CN106332086A - 一种基于贝叶斯模型的伪基站识别方法 - Google Patents
一种基于贝叶斯模型的伪基站识别方法 Download PDFInfo
- Publication number
- CN106332086A CN106332086A CN201510374205.0A CN201510374205A CN106332086A CN 106332086 A CN106332086 A CN 106332086A CN 201510374205 A CN201510374205 A CN 201510374205A CN 106332086 A CN106332086 A CN 106332086A
- Authority
- CN
- China
- Prior art keywords
- value
- base station
- criterion
- pseudo
- criterion value
- 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
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于贝叶斯模型的伪基站识别方法，所述方法至少包括：利用移动通信终端获取每一个基站的C1准则值和C2准则值；在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值；根据正向权重值计算所述基站的第一概率整合值；根据负向权重值计算所述基站的第二概率整合值；根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。本发明通过贝叶斯模型进行伪基站的识别，提高了伪基站的识别准确率，并为进一步对伪基站执行安全处理操作提供可靠前提。
Description
技术领域
本发明涉及通信技术领域，特别是涉及一种基于贝叶斯模型的伪基站识别方法。
背景技术
伪基站即假基站，伪基站设备一般由主机和笔记本电脑组成，通过短信群发器、短信发信机等相关设备能够搜取以其为中心、一定半径范围内的手机卡信息，通过伪装成运营商的基站，冒用他人手机号码强行向用户手机发送诈骗、广告推销等短信息。此类设备运行时，用户手机信号被强制连接到该设备上，导致手机无法正常使用运营商提供的服务，影响手机用户的正常使用。
不管是正常防御，如手机自动辨别出伪基站并拒绝联入伪基站，还是主动搜查，如伪基站监管人员从正常基站中排查出伪基站，都需要对基站的身份进行合法性鉴别。现有的伪基站鉴别方法主要有如下两种：
1、申请号为201410089196.6的专利公开了一种判断验证伪基站的方法。该专利提出了一种基于数据库查询的伪基站鉴别方法，它利用手机客户端获取手机基站信息，在合法基站信息数据库中查询手机客户端获取的基站信息，若无法查到该基站信息，则判定该基站为伪基站。若查到该基站信息，将查寻到的该基站的地理位置信息与手机测得的基站地理位置信息做比较，若差距超过阈值，则认为该基站为伪基站。
2、申请号为201410041507.1的专利公开了一种基于终端上报信息判断和定位伪基站的方法。在手机接收到短信后，根据短信关键字和手机号判断是否为垃圾短信，若是，则立即触发短信或语音业务，若网络不通，则判定此基站为伪基站。
上述方法1需要终端获取手机信息并与数据库交互，实际应用中，手机切换基站是很频繁的，此种识别方法，将产生很大的网络流量。如果每次切换一个基站都需要查询数据库，验明身份，再进行切换，会产生很大延时，势必会对手机通话质量或其他使用体验产生很大影响。上述方法2是在侵害已经发生后，即伪基站对手机发送垃圾短信后，才能对基站的真伪进行识别，并不能实现对伪基站的提前防御。
因此，提供一种有效的伪基站识别方法是本领域技术人员需要解决的课题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于贝叶斯模型的伪基站识别方法，用于解决现有技术中网络流量大、产生延时、或者不能对伪基站进行提前防御等的问题。
为实现上述目的及其他相关目的，本发明提供一种基于贝叶斯模型的伪基站识别方法，所述识别方法至少包括：
利用移动通信终端获取所有可接入基站的信息，计算每一个基站的C1准则值和C2准则值；
在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值，其中，所述正向权重值表示包含C1准则值或C2准则值的基站为正常基站的概率，所述负向权重值表示包含C1准则值或C2准则值的基站为伪基站的概率；
根据所述C1准则值和C2准则值的正向权重值计算所述基站的第一概率整合值；根据所述C1准则值和C2准则值的负向权重值计算所述基站的第二概率整合值，其中，所述第一概率整合值表示所述基站为正常基站的概率，所述第二概率整合值表示所述基站为伪基站的概率；
根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。
作为本发明基于贝叶斯模型的伪基站识别方法优化的一种方案，利用移动通信终端的安卓操作系统，直接调用系统函数获得当前实时测量的附近6个基站的C1准则值和C2准则值。
作为本发明基于贝叶斯模型的伪基站识别方法优化的一种方案，所述贝叶斯模型通过预先训练获得，获得方法为：
对于训练集中已判断判断区别为正常基站和伪基站的每一个基站，进行C1准则值和C2准则值的测量，对所述C1准则值和C2准则值进行分类，每一类所述C1准则值或C2准则值作为所述贝叶斯模型的特征值；
针对所述贝叶斯模型的每一个特征值，根据该特征值的num1及预先设定的所述训练集中正常基站的总个数Ntotal，计算该特征值得正向权重值，其中，所述num1为所述训练集中包含该特征值的基站的数量；根据该特征值的num2及预先设定的所述训练集中基站的总个数Ntotal’，计算该特征值得负向权重值，其中，所述num2为所述训练集中包含该特征值的基站的数量。
作为本发明基于贝叶斯模型的伪基站识别方法优化的一种方案，所述特征值的正向权重值等于Ntotal/num1；所述特征值的负向权重值等于Ntotal’/num2。
作为本发明基于贝叶斯模型的伪基站识别方法优化的一种方案，所述根据所述C1准则值和C2准则值的正向权重值计算所述基站的第一概率整合值；根据所述C1准则值和C2准则值的负向权重值计算所述基站的第二概率整合值，具体计算方法分别为：
所述第一概率整合值P正具体计算方法为：
其中，P1表示C1准则值的正向权重值，P2表示C2准则值的正向权重值；
所述第一概率整合值P正具体计算方法为：
其中，P3表示C1准则值的负向权重值，P4表示C2准则值的负向权重值。
作为本发明基于贝叶斯模型的伪基站识别方法优化的一种方案，根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站，具体判定方法为：
将所述第一概率整合值与第二概率整合值相减，得到一差值，然后将所述差值与一预设值比较，若所述差值大于所述预设值，则判定所述基站为伪基站；若所述差值小于所述预设值，则判定所述基站为正常基站。
如上所述，本发明的基于贝叶斯模型的伪基站识别方法，本发明提供一种基于贝叶斯模型的伪基站识别方法，所述方法至少包括：利用移动通信终端获取每一个基站的C1准则值和C2准则值；在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值；根据正向权重值计算所述基站的第一概率整合值；根据负向权重值计算所述基站的第二概率整合值；根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。本发明通过贝叶斯模型进行伪基站的识别，提高了伪基站的识别准确率，并为进一步对伪基站执行安全处理操作提供可靠前提。
附图说明
图1为本发明基于贝叶斯模型的伪基站识别方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在GSM通信网络中，为了保证通话质量，提高网络服务质量，手机会自动进行小区切换以保证服务质量。切换的流程为：1)测量报告；2)测量报告预处理；3)切换判决；4)切换执行。具体地，当手机开机后，它会试图与一个公用的GSM PLMN取得联系，因此手机将选择一个合适的小区，并从中提取控制信道的参数和其他系统消息，这种选择过程称为“小区选择”。在GSM规范中规定了一个参数称作C1准则，所谓合适的小区必须保证该小区的C1>0。C1由小区选择参数计算得到。
手机选择小区后，在各种条件不发生重大变化的情况下，手机将停留在所选的小区中，同时手机开始同步测量邻近6个最强飞服务区的BCCH载频信息(该BCCH载频应在BA表中)。处于驻留状态的手机会时刻注意选择比当前小区更好的小区。在满足一定的条件时手机将从当前停留的小区转移到另一个小区，这个过程称为小区重选。所谓一定的条件包含多方面的因素，这些因素综合组成衡量无线信道通信质量的评判参数，当邻区的信号质量超过本区时会引起小区重选，小区重选时采用的信道质量标准为C2，C2由一系列小区重选参数计算得到。小区重选不分优先级，在合适条件下，小区重选C2值大的小区。
C1、C2准则是GSM规范中，供小区选择和重选的路径损耗准则，它考虑了接收信号电平、移动台的最大传输功率、和小区的一些特殊参数，其公式如下：
C1＝RXLEV–rxLexAcessMin–MAX[(msTxPwrMaxCCH-P),0]
其中：
RXLEV：移动台接收的平均电平，单位为dBm。
rxLevAcessMin：移动台在随机接入信道上接入系统时可以使用的最大发射功率电平。对于GSM900默认值为33dBm，对于GSM1800和GSM1900是30dBm。此信息也是从广播信道中获取。
P：移动台的最大RF发射功率，P的值与移动台在小区上的功率等级以及小区的频带都有关系。
C1准则首先决定了小区是否有可能被选择，只有大于0的小区才有被选择的可能性，移动台最终要选择具有最大C1的小区，如果没有C1大于0的小区，那么移动台的接入就会受到限制。
C2准则是小区重选时采用的信道质量标准选取准则。其计算方法如下：
C2＝C1+cellReselectOffset-temporaryOffset*H(penaltyTime-T)
其中：
cellReselectOffset用来人为的修正小区重选参数C2，取值范围为[0-126dBm],步长为2dBm。默认值为0dBm。
TemporaryOffset的作用是从计数器T开始计数到T的值达到penaltyTime规定的时间期间，给C2一个负作用的修正。取值范围为[0-70dBm]，步长为10dBm，默认值是0dBm。
移动台从6个最强的相邻小区和当前小区中解译广播控制信道，推出重选优先级并每隔5s计算一次C1和C2值。
伪基站正是利用参数配置，使得手机生成的测量报告中伪基站的C1和C2值明显优于正常基站，使得手机自动切换到伪基站网络中。而GSM制式下只存在基站对手机的鉴权，并不存在手机对基站合法性的鉴权，这为正常手机接入伪基站提供的机会。鉴于此，本发明提供一种基于贝叶斯模型的伪基站识别方法，为预防伪基站的攻击提供可靠的解决办法。
本发明提供一种基于贝叶斯模型的伪基站识别方法，所述识别方法至少包括以下步骤：
首先执行步骤S1，利用移动通信终端获取所有可接入基站的信息，计算每一个基站的C1准则值和C2准则值。
所述移动通信设备(例如手机)接收到基站的信息参数之后，通过这些信息参数来计算周围可接入基站的C1准则值和C2准则值。
具体地，可以利用移动通信终端的安卓操作系统，直接调用系统函数获得当前实时测量的附近6个基站的C1准则值和C2准则值。通过基站的信息参数来计算每一个基站的C1准则值和C2准则值的这个过程采用本领域技术人员的常规计算方法，在此不做赘述。
然后执行步骤S2，在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值，其中，所述正向权重值表示包含C1准则值或C2准则值的基站为正常基站的概率，所述正向权重值表示包含路C1准则值或C2准则值的基站为伪基站的概率；
需要说明的是，所述贝叶斯模型是通过预先训练获得的，获得贝叶斯模型的方法如下：
首先对于训练集中已判断判断区别为正常基站和伪基站的每一个基站，进行C1准则值和C2准则值的测量，对所述C1准则值和C2准则值进行分类，每一类所述C1准则值或C2准则值作为所述贝叶斯模型的特征值；然后针对所述贝叶斯模型的每一个特征值，根据该特征值的num1及预先设定的所述训练集中正常基站的总个数Ntotal，计算该特征值得正向权重值，其中，所述num1为所述训练集中包含该特征值的基站的数量；根据该特征值的num2及预先设定的所述训练集中基站的总个数Ntotal’，计算该特征值得负向权重值，其中，所述num2为所述训练集中包含该特征值的基站的数量。
进一步地，所述特征值的正向权重值等于Ntotal/num1；所述特征值的负向权重值等于Ntotal’/num2。
例如，包含特征值C1＝10的基站样本总数为100，其中80个样本为伪基站，20个样本为正常基站，那么特征值C1＝10对应的负向权重值为80/100＝0.8，正向权重值为20/100＝0.2。
将获得的每一个C1特征值的正、负向权重值和C2特征值的正、负向权重值存储于贝叶斯模型中。
获得贝叶斯模型之后，将实时获取并计算出的每一个基站的C1准则值和C2准则值，在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，并在贝叶斯模型中找到特征值对应的正、负权重值，这些正、负权重值也就是所述C1准则值和C2准则值的正、负权重值。
其中，所述C1准则值的正向权重值表示包含路C1准则值的基站为正常基站的概率，所述C1准则值的负向权重值表示包含C1准则值的基站为伪基站的概率；所述C2准则值的正向权重值表示包含C2准则值的基站为正常基站的概率，所述C2准则值的负向权重值表示包含C2准则值的基站为伪基站的概率。
接着执行步骤S3，根据所述C1准则值和C2准则值的正向权重值计算所述基站的第一概率整合值；根据所述C1准则值和C2准则值的负向权重值计算所述基站的第二概率整合值，其中，所述第一概率整合值表示所述基站为正常基站的概率，所述第二概率整合值表示所述基站为伪基站的概率。
本步骤中，根据如下公式计算所述基站的第一概率整合值P正：
其中，P1表示C1准则值的正向权重值，P2表示C2准则值的正向权重值，计算获得的第一概率整合值是判定该基站为正常基站的判定依据值。
本步骤中，根据如下公式计算所述基站的第二概率整合值P负：
其中，P3表示C1准则值的负向权重值，P4表示C2准则值的负向权重值，计算获得的第二概率整合值是判定该基站为伪基站的判定依据值。
最后执行步骤S4，根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。
本实施例中，具体判定所述基站是否为伪基站的方法为：将所述第一概率整合值与第二概率整合值相减，得到一差值，然后将所述差值与一预设值比较，若所述差值大于所述预设值，则判定所述基站为伪基站；若所述差值小于所述预设值，则判定所述基站为正常基站。其中，所述预设值根据实际需求来设置。
例如，令α＝P正-P负，当α大于某个阈值时，可判定该基站为正常基站，当其小于某个阈值时，判定该基站为伪基站。为选取合适的阈值，可以选取另一组训练集进行测试，根据测试结果选取一个合适的阈值作为最终的分类阈值。
进一步的，如果确定某一基站为疑似伪基站，手机则可做出拒绝接入此基站的处理，并接入正常基站后对疑似伪基站信息进行上报，上报的信息包括伪基站设备广播的参数以及用户当前所在地。亦可对用户进行提示，提示接下来接入的基站疑似伪基站，请用户提高警惕。
综上所述，本发明提供一种基于贝叶斯模型的伪基站识别方法，所述方法至少包括：利用移动通信终端获取每一个基站的C1准则值和C2准则值；在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值；根据正向权重值计算所述基站的第一概率整合值；根据负向权重值计算所述基站的第二概率整合值；根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。本发明通过贝叶斯模型进行伪基站的识别，提高了伪基站的识别准确率，并为进一步对伪基站执行安全处理操作提供可靠前提。
所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种基于贝叶斯模型的伪基站识别方法，其特征在于，所述识别方法至少包括：
利用移动通信终端获取所有可接入基站的信息，计算每一个基站的C1准则值和C2准则值；
在贝叶斯模型中分别查找与所述C1准则值和C2准则值相等的特征值，获取所述特征值的正向权重值和负向权重值，作为所述C1准则值和C2准则值的正向权重值和负向权重值，其中，所述正向权重值表示包含C1准则值或C2准则值的基站为正常基站的概率，所述负向权重值表示包含C1准则值或C2准则值的基站为伪基站的概率；
根据所述C1准则值和C2准则值的正向权重值计算所述基站的第一概率整合值；根据所述C1准则值和C2准则值的负向权重值计算所述基站的第二概率整合值，其中，所述第一概率整合值表示所述基站为正常基站的概率，所述第二概率整合值表示所述基站为伪基站的概率；
根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站。
2.根据权利要求1所述的基于贝叶斯模型的伪基站识别方法，其特征在于：利用移动通信终端的安卓操作系统，直接调用系统函数获得当前实时测量的附近6个基站的C1准则值和C2准则值。
3.根据权利要求1所述的基于贝叶斯模型的伪基站识别方法，其特征在于：所述贝叶斯模型通过预先训练获得，获得方法为：
对于训练集中已判断判断区别为正常基站和伪基站的每一个基站，进行C1准则值和C2准则值的测量，对所述C1准则值和C2准则值进行分类，每一类所述C1准则值或C2准则值作为所述贝叶斯模型的特征值；
针对所述贝叶斯模型的每一个特征值，根据该特征值的num1及预先设定的所述训练集中正常基站的总个数Ntotal，计算该特征值得正向权重值，其中，所述num1为所述训练集中包含该特征值的基站的数量；根据该特征值的num2及预先设定的所述训练集中基站的总个数Ntotal’，计算该特征值得负向权重值，其中，所述num2为所述训练集中包含该特征值的基站的数量。
4.根据权利要求3所述的基于贝叶斯模型的伪基站识别方法，其特征在于：所述特征值的正向权重值等于Ntotal/num1；所述特征值的负向权重值等于Ntotal’/num2。
5.根据权利要求1所述的基于贝叶斯模型的伪基站识别方法，其特征在于：所述根据所述C1准则值和C2准则值的正向权重值计算所述基站的第一概率整合值；根据所述C1准则值和C2准则值的负向权重值计算所述基站的第二概率整合值，具体计算方法分别为：
所述第一概率整合值P正具体计算方法为：
其中，P1表示C1准则值的正向权重值，P2表示C2准则值的正向权重值；
所述第一概率整合值P正具体计算方法为：
其中，P3表示C1准则值的负向权重值，P4表示C2准则值的负向权重值。
6.根据权利要求1所述的基于贝叶斯模型的伪基站识别方法，其特征在于：根据所述第一概率整合值和第二概率整合值，判定所述基站是否为伪基站，具体判定方法为：
将所述第一概率整合值与第二概率整合值相减，得到一差值，然后将所述差值与一预设值比较，若所述差值大于所述预设值，则判定所述基站为伪基站；若所述差值小于所述预设值，则判定所述基站为正常基站。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510374205.0A CN106332086B (zh) | 2015-06-30 | 2015-06-30 | 一种基于贝叶斯模型的伪基站识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510374205.0A CN106332086B (zh) | 2015-06-30 | 2015-06-30 | 一种基于贝叶斯模型的伪基站识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106332086A true CN106332086A (zh) | 2017-01-11 |
| CN106332086B CN106332086B (zh) | 2019-06-04 |
Family
ID=57722765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510374205.0A Active CN106332086B (zh) | 2015-06-30 | 2015-06-30 | 一种基于贝叶斯模型的伪基站识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106332086B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107968690A (zh) * | 2017-11-14 | 2018-04-27 | 维沃移动通信有限公司 | 终端设备射频通路异常的检测方法及装置 |
| CN110178395A (zh) * | 2017-09-08 | 2019-08-27 | 华为技术有限公司 | 伪基站识别方法和终端 |
| CN111650549A (zh) * | 2020-06-13 | 2020-09-11 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 现场电表故障识别方法及移动设备可读储存介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104244253A (zh) * | 2014-10-16 | 2014-12-24 | 北京奇虎科技有限公司 | 识别伪基站的方法和装置 |
| CN104301894A (zh) * | 2014-09-01 | 2015-01-21 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
-
2015
- 2015-06-30 CN CN201510374205.0A patent/CN106332086B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104301894A (zh) * | 2014-09-01 | 2015-01-21 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
| CN104244253A (zh) * | 2014-10-16 | 2014-12-24 | 北京奇虎科技有限公司 | 识别伪基站的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 尚青为: "《北京邮电大学》", 10 March 2015 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110178395A (zh) * | 2017-09-08 | 2019-08-27 | 华为技术有限公司 | 伪基站识别方法和终端 |
| CN107968690A (zh) * | 2017-11-14 | 2018-04-27 | 维沃移动通信有限公司 | 终端设备射频通路异常的检测方法及装置 |
| CN107968690B (zh) * | 2017-11-14 | 2019-10-15 | 维沃移动通信有限公司 | 终端设备射频通路异常的检测方法及装置 |
| CN111650549A (zh) * | 2020-06-13 | 2020-09-11 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 现场电表故障识别方法及移动设备可读储存介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106332086B (zh) | 2019-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105451232B (zh) | 伪基站检测方法、系统及终端、服务器 | |
| CN105704734B (zh) | 一种指定类型小区的检测方法、装置和通信终端 | |
| CN103648096A (zh) | 一种非法基站入侵的快速检测与定位方法 | |
| CN106658508B (zh) | 伪基站识别和伪基站信息共享的方法、设备及系统 | |
| CN110178408A (zh) | 无线通信系统中的小区历史使用 | |
| CN104581730A (zh) | 一种伪基站实时判别方法及系统 | |
| TWI675602B (zh) | 偽基地台小區之識別方法與裝置 | |
| WO2007010225A1 (en) | Method of compiling a list of identifiers associated with a mobile device user | |
| CN103812583B (zh) | 一种基于认知无线电系统的协作频谱感知方法和设备 | |
| CN108271225B (zh) | 一种网络获取方法和装置 | |
| CN103582080A (zh) | 用于搜索无线电小区和移动终端的方法 | |
| CN105517077A (zh) | 网络重选和网络切换的方法、基站及移动终端 | |
| CN102421129B (zh) | 多模多卡多待移动终端的邻区测量方法 | |
| Kim et al. | Efficient ANDSF-assisted Wi-Fi control for mobile data offloading | |
| CN108093404B (zh) | 一种信息处理方法及装置 | |
| CN106899948A (zh) | 伪基站发现方法、系统、终端及服务器 | |
| CN109068330A (zh) | 伪基站识别处理方法、设备及存储介质 | |
| CN106332086A (zh) | 一种基于贝叶斯模型的伪基站识别方法 | |
| CN104270762A (zh) | 在gsm及lte网络中伪基站的检测方法 | |
| CN106060829B (zh) | 一种伪基站识别装置及方法 | |
| CN106998554A (zh) | 一种伪基站的识别方法及装置 | |
| CN110178395A (zh) | 伪基站识别方法和终端 | |
| CN109195203A (zh) | 无线局域网的参数配置方法、装置、终端及存储介质 | |
| CN106211242A (zh) | 一种网络切换方法及装置 | |
| CN105992214A (zh) | 伪基站的识别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |