跳转至

mmLock：从雷达到数据防护

mmLock 关注的是一个很具体的安全问题：用户离开设备之后，屏幕、文件或业务系统可能还停留在可访问状态。论文的做法不是让摄像头盯着人，而是用毫米波 FMCW 雷达感知人体离开过程，再把这个感知结果接到锁屏或数据保护动作上。

这个站点按学习路径组织。先把雷达讲清楚，再讲 FMCW 雷达如何测距离、速度和角度；然后进入 mmLock 论文，理解它怎样把雷达成像用于用户离开检测；最后落到仓库里的 Python notebook：raw ADC 数据如何经过三次 FFT 变成 radar cube 和点云，点云序列又如何进入 CNN + BiLSTM 模型。

建议阅读顺序

  1. 雷达基础：先建立直觉，雷达看到的不是照片，而是反射信号。
  2. 无线感知：先把 WiFi、雷达、声波这类“用信号感知人和环境”的共同逻辑讲清楚。
  3. FMCW 雷达：理解 chirp、beat frequency、距离、速度和角度。
  4. mmLock 论文解读：把论文系统流程和安全目标串起来。
  5. FFT 处理流程：看 raw ADC 怎样变成 range、Doppler、angle 结构。
  6. 点云生成：理解一个 radar point 里到底有什么。
  7. Notebook 总览：对应仓库里的三个 notebook。
  8. CNN + BiLSTM：理解点云序列识别模型。

文件到页面的对应路径

如果你是从仓库文件开始看，可以按这个顺序走：

仓库文件 站点页面 读这部分要弄清楚什么
C61.pdf mmLock 论文解读 论文问题、系统流程、实验设置和方法边界。
mmlock_c61_paper_reading_zh.ipynb mmLock 论文解读、无线感知、点云生成 论文里的图、威胁模型、FFT、点云、模型和实验怎样串起来。
radar_fft_cube_progress_zh.ipynb ADC 到 Radar Cube、FFT 处理流程 raw ADC 怎么重排成 [loop, tx, rx, sample]，三次 FFT 分别处理哪一维。
radar_fft_cube_progress_parallel/src/fft_layers.py FFT 处理流程 range_fft、doppler_fft、angle_fft 的输入输出 shape。
radar_fft_cube_progress_parallel/src/point_cloud.py 点云生成 range、velocity、angle、power 这些字段怎么从 FFT cube 换算出来。
cnn_blstm_pointcloud_training_zh.ipynb CNN + BiLSTM、训练流程 点云帧怎么组成序列，CNN 和 BiLSTM 分别处理什么。

仓库里的六份 notebook

Notebook 作用
mmlock_c61_paper_reading_zh.ipynb 中文论文阅读笔记，包含系统流程、威胁模型、FFT、点云、PointNet/LSTM 和实验解读。
radar_fft_cube_progress_zh.ipynb 中文雷达 FFT 处理流程。
cnn_blstm_pointcloud_training_zh.ipynb 中文点云序列建模流程。
mmlock_c61_paper_reading_en.ipynb 英文论文阅读笔记。
radar_fft_cube_progress_en.ipynb 英文雷达 FFT 处理流程。
cnn_blstm_pointcloud_training_en.ipynb 英文点云序列建模流程。

论文入口

  • 仓库 PDF：C61.pdf
  • 论文标题：mmLock: User Leaving Detection Against Data Theft via High-Quality mmWave Radar Imaging
  • DOI：https://doi.org/10.1109/ICCCN58024.2023.10230151
  • ASU 论文记录：https://asu.elsevierpure.com/en/publications/mmlock-user-leaving-detection-against-data-theft-via-high-quality/
  • 公开 PDF 来源：ASU CNSG 公开 PDF

系统位置图

mmLock paper figure

这类论文图适合放在系统页里读：雷达采集不是终点，它只是数据入口。真正要看的是后面怎样成像、怎样抽取人体表示、怎样判断用户是否离开，以及这个判断如何影响安全动作。

项目材料

相关代码仓库

当前仓库负责把 mmLock 论文、notebook 和文档讲清楚；上面两个仓库可以作为进一步看代码和做实验的入口。真实数据处理平台更适合理解工程链路，模拟器更适合在没有雷达硬件时理解 chirp、MIMO、FFT 和虚拟天线。

当前仓库更像一份工程化阅读和复现准备材料，不是完整数据集发布。涉及性能指标、数据规模和实验结论时，以论文和已有 notebook 为准，不在文档里补造数字。

无线感知背景

mmLock 用的是毫米波雷达，但它属于更大的无线感知问题：发射一个已知信号，观察这个信号被人体和环境改变后的样子，再从变化里推断人的位置、动作或状态。

WiFi 感知也有相似思路。WiFi CSI 看的是无线信道如何被人体运动扰动；FMCW 雷达看的是专门设计的 chirp 回波如何随距离、速度、角度变化。二者都不是靠摄像头“看见人”，而是靠信号变化“推断发生了什么”。区别在于雷达信号更可控，FMCW 的扫频结构更直接服务于距离和速度估计；WiFi 更依赖通信系统本身的信道测量，空间分辨率和可控性通常不同。