导致无法与历史数据中的用户终端信息进行匹配。

　　对B类人员感知的问题主要是AP探针设置以及边界问题。在学校周边围墙附近，如果探针探测到终端，很难判断在围墙内还是围墙外。边界问题可以通过RSSI定位来解决，但需要增加探针的数量。

　　对C类人员感知的问题主要是树莓派探针的部署需要合理地选择探针位置以提高有效性。

　　在采集和分析校园运行数据的基础上，对三种类型的人员采取不同的人员感知方案。

　　1.传统基于无线网络的人员感知

　　A、B两类人员可以通过传统基于无线网络的人员感知方法进行感知。

　　A类人员已连接校园无线网，可以直接从采集到的数据中获取终端信息，并可追踪人员轨迹；

　　B类人员的WiFi设备虽然没有连接校园无线网，但会周期性地发送Probe帧探测周边无线网络的情况，通过校园WiFi系统中部署的AP探针可以进行感知和定位。

　　2.基于无线信道状态信息的人员感知

　　针对C类用户，无法直接从校园无线网系统的运行数据中获取，我们使用了基于无线信道状态信息（CSI，Channel State Information）的人员感知方法来实现。

　　通过部署低成本的树莓派作为终端探针、采集无线信道状态信息，可以感知附近经过的人员数量和移动方向。

　　当没有人员活动时，探针采集到的信道状态信息较稳定；当有人员经过时，信道状态信息会发生明显变化。

　　通过在办公楼道、大楼入口和学校大门等人员移动的必经之路上，相隔一定距离部署连续探针，可感知人员移动。

　　图2是树莓派探针部署示意，树莓派上需安装开源项目Nexmon。

图2 树莓派探针部署示意

　　根据两个探针采集到的无线信道状态信息变化的先后时间顺序，可以获取人员移动的方向。通过将传统基于无线网络的人员感知与基于无线信道状态信息的人员感知方法相结合，可以有效地感知各种类型人员流动和聚集情况。

未来研究计划

　　基于无线信道状态信息的人员感知存在两个主要问题：1.多位人员同时经过探测区域时无法准确地感知人员数量；2.人员身份识别较为困难。

　　这两个问题作为未来的工作，计划通过深度学习来解决，通过对历史数据进行学习，判断在某个时间断面，可能经过多少人、经过的是谁。

　　此外，我们已实现对用户/终端进行追踪，还需进一步建模分析三类人员的行动，详细了解校园人员流动和聚集情况，并建立人员聚集告警、预测机制。

　　作者：沈佳杰、徐竟祎、沈敏虎、向望（复旦大学校园信息化办公室）