(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111659944.6 (22)申请日 2021.12.31 (71)申请人 网络通信与安全紫金山实验室 地址 210000 江苏省南京市江宁区秣周东 路9号 (72)发明人 陈立全　陈招发　焦江浩　胡爱群　 李古月　 (74)专利代理 机构 江苏圣典律师事务所 32 237 代理人 贺翔 (51)Int.Cl. H04W 12/71(2021.01) H04W 12/79(2021.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 开放集WIFI设备识别方法和装置 (57)摘要 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W IFI设备的拒绝。 权利要求书2页 说明书7页 附图5页 CN 114423011 A 2022.04.29 CN 114423011 A 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，权　利　要　求　书 1/2 页 2 CN 114423011 A 2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W IFI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W IFI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。权　利　要　求　书 2/2 页 3 CN 114423011 A 3