CN114423011A - 开放集wifi设备识别方法和装置 - Google Patents
开放集wifi设备识别方法和装置 Download PDFInfo
- Publication number
- CN114423011A CN114423011A CN202111659944.6A CN202111659944A CN114423011A CN 114423011 A CN114423011 A CN 114423011A CN 202111659944 A CN202111659944 A CN 202111659944A CN 114423011 A CN114423011 A CN 114423011A
- Authority
- CN
- China
- Prior art keywords
- training
- discriminator
- wifi
- neural network
- wifi equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/69—Identity-dependent
- H04W12/71—Hardware identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/69—Identity-dependent
- H04W12/79—Radio fingerprint
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种开放集WIFI设备识别方法和装置,包括:获取已授权的合法WIFI设备的输出信号,进行预处理并提取前导码,基于前导码提取人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量;训练自定义损失函数的BP神经网络模型作为判别器;获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。本发明融合了人工特征与深度特征,丰富了特征集,提高了对WIFI设备的识别准确率;同时引入具有单分类功能的BP神经网络作为判别器,实现对任何伪装成合法WIFI设备的无先验信息的未知WIFI设备的拒绝。
Description
技术领域
本发明涉及人工智能与信息安全领域,具体涉及一种开放集WIFI设备识别方法和装置。
背景技术
随着无线连接设备数量的增长,保护无线通信安全变得更具挑战性。身份认证属于无线安全保护的重要内容,虽然存在许多基于密码学的身份验证方法,但许多设备受限于计算和功率预算有限,不适合高复杂度的安全算法或额外安全模块。
物理层身份验证通过结合信道状态信息和发射机硬件指纹来验证设备,增强无线通信安全。发射机指纹是由其射频组件的非理想情况造成的,这些非理想情况之间的相互作用使得来自不同发射机的信号表现出独特的特性,常见的射频指纹如载波频率偏移等。
虽然基于射频指纹的许多设备识别方法都已经能够做到对不同设备分类识别并表现良好,但这些工作在识别未知伪装设备时存在一个局限性,使用的识别算法大多都属于监督学习算法,需要带有先验信息的标记样本用于训练模型。在应用中,不可能提前获取未知伪装设备的指纹特征,如果对任何没有先验信息的未知伪装设备识别,其信号都会被错误分类到最相近的类别,导致安全漏洞。
发明内容
发明目的:本发明针对现有技术存在的问题,提供了一种开放集WIFI设备识别方法和装置,在保证以高准确率对已授权合法WIFI设备进行分类识别的基础上,同时还可以实现对任何伪装成合法WIFI设备的未知设备的拒绝,实现开放集识别;另外使用基于人工特征和深度特征的融合特征用于分类识别,有效提高了识别准确率,降低了单独使用人工特征或深度特征进行识别造成的误判率。
技术方案:一方面本发明提供一种开放集WIFI设备识别方法,包括以下步骤:
S1:获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
S2:将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
S3:获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。
进一步的,所述对输出信号提取前导码的过程包括:预设标准前导码序列,从输出信号截取与标准前导码序列相同长度的连续序列,共轭相乘计算截取信号与标准前导码序列的相关性,提取相关性满足第二预设条件的截取信号作为前导码。
进一步的,所述人工特征包括:载波频率偏移、信道估计特征以及基于频率响应的奇异值。
进一步的,所述提取深度特征的具体过程是:
根据前导码集合预训练自编码器模型:自编码器网络由编码器层和解码器层两部分组成,训练时,编码器层使用非线性激活函数学习输入数据的压缩表示;解码器层重构原始输入数据,计算重构误差,自编码器网络基于反向传播算法与最优化方法选择信息量满足第三预设条件的特征构成输入数据的压缩表示;
复制预训练好的自编码器模型的编码器层,将其设为深度特征提取器,将输入数据的压缩表示作为深度特征。
进一步的,S2的具体过程为:
S2.1:使用不重复抽样技术按比例将每一个合法WIFI设备的融合特征向量集划分成训练集、验证集和测试集;
S2.2:使用无放回随机采样的方式从所述训练集中抽取预设个数的样本构成训练子集,重复采样预设次数,得到训练子集,训练子集的个数与采样的预设次数相同;
S2.3:基于所述训练子集并行训练自定义损失函数的BP神经网络模型,BP神经网络模型的个数与训练子集的个数相同;
S2.4:基于验证集对所述BP神经网络模型进行参数调整和性能验证,保存预测误差满足第一预设条件的BP神经网络模型作为判别器,并为判别器设置标签。
进一步的,所述BP神经网络模型将单分类算法优化目标作为损失函数。
进一步的,所述BP神经网络模型由输入层、隐藏层和输出层组成,训练BP神经网络模型的具体过程包括:自定义损失函数,将单分类算法优化目标定义为BP神经网络损失函数;基于自定义损失函数计算预测误差,利用反向传播算法迭代更新BP神经网络参数,直至满足收敛要求;在输出层利用决策函数将训练样本点标记为正常或异常,使得BP神经网络具备单分类能力。
进一步的,S3的具体过程为:
S3.1:获取待识别WIFI设备的输出信号;
S3.2:从待识别WIFI设备的输出信号中提取标签信息,根据所述标签信息选择对应判别器,若标签信息无对应判别器,则该待识别WIFI设备属于未知设备,并且未伪装成已授权合法设备;
S3.3:若标签信息存在对应判别器,从待识别WIFI设备的输出信号中提取融合特征向量,作为判别器的输入;
S3.4:判别器输出判别结果,第一判别结果为合法WIFI设备,第二判别结果为伪装成合法WIFI设备的未知非法WIFI设备。
另一方面本发明还提供一种开放集WIFI设备识别装置,包括以下单元:
信号处理单元,用于获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
模型训练单元,用于将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
设备识别单元,获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。
现有技术通常采用监督学习算法,需要带有先验信息的标记样本用于训练模型,本发明融合了人工特征与深度特征,丰富了特征集,提高了对WIFI设备的识别准确率;同时引入具有单分类功能的BP神经网络作为判别器,在保证以高准确率对已授权合法WIFI设备进行分类识别的基础上,还可以对任何伪装成合法WIFI设备的无先验信息的未知WIFI设备进行拒绝,实现开放集WIFI设备识别。
附图说明
图1是本发明实施例1中开放集WIFI设备识别方法的步骤流程图;
图2是本发明实施例1中开放集WIFI设备识别方法的工作框架图;
图3是本发明实施例1中的BP神经网络拓扑结构示意图;
图4是本发明实施例1中的BP神经网络训练过程流程图;
图5是本发明实施例2中开放集WIFI设备识别装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明的技术方案进行详细阐述,通过实施例更好地描述本发明方案。
实施例1
参照图1,本实施例提供了一种开放集WIFI设备识别方法,具体步骤如下:
S1:获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
具体的,在本实施例中,选用10个WIFI设备作为目标无线设备并编号,将编号1~8的WIFI设备作为已授权合法WIFI设备,用于训练判别器;将编号9~10的WIFI设备作为伪装成合法WIFI设备的未知设备,用于测试判别器对未知伪装设备的拒绝率。
采用通用软件无线电外设USRP采集已授权合法WIFI设备的输出信号,为每一个设备采集10000帧数据用于训练模型,不同WIFI设备分时段采集信号,避免不同WIFI设备间相互干扰。
对采集的输出信号进行预处理,预处理过程包括:下变频、过采样、信号检测与截取、能量归一化、频率偏移估计与补偿。其中,采集的无线信号直接下变频得到基带信号:x(t)代表发送信号的复基带表示,Δf表示载波频率偏移,表示相偏;下变频后用20Mbps采样率对复基带信号进行采样,之后利用变化点原理估计每一帧信号开始和结束,并截取信号;最后对截取信号进行能量归一化并存储。
使用预设标准前导码序列和滑动窗口法从预处理后的信号中提取前导码:本实施例使用20Mbps采样率,短前导码长度为160,使用滑动窗口从预处理后的信号中截取长度为160的连续序列,与预设标准短前导码共轭相乘计算相关性,满足第二预设条件时截取的信号即为前导码,本实施例中所指第二预设条件为当相关性最大时,滑动窗口下标即为前导码起点。
基于前导码复数信号提取三种人工特征:载波频率偏移、信道估计特征以及基于频率响应的奇异值,具体计算方法如下:
计算载波频率偏移:PLCP前导码包含短前导码和长前导码,短前导码由10个重复的短训练序列组成,长前导码由2个重复的长训练序列组成。频率偏移为:其中,N为前导码序列长度,D为两段重复序列间的距离,arg()为角度计算函数,R为重复序列的延时相关:L为重复序列长度,r代表前导码序列。在本实施例中,首先使用短前导码进行粗频率偏移估计,利用10段重复序列计算平均值得到粗频率偏移估计f1;对长前导码补偿:y(t)=x(t)e-j2πf1t,利用补偿后的长前导码的重复序列得到精频率偏移估计f2,总的频率偏移估计为f1+f2。
计算基于频率响应的奇异值:计算长前导码的频率响应H,计算奇异值:s=svd(H),其中,svd()为Matlab中的奇异值计算函数。
基于前导码复数信号使用预训练好的自编码器网络的编码器层提取深度特征:
根据前导码集合为每一个合法WIFI设备预训练一个自编码器模型:在本实施例中,将长度为320的前导码复数信号作为自编码器输入,用于预训练自编码器网络。自编码器网络的编码器层由3个隐藏层组成,使用sigmoid激活函数,维度分别为160,80,10,用于学习输入数据的压缩表示,基于反向传播算法与最优化方法迫使自编码器网络选择满足第三预设条件的特征作为输入数据的压缩表示,本实施例所指的第三预设条件为选择信息量最大的特征作为输入数据的压缩表示。编码器层层数以及维度大小根据实际需要确定,不限于此。
复制预训练好的自编码器网络的编码器层作为深度特征提取器,在本实施例中,将长度为320的前导码复数信号压缩为长度为10的实信号,作为深度特征。
将提取的三种人工特征和深度特征拼接成一维特征向量,组成融合特征向量,并将融合特征向量组成融合特征向量集,在本实施例中,每一个合法WIFI设备的融合特征向量集大小为10000。
S2:将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
S2.1:采用不重复随机抽样技术将每一个合法WIFI设备大小为10000的融合特征向量集按照7:2:1的比例划分成训练集、验证集和测试集,其中,不重复随机抽样技术是通过scikit-learn上的train_test_split辅助函数实现的。
S2.2:训练集大小为7000,使用无放回随机采样的方式从训练集中抽取5000个样本构成训练子集,重复10次,得到10个训练子集,抽取样本个数和训练子集数根据实际需要确定,不限于此。
S2.3:基于10个训练子集并行训练10个自定义损失函数的BP神经网络模型:BP神经网络拓扑结构如图3所示,由输入层、隐藏层和输出层组成,输出层神经元个数为1,利用决策函数将训练样本点标记为正常或异常。
参照图4,BP神经网络训练过程如下:
S2.3.1:输入融合特征向量训练子集;
S2.3.2:网络初始化:确定BP神经网络拓扑结构,初始化各层之间的权值以及各神经元的阈值;
S2.3.3:基于连接权值和输入融合特征向量计算隐藏层输出;
S2.3.4:基于连接权值和隐藏层输出计算输出层预测输出;
S2.3.5:使用自定义损失函数计算目标输出与预测输出之间的误差,自定义损失函数基于OC-SVM单分类算法优化目标设计;
具体地,OC-SVM算法与SVM算法的原理类似,通过将零点作为负样本点,其他数据作为正样本点,来训练支持向量机。策略是将数据映射到与内核相对应的特征空间,在数据与原点间构建超平面,该超平面与原点呈最大距离。
假设超平面为:wTΦ(X)-ρ=0,其中,w是垂直于超平面的范数,Φ(X)为从输入空间到特征空间F的RKHS映射函数,ρ是超平面的偏差。目标是在分类正确的基础上最大化超平面与原点的距离,加入松弛变量ξ后,OC-SVM算法优化目标函数为:
s.t.(wTΦ(Xi))≥ρ-ξi,ξi≥0
其中,v∈(0,1)用于调节松弛程度,N为样本维数。
将OC-SVM应用到BP神经网络中,来驱动神经网络的训练。最重要的是用变换wTg(VXn)代替OC-SVM算法中的wTΦ(Xn)变换,其中w是从隐藏层到输出层获得的标量输出,g()表示激活函数,V代表从网络输入到隐藏单元的权重矩阵,使得该优化目标能够在网络中实现,最后得到网络的损失函数为:
s.t.(wTg(VXi)≥ρ-ξi,ξi≥0
S2.3.6:利用反向传播算法计算各层输出误差,迭代更新各层之间的连接权值,直至满足收敛要求,使得网络具备单分类能力。
S2.4:基于验证集对训练好的10个BP神经网络模型进行参数调整和性能验证,保存满足第一预设条件的BP神经网络模型作为判别器,本实施例中所指第一预设条件为选择预测误差最小的BP神经网络模型作为判别器,并将对应WIFI设备的MAC地址设为判别器的标签。
S3:获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备;
S3.1:获取待识别WIFI设备的输出信号;
S3.2:从待识别WIFI设备的输出信号中提取MAC地址,根据所述MAC地址选择对应判别器,若该MAC地址无对应判别器,则该待识别WIFI设备属于未知设备,并且未伪装成已授权合法设备;
S3.3:若该MAC地址存在对应判别器,从待识别WIFI设备的输出信号中提取融合特征向量,作为判别器的输入;
S3.4:判别器输出判别结果,判别器输出结果为1,表示该待识别设备属于合法WIFI设备,并且该合法WIFI设备属于该判别器对应合法WIFI设备类别;判别器输出结果为0,表示该待识别WIFI设备属于伪装成合法WIFI设备的未知非法WIFI设备。重复使用不同的合法WIFI设备样本(编号1~8的已授权WIFI设备)和未知伪装WIFI设备样本(编号9~10的未知WIFI设备),验证模型对于合法WIFI设备的分类准确率以及对于未知伪装WIFI设备的拒绝率。
该方法实现了人工特征与深度特征的融合,丰富了特征集,进一步提高了对WIFI设备的识别准确率;另外,本发明引入具有单分类功能的BP神经网络作为判别器,在保证以高准确率对已授权合法WIFI设备进行分类识别的基础上,同时还可以实现对任何伪装成合法WIFI设备的无先验信息的未知设备的拒绝,实现开放集WIFI设备识别。
实施例2
参照图4,本实施例提供了一种开放集WIFI设备识别装置,该装置包括以下单元:
信号处理单元101,用于获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
模型训练单元102,用于将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
设备识别单元103,用于获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。
另外,本发明实施例还提供一种计算机可读存储介质,其中,该计算机可读存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何开放集WIFI设备识别方法的部分或全部步骤。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-OnlyMemory,简称:ROM)、随机存取器(英文:RandomAccessMemory,简称:RAM)、磁盘或光盘等。
需要说明的是,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到等同变化或替换,仍属于本发明所涵盖的范围。
Claims (11)
1.一种开放集WIFI设备识别方法,其特征在于,包括以下步骤:
S1:获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
S2:将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
S3:获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。
2.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,所述对输出信号进行预处理的过程包括:下变频、过采样、信号检测与截取、能量归一化、频率偏移估计与补偿。
3.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,所述对输出信号提取前导码的过程包括:预设标准前导码序列,从输出信号截取与标准前导码序列相同长度的连续序列,共轭相乘计算截取信号与标准前导码序列的相关性,提取相关性满足第二预设条件的截取信号作为前导码。
4.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,所述人工特征包括:载波频率偏移、信道估计特征以及基于频率响应的奇异值。
5.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,所述提取深度特征的具体过程是:
根据前导码集合预训练自编码器模型:自编码器网络由编码器层和解码器层两部分组成,预训练时,编码器层使用非线性激活函数学习输入数据的压缩表示;解码器层重构原始输入数据,计算重构误差,自编码器网络基于反向传播算法与最优化方法选择信息量满足第三预设条件的特征构成输入数据的压缩表示;
复制预训练好的自编码器模型的编码器层,将其设为深度特征提取器,将输入数据的压缩表示作为深度特征。
6.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,S2的具体过程为:
S2.1:使用不重复抽样技术按比例将每一个合法WIFI设备的融合特征向量集划分成训练集、验证集和测试集;
S2.2:使用无放回随机采样的方式从所述训练集中抽取预设个数的样本构成训练子集,重复采样预设次数,得到训练子集,训练子集的个数与采样的预设次数相同;
S2.3:基于所述训练子集并行训练自定义损失函数的BP神经网络模型,BP神经网络模型的个数与训练子集的个数相同;
S2.4:基于验证集对所述BP神经网络模型进行参数调整和性能验证,保存预测误差满足第一预设条件的BP神经网络模型作为判别器,并为判别器设置标签。
7.根据权利要求6所述的开放集WIFI设备识别方法,其特征在于,所述BP神经网络模型将单分类算法优化目标作为损失函数。
8.根据权利要求7所述的开放集WIFI设备识别方法,其特征在于,所述BP神经网络模型由输入层、隐藏层和输出层组成,训练BP神经网络模型的具体过程包括:自定义损失函数,将单分类算法优化目标定义为BP神经网络损失函数;基于自定义损失函数计算预测误差,利用反向传播算法迭代更新BP神经网络参数,直至满足收敛要求;在输出层利用决策函数将训练样本点标记为正常或异常,使得BP神经网络具备单分类能力。
9.根据权利要求1所述的开放集WIFI设备识别方法,其特征在于,S3的具体过程为:
S3.1:获取待识别WIFI设备的输出信号;
S3.2:从待识别WIFI设备的输出信号中提取标签信息,根据所述标签信息选择对应判别器,若标签信息无对应判别器,则该待识别WIFI设备属于未知设备,并且未伪装成已授权合法设备;
S3.3:若标签信息存在对应判别器,从待识别WIFI设备的输出信号中提取融合特征向量,作为判别器的输入;
S3.4:判别器输出判别结果,第一判别结果为合法WIFI设备,第二判别结果为伪装成合法WIFI设备的未知非法WIFI设备。
10.一种开放集WIFI设备识别装置,其特征在于,包括:
信号处理单元,用于获取已授权的合法WIFI设备的输出信号,对输出信号进行预处理并提取前导码,基于前导码提取输出信号的人工特征和深度特征,将两种类型的特征进行拼接得到融合特征向量,并将融合特征向量制作成预设大小的融合特征向量集;
模型训练单元,用于将所述融合特征向量集划分成训练集、验证集和测试集,基于训练集训练自定义损失函数的BP神经网络模型,利用验证集调整BP神经网络模型的参数并选择满足第一预设条件的BP神经网络模型作为判别器,并为所述判别器设置与所述合法WIFI设备对应的标签;
设备识别单元,获取待识别WIFI设备的输出信号,查询是否存在对应的判别器,如果存在,则提取所述输出信号的融合特征向量输入判别器进行WIFI设备识别,如果不存在,则认为该WIFI设备为未知设备。
11.一种计算机可读存储介质,其特征在于,所述存储介质中含有如权利要求1至9任一项所述的开放集WIFI设备识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659944.6A CN114423011A (zh) | 2021-12-31 | 2021-12-31 | 开放集wifi设备识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659944.6A CN114423011A (zh) | 2021-12-31 | 2021-12-31 | 开放集wifi设备识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114423011A true CN114423011A (zh) | 2022-04-29 |
Family
ID=81271905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111659944.6A Pending CN114423011A (zh) | 2021-12-31 | 2021-12-31 | 开放集wifi设备识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114423011A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867018A (zh) * | 2022-06-06 | 2022-08-05 | 西安交通大学 | 利用载波频率偏移的设备识别认证方法、***及存储介质 |
CN116156505A (zh) * | 2023-04-18 | 2023-05-23 | 南京桂瑞得信息科技有限公司 | 基于去噪自编码器与度量学习的WiFi设备检测方法 |
-
2021
- 2021-12-31 CN CN202111659944.6A patent/CN114423011A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867018A (zh) * | 2022-06-06 | 2022-08-05 | 西安交通大学 | 利用载波频率偏移的设备识别认证方法、***及存储介质 |
CN116156505A (zh) * | 2023-04-18 | 2023-05-23 | 南京桂瑞得信息科技有限公司 | 基于去噪自编码器与度量学习的WiFi设备检测方法 |
CN116156505B (zh) * | 2023-04-18 | 2023-08-04 | 南京桂瑞得信息科技有限公司 | 基于去噪自编码器与度量学习的WiFi设备检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11122078B1 (en) | Systems and methods for private authentication with helper networks | |
Yu et al. | Ensemble additive margin softmax for speaker verification | |
EP2897076B1 (en) | Tamper-resistant element for use in speaker recognition | |
CN101833646B (zh) | 一种虹膜活体检测方法 | |
CN114423011A (zh) | 开放集wifi设备识别方法和装置 | |
CN109104441A (zh) | 一种基于深度学习的加密恶意流量的检测***和方法 | |
CN106446754A (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
Fadul et al. | Identification of OFDM-based radios under rayleigh fading using RF-DNA and deep learning | |
CN108932535B (zh) | 一种基于机器学习的边缘计算克隆节点识别方法 | |
CN104700018B (zh) | 一种用于智能机器人的识别方法 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN113139536B (zh) | 一种基于跨域元学习的文本验证码识别方法、设备及存储介质 | |
CN111914919A (zh) | 基于深度学习的开放集辐射源个体识别方法 | |
WO2017192719A1 (en) | User specific classifiers for biometric liveness detection | |
Shmelkin et al. | Generating master faces for dictionary attacks with a network-assisted latent space evolution | |
CN108154186B (zh) | 一种模式识别方法和装置 | |
CN109150538A (zh) | 一种指纹与声纹融合身份认证方法 | |
CN115795548A (zh) | 一种基于联邦学习的隐蔽通信检测方法 | |
Raveendra et al. | Performance evaluation of face recognition system by concatenation of spatial and transformation domain features | |
Terhörst et al. | On the (limited) generalization of masterface attacks and its relation to the capacity of face representations | |
Ahmad et al. | Deep convolutional neural network using triplet loss to distinguish the identical twins | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN113887357B (zh) | 一种人脸表示攻击检测方法、***、装置及介质 | |
Galar et al. | A preliminary study on fingerprint classification using fuzzy rule-based classification systems | |
Morehouse et al. | RF device identification using CNN based PUF |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |