CN116156505A - 基于去噪自编码器与度量学习的WiFi设备检测方法 - Google Patents

基于去噪自编码器与度量学习的WiFi设备检测方法 Download PDF

Info

Publication number
CN116156505A
CN116156505A CN202310409332.4A CN202310409332A CN116156505A CN 116156505 A CN116156505 A CN 116156505A CN 202310409332 A CN202310409332 A CN 202310409332A CN 116156505 A CN116156505 A CN 116156505A
Authority
CN
China
Prior art keywords
encoder
loss
legal
wifi
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.)
Granted
Application number
CN202310409332.4A
Other languages
English (en)
Other versions
CN116156505B (zh
Inventor
陆智怡
桂冠
杨泽洋
徐从安
林云
闫文君
刘凯
葛亮
陈雪梅
付雪
王禹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Guiruide Information Technology Co ltd
Original Assignee
Nanjing Guiruide Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Guiruide Information Technology Co ltd filed Critical Nanjing Guiruide Information Technology Co ltd
Priority to CN202310409332.4A priority Critical patent/CN116156505B/zh
Publication of CN116156505A publication Critical patent/CN116156505A/zh
Application granted granted Critical
Publication of CN116156505B publication Critical patent/CN116156505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • H04W12/122—Counter-measures against attacks; Protection against rogue devices
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General 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 Security & Cryptography (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了基于去噪自编码器与度量学习的WiFi设备检测方法包括以下步骤：通过设计的最优特征映射模型，对合法设备的信号进行分析，得到合法阈值；将未知设备的信号放入最优特征映射模型中进行分析，得出分析结果；将分析结果与中的合法阈值进行相对大小的比较，若小于等于合法阈值，则该未知WiFi设备为合法设备，反之则为异常设备，完成未知设备的异常检测。本发明适用于多类型WiFi设备异常检测任务，解决了真实环境中异常WiFi设备检测准确率不高的问题，减少因异常WiFi设备恶意活动带来的安全威胁，对物联网的发展十分有益，具有较高的应用价值。

Description

基于去噪自编码器与度量学习的WiFi设备检测方法
技术领域
本发明属于设备检测技术领域，尤其涉及基于去噪自编码器与度量学习的WiFi设备检测方法。
背景技术
被公认为是第三次世界信息浪潮的物联网，在无线传感器的支持下实现了信息的收集，并通过网络连接实现万物互联，在当今科技信息时代下充当着重要角色。移动互联网发展以来，也实现了和物联网的互联。
随着无线通信以及物联网的快速发展，各种物联网应用在我们的日常生活中发挥着愈发重要的作用。物联网中传感器、执行器、信息和通信技术的融合产生了大量的数据，这些数据需要进行筛选，以此促进合理准确的决策和控制。
物联网的开放性特点使其在网络安全方面面临较大挑战，尤其是针对身份欺骗攻击。在这类攻击中，攻击者通过被动地监听无线电通信，模仿合法设备的身份展开恶意活动，进而对网络安全造成极大威胁。在当前技术水平下，复杂环境中WiFi设备的检测准确率尚不能满足实际需求，这无疑加大了异常WiFi设备带来的安全风险，对物联网的健康发展构成严重阻碍。
发明内容
为解决现有技术中的不足，本发明提供了基于去噪自编码器与度量学习的WiFi设备检测方法，解决了复杂现实环境中异常WiFi设备检测的问题。
为了实现上述目标，本发明采用如下技术方案。
本发明提供了基于去噪自编码器与度量学习的WiFi设备检测方法，具体包括以下步骤：
步骤S1：通过设计的最优特征映射模型，对合法设备的信号进行分析，得到合法阈值；
步骤S2：将未知设备的信号放入步骤S1中的最优特征映射模型中进行分析，得出分析结果；
步骤S3：将步骤S2中的分析结果与步骤S1中的合法阈值进行相对大小的比较，完成未知设备的异常检测。
进一步地，步骤S1具体如下：
步骤S11：采集真实世界中合法 WiFi设备的电磁信号，作为训练数据集；
步骤S12：设计与搭建去噪自编码器，构建去噪自编码器的优化目标；
步骤S13：训练去噪自编码器，且保留去噪自编码器，得到最优特征映射模型；
步骤S14：利用去噪自编码器将训练数据集由样本空间映射到特征空间，得到合法WiFi设备的特征中心锚点；
步骤S15：对训练样本经去噪自编码器映射得到的特征矢量与特征中心锚点进行类内类间距离统计分析，得到合法阈值。
进一步地，步骤S2具体如下：
步骤S21：将待测WiFi设备的电磁信号输入去噪自编码器的最优特征映射模型中，将电磁信号由样本空间映射到特征空间，得到特征矢量；
步骤S22：计算特征矢量与特征中心锚点之间的欧氏距离；
步骤S23：比较该欧氏距离与合法阈值的相对大小；
步骤S24：完成待测WiFi设备的异常检测。
进一步地，步骤S12具体包括：
步骤S121：搭建编码器，所述编码器包含七层卷积层，每层编码器后有一层激活层、归一化层与池化层；
步骤S122：搭建解码器，解码器与编码器结构对称，包括七层反卷积层，每层反卷积后有一层激活层与归一化层；
步骤S123：搭建分类器，包括一层展平层、两层全连接层。
进一步地：还包括如下步骤：
步骤S124：样本级去噪，低信噪比信号输入去噪自编码器进行特征提取；
步骤S125：特征级类内紧凑约束；
步骤S126：特征输入分类器，进行进一步的特征提取，选择交叉熵损失作为分类损失；
步骤S127：结合分类损失、重建损失与中心损失进行联合损失设计，确定优化目标。
进一步地：步骤S13具体步骤包括：将低信噪比信号输入去噪自编码器，进行分类损失，重建损失以及中心损失的计算，根据优化目标进行反向梯度更新，并保存最优特征映射模型，即优化目标联合损失最小的模型。
进一步地，步骤S14包括：
步骤S141：将合法WiFi设备发射的电磁信号，输入编码器提取语义特征，得到输入信号在特征空间的特征映射；
步骤S142：对同一类别的语义特征进行平均，所用公式如下：
Figure SMS_1
；
得到每个合法WiFi信号的特征中心锚点
Figure SMS_2
，/>
Figure SMS_3
为编码器的映射函数，/>
Figure SMS_4
为第
Figure SMS_5
个类别，/>
Figure SMS_6
为第/>
Figure SMS_7
个类别的样本数，/>
Figure SMS_8
为第i个输入信号；
并保存最优模型下的特征中心锚点，最优模型为优化目标联合损失最小的模型。
进一步地，步骤S127中的优化目标为：
Figure SMS_9
；
其中
Figure SMS_10
、/>
Figure SMS_11
和/>
Figure SMS_12
分别表示分类损失、重建损失与中心损失在联合损失中的权重，/>
Figure SMS_13
、/>
Figure SMS_14
和/>
Figure SMS_15
分别表示分类损失、重建损失与中心损失。
进一步地：步骤S22所用公式如下：
Figure SMS_16
；
其中，
Figure SMS_17
为最优去噪自编码器的映射函数，/>
Figure SMS_18
为输入信号，/>
Figure SMS_19
表示输入信号的语义特征，/>
Figure SMS_20
表示欧氏距离，/>
Figure SMS_21
为单位矩阵，/>
Figure SMS_22
为特征中心锚点。
进一步地，步骤S23中比较该欧氏距离与合法阈值的相对大小，具体如下：
Figure SMS_23
；
其中，
Figure SMS_24
为合法阈值，当欧氏距离/>
Figure SMS_25
的最小值小于等于合法阈值时，认定此特征对应的WiFi设备为合法WiFi设备，当欧氏距离/>
Figure SMS_26
的最小值大于阈值时，认定此特征对应的WiFi设备为异常WiFi设备。
与现有技术相比，本发明有益效果是：
本发明提供的基于去噪自编码器与度量学习的WiFi设备检测方法，通过精确识别和阻止异常WiFi设备的恶意行为，有效的防范网络攻击、数据泄露等安全风险；
本发明提供的基于去噪自编码器与度量学习的WiFi设备检测方法，提高了异常WiFi设备检测准确率有助于确保整个物联网***的稳定运行，降低了因设备故障或恶意攻击造成的***中断风险；
本发明提供的基于去噪自编码器与度量学习的WiFi设备检测方法，减少了异常WiFi设备的恶意活动，有助于保护用户的个人隐私和敏感数据，降低信息泄露的可能性；
本发明提供的基于去噪自编码器与度量学习的WiFi设备检测方法，对异常WiFi设备进行有效检测和管理，有助于优化网络资源分配，从而提高了整个物联网***中设备的性能和响应速度；
本发明提供的基于去噪自编码器与度量学习的WiFi设备检测方法，确保了物联网在各个领域的安全运行，将增加企业和个人对物联网技术的信任，进而推动物联网技术在工业、家居、交通等领域的广泛应用和普及。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1-2是本发明WiFi设备检测方法流程图；
图3本发明中心锚点示意图；
图4是本发明异常WiFi设备检测方法网络模型；
图5是本发明检测效果示意图；
图6是特征降维可视化示意图。
实施方式
下面结合附图对本发明作进一步地详细说明，以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
基于去噪自编码器与度量学习的WiFi设备检测方法，具体包括2个阶段：合法WiFi设备注册阶段和异常WiFi设备检测阶段，整个方法步骤如图1所示包括：
步骤S1：通过设计的最优特征映射模型，对合法设备的信号进行分析，得到合法阈值；
步骤S2：将未知设备的信号放入步骤S1中的最优特征映射模型中进行分析，得出分析结果；
步骤S3：将步骤S2中的分析结果与步骤S1中的合法阈值进行相对大小的比较，完成未知设备的异常检测
步骤S1即为第一阶段，合法WiFi设备注册阶段，步骤S2和步骤S3为第二阶段，如图2所示，具体步骤如下：
步骤S11：采集真实世界中合法 WiFi设备的电磁信号，作为训练数据集；
步骤S12：设计与搭建去噪自编码器，构建去噪自编码器的优化目标；
步骤S13：训练去噪自编码器，且保留去噪自编码器，得到最优特征映射模型；
步骤S14：利用去噪自编码器将训练数据集由样本空间映射到特征空间，得到合法WiFi设备的特征中心锚点；
步骤S15：对训练样本经去噪自编码器映射得到的特征矢量与特征中心锚点进行类内类间距离统计分析，得到合法阈值；
步骤S21：将待测WiFi设备的电磁信号输入去噪自编码器的最优特征映射模型中，将电磁信号由样本空间映射到特征空间，得到特征矢量；
步骤S22：计算特征矢量与特征中心锚点之间的欧氏距离；
步骤S23：比较该欧氏距离与合法阈值的相对大小；
步骤S24：完成待测WiFi设备的异常检测。
作为一种具体的实施方式，去噪自编码器的设计与搭建，具体步骤包括：
步骤S121：搭建编码器，所述编码器包含七层卷积层，每层编码器后有一层激活层、归一化层与池化层；
步骤S122：搭建解码器，解码器与编码器结构对称，包括七层反卷积层，每层反卷积后有一层激活层与归一化层；
步骤S123：搭建分类器，包括一层展平层、两层全连接层。
作为一种具体的实施方式，构建去噪自编码器的优化目标，具体步骤包括：
步骤S124：样本级去噪，低信噪比信号输入去噪自编码器进行特征提取，信号特征经过解码器进行重建，对重建信号与纯净信号求均方误差损失，反向传播进行梯度更新，均方误差公式为：
Figure SMS_27
；
其中，
Figure SMS_28
是输入信号，/>
Figure SMS_29
是重建信号，/>
Figure SMS_30
表示对一批信号的均方误差求平均值；
步骤S125：特征级类内紧凑约束，如图3所示，★表示中心锚点，o表示信号特征，减小同类信号特征间的距离，采用中心损失进行梯度更新：
Figure SMS_31
；
Figure SMS_32
表示某一类训练样本的特征，/>
Figure SMS_33
表示这一类样本的信号中心特征；
步骤S126：特征输入分类器，进行进一步的特征提取，选择交叉熵损失作为分类损失：
Figure SMS_34
；
其中，
Figure SMS_35
为训练样本的真实标签，/>
Figure SMS_36
为预测标签；
步骤S127：结合分类损失、重建损失与中心损失进行联合损失设计，确定优化目标为：
Figure SMS_37
；
其中
Figure SMS_38
、/>
Figure SMS_39
和/>
Figure SMS_40
分别表示分类损失、重建损失与中心损失在联合损失中的权重，/>
Figure SMS_41
、/>
Figure SMS_42
和/>
Figure SMS_43
分别表示分类损失、重建损失与中心损失。
作为一种具体的实施方式，开展去噪自编码器的训练过程，保留编码器，得到用于异常WiFi设备检测的最优特征映射模型，具体步骤包括：将低信噪比信号输入去噪自编码器，进行分类损失，重建损失以及中心损失的计算，根据优化目标进行反向梯度更新，并保存最优特征映射模型，即优化目标联合损失最小的模型。
作为一种具体的实施方式，步骤S14中，利用去噪自编码将训练数据集由样本空间映射到特征空间，得到合法WiFi设备的特征中心锚点，具体步骤包括：
步骤S141：将合法WiFi设备发射的电磁信号，输入编码器提取语义特征，得到输入信号在特征空间的特征映射；
步骤S142：对同一类别的语义特征进行平均，所用公式如下：
Figure SMS_44
；
得到每个合法WiFi信号的特征中心锚点
Figure SMS_45
，/>
Figure SMS_46
为去噪自编码器的最优特征映射模型，/>
Figure SMS_47
为第/>
Figure SMS_48
个类别，/>
Figure SMS_49
为第/>
Figure SMS_50
个类别的样本数；
并保存最优模型下的特征中心锚点，最优模型为优化目标联合损失最小的模型；
对训练样本经编码器映射得到的特征矢量与特征中心锚点进行类内类间距离统计分析，得到合法阈值。
作为一种具体的实施方式，步骤S21中将未知WiFi设备的电磁信号输入去噪自编码器的最优模型中，将该电磁信号由样本空间映射至特征空间，得到其特征矢量：
Figure SMS_51
；
其中
Figure SMS_52
为特征矢量，/>
Figure SMS_53
为去噪自编码器的最优特征映射模型，/>
Figure SMS_54
为第m个输入信号。
作为一种具体的实施方式，步骤S22中计算特征矢量与特征中心锚点之间的欧氏距离，具体步骤包括：
计算来自未知WiFi设备的无线电信号的语义特征与已知的语义中心特征之间的欧氏距离：
Figure SMS_55
；
其中，
Figure SMS_56
为最优去噪自编码器的映射函数，/>
Figure SMS_57
为第m个输入信号，/>
Figure SMS_58
表示输入信号的语义特征，/>
Figure SMS_59
表示欧氏距离，/>
Figure SMS_60
为单位矩阵，/>
Figure SMS_61
为特征中心锚点。
作为一种具体的实施方式，比较该欧氏距离与合法阈值的相对大小，具体步骤包括：
Figure SMS_62
；
其中，
Figure SMS_63
为合法阈值，当欧氏距离/>
Figure SMS_64
的最小值小于等于合法阈值时，认定此特征对应的WiFi设备为合法WiFi设备，当欧氏距离/>
Figure SMS_65
的最小值大于阈值时，认定此特征对应的WiFi设备为异常WiFi设备。
作为一种具体的实施方式，所述步骤S24中，完成未知WiFi设备的异常检测并进行评估，具体步骤包括为采用受试者工作特征曲线以及线下面积对异常检测效果进行评估，如图5所示，线下面积越大表明异常检测效果越好，采用t分布邻域嵌入算法对特征进行降维并进一步可视化；如图6所示，不同数字代表不同类别信号经过降维后的可视化特征。
测试数据处理结果：
表1 WiFi设备电磁信号数据集
参数名称 参数详情
数据格式 IQ（2×6000）
发射机 X310 USRP SDR
接收机 B210 radio
收发机步长 62
训练设备类别数 15
测试设备类别数 16
在训练阶段，使用15类合法WiFi设备电磁信号进行训练，得到具有最优特征提取能力的去噪自编码器，并获得合法设备信号的中心锚点。在测试阶段，使用16类WiFi设备，其中包含15类合法设备，1类异常设备，将信号输入编码器中进行特征提取，并将语义特征与中心锚点间的距离与阈值进行比较，判断信号的合法性。使用受试者工作特征曲线以及线下面积对异常检测效果进行评估，并与其他几种异常检测方法进行了对比，检测性能如表2、表3所示；
表2不同信噪比下所提出方法的检测性能表现
信噪比/dB 0 20 30
线下面积 0.920 0.987 0.956
表3不同异常检测方法在输入信号信噪比为0dB时的检测性能
方法 所提出的方法 SR2CNN 随机森林 局部离群因子
线下面积 0.920 0.807 0.713 0.503
本发明能有效的解决在复杂现实低信噪比环境下，对异常WiFi设备进行有效检测和管理，有助于优化网络资源分配，从而提高了整个物联网***中设备的性能和响应速度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于，具体包括以下步骤：
步骤S1：通过设计的最优特征映射模型，对合法WiFi设备的信号进行分析，得到合法阈值；
步骤S2：将未知WiFi设备的信号放入步骤S1中的最优特征映射模型中进行分析，得出分析结果；
步骤S3：将步骤S2中的分析结果与步骤S1中的合法阈值进行相对大小的比较，完成未知WiFi设备的异常检测。
2.根据权利要求1所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于，步骤S1具体如下：
步骤S11：采集真实世界中合法WiFi设备的电磁信号，作为训练数据集；
步骤S12：设计与搭建去噪自编码器，构建去噪自编码器的优化目标；
步骤S13：训练去噪自编码器，且保留去噪自编码器，得到最优特征映射模型；
步骤S14：利用去噪自编码器将训练数据集由样本空间映射到特征空间，得到合法WiFi设备的特征中心锚点；
步骤S15：对训练样本经去噪自编码器映射得到的特征矢量与特征中心锚点进行类内类间距离统计分析，得到合法阈值。
3.根据权利要求1所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于，步骤S2具体如下：
步骤S21：将待测WiFi设备的电磁信号输入去噪自编码器的最优特征映射模型中，将电磁信号由样本空间映射到特征空间，得到特征矢量；
步骤S22：计算特征矢量与特征中心锚点之间的欧氏距离；
步骤S23：比较该欧氏距离与合法阈值的相对大小；
步骤S24：完成待测WiFi设备的异常检测。
4.根据权利要求2所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于：步骤S12具体包括：
步骤S121：搭建编码器，所述编码器包含七层卷积层，每层编码器后有一层激活层、归一化层与池化层；
步骤S122：搭建解码器，解码器与编码器结构对称，包括七层反卷积层，每层反卷积后有一层激活层与归一化层；
步骤S123：搭建分类器，包括一层展平层、两层全连接层。
5.根据权利要求4所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于：还包括如下步骤：
步骤S124：样本级去噪，低信噪比信号输入去噪自编码器进行特征提取；
步骤S125：特征级类内紧凑约束；
步骤S126：特征输入分类器，进行进一步的特征提取，选择交叉熵损失作为分类损失；
步骤S127：结合分类损失、重建损失与中心损失进行联合损失设计，确定优化目标。
6.根据权利要求2所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于：步骤S13具体步骤包括：将低信噪比信号输入去噪自编码器，进行分类损失，重建损失以及中心损失的计算，根据优化目标进行反向梯度更新，并保存最优特征映射模型，即优化目标联合损失最小的模型。
7.根据权利要求2所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于，步骤S14包括：
步骤S141：将合法WiFi设备发射的电磁信号，输入编码器提取语义特征，得到输入信号在特征空间的特征映射；
步骤S142：对同一类别的语义特征进行平均，所用公式如下：
Figure QLYQS_1
；
得到每个合法WiFi信号的特征中心锚点
Figure QLYQS_2
，/>
Figure QLYQS_3
为编码器的映射函数，/>
Figure QLYQS_4
为第/>
Figure QLYQS_5
个类别，/>
Figure QLYQS_6
为第/>
Figure QLYQS_7
个类别的样本数，/>
Figure QLYQS_8
为第i个输入信号；
并保存最优模型下的特征中心锚点，最优模型为优化目标联合损失最小的模型。
8.根据权利要求5所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于，步骤S127中的优化目标为：
Figure QLYQS_9
；
其中
Figure QLYQS_10
、/>
Figure QLYQS_11
和/>
Figure QLYQS_12
分别表示分类损失、重建损失与中心损失在联合损失中的权重，/>
Figure QLYQS_13
、/>
Figure QLYQS_14
和/>
Figure QLYQS_15
分别表示分类损失、重建损失与中心损失。
9.根据权利要求3所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于：步骤S22所用公式如下：
Figure QLYQS_16
；
其中，
Figure QLYQS_17
为最优去噪自编码器的映射函数，/>
Figure QLYQS_18
为输入信号，/>
Figure QLYQS_19
表示输入信号的语义特征，/>
Figure QLYQS_20
表示欧氏距离，/>
Figure QLYQS_21
为单位矩阵，/>
Figure QLYQS_22
为特征中心锚点。
10.根据权利要求3所述的基于去噪自编码器与度量学习的WiFi设备检测方法，其特征在于：步骤S23中比较该欧氏距离与合法阈值的相对大小，具体如下：
Figure QLYQS_23
；
其中，
Figure QLYQS_24
为合法阈值，当欧氏距离/>
Figure QLYQS_25
的最小值小于等于合法阈值时，认定此特征对应的WiFi设备为合法WiFi设备，当欧氏距离/>
Figure QLYQS_26
的最小值大于阈值时，认定此特征对应的WiFi设备为异常WiFi设备。/>
CN202310409332.4A 2023-04-18 2023-04-18 基于去噪自编码器与度量学习的WiFi设备检测方法 Active CN116156505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310409332.4A CN116156505B (zh) 2023-04-18 2023-04-18 基于去噪自编码器与度量学习的WiFi设备检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310409332.4A CN116156505B (zh) 2023-04-18 2023-04-18 基于去噪自编码器与度量学习的WiFi设备检测方法

Publications (2)

Publication Number Publication Date
CN116156505A true CN116156505A (zh) 2023-05-23
CN116156505B CN116156505B (zh) 2023-08-04

Family

ID=86360350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310409332.4A Active CN116156505B (zh) 2023-04-18 2023-04-18 基于去噪自编码器与度量学习的WiFi设备检测方法

Country Status (1)

Country Link
CN (1) CN116156505B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515130A (zh) * 2019-09-03 2019-11-29 河南工业大学 一种基于信道状态信息的储粮害虫检测方法及装置
CN110536324A (zh) * 2019-09-05 2019-12-03 山东一瓦信息技术有限公司 一种WiFi信号数据的采集和处理方法及其***
CN110691100A (zh) * 2019-10-28 2020-01-14 中国科学技术大学 基于深度学习的分层网络攻击识别与未知攻击检测方法
WO2021122291A1 (fr) * 2019-12-19 2021-06-24 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede et dispositif de detection d'equipement intrus
CN114419725A (zh) * 2021-11-30 2022-04-29 西安交通大学 一种基于无线射频信号的行为检测方法及***
CN114423011A (zh) * 2021-12-31 2022-04-29 网络通信与安全紫金山实验室 开放集wifi设备识别方法和装置
CN115396125A (zh) * 2021-05-07 2022-11-25 ***通信集团有限公司 Wifi攻击检测方法及装置、设备、计算机程序
CN115601834A (zh) * 2022-10-19 2023-01-13 中原工学院（Cn） 基于WiFi信道状态信息的跌倒检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515130A (zh) * 2019-09-03 2019-11-29 河南工业大学 一种基于信道状态信息的储粮害虫检测方法及装置
CN110536324A (zh) * 2019-09-05 2019-12-03 山东一瓦信息技术有限公司 一种WiFi信号数据的采集和处理方法及其***
CN110691100A (zh) * 2019-10-28 2020-01-14 中国科学技术大学 基于深度学习的分层网络攻击识别与未知攻击检测方法
WO2021122291A1 (fr) * 2019-12-19 2021-06-24 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede et dispositif de detection d'equipement intrus
CN115396125A (zh) * 2021-05-07 2022-11-25 ***通信集团有限公司 Wifi攻击检测方法及装置、设备、计算机程序
CN114419725A (zh) * 2021-11-30 2022-04-29 西安交通大学 一种基于无线射频信号的行为检测方法及***
CN114423011A (zh) * 2021-12-31 2022-04-29 网络通信与安全紫金山实验室 开放集wifi设备识别方法和装置
CN115601834A (zh) * 2022-10-19 2023-01-13 中原工学院（Cn） 基于WiFi信道状态信息的跌倒检测方法

Also Published As

Publication number Publication date
CN116156505B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN113038386B (zh) 基于学习模型的设备定位
Huang et al. Machine-learning-based data processing techniques for vehicle-to-vehicle channel modeling
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN108601026B (zh) 基于随机抽样一致性的感知数据错误化攻击检测方法
CN110768971B (zh) 适用于人工智能***的对抗样本快速预警方法及***
CN111914919A (zh) 基于深度学习的开放集辐射源个体识别方法
CN112949820B (zh) 基于生成对抗网络的认知抗干扰目标检测方法
CN109698724A (zh) 入侵检测方法、装置、设备及存储介质
Pandey et al. Handling device heterogeneity and orientation using multistage regression for GMM based localization in IoT networks
CN110445772B (zh) 一种基于主机关系的互联网主机扫描方法及***
Xie et al. Virtual Adversarial Training‐Based Semisupervised Specific Emitter Identification
CN115546608A (zh) 一种无人机数据链电磁干扰分类和威胁评估方法
Han et al. CNN‐Based Attack Defense for Device‐Free Localization
Turgut et al. Performance analysis of machine learning and deep learning classification methods for indoor localization in Internet of things environment
Cui et al. Indoor Wi-Fi positioning algorithm based on location fingerprint
CN111444233A (zh) 基于复制器神经网络模型发现环境监测异常数据的方法
CN116156505B (zh) 基于去噪自编码器与度量学习的WiFi设备检测方法
Kosarevych et al. Detection of pixels corrupted by impulse noise using random point patterns
CN112926477A (zh) 一种适用于低信噪比环境的物联网射频指纹识别方法
Kuxdorf-Alkirata et al. A passive fingerprinting approach for device-free surveillance and localization applications using a Bluetooth Low Energy infrastructure
Espindola et al. A deep autoencoder and RNN model for indoor localization with variable propagation loss
CN113596757A (zh) 一种基于集成宽度学习的快速高精度室内指纹定位方法
CN106488403A (zh) 恶意节点攻击下的基于残差分析的压缩感知定位方法
CN118054971B (zh) 一种基于工业网络通信行为智能分析的隔离***
Kai et al. A new method to detect primary user emulation attacks in cognitive radio networks

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: WiFi device detection method based on denoising autoencoder and metric learning

Granted publication date: 20230804

Pledgee: Bank of China Limited Nanjing Chengdong Branch

Pledgor: Nanjing guiruide Information Technology Co.,Ltd.

Registration number: Y2024980022131