CN111274216B - 无线局域网的识别方法、识别装置、存储介质及电子设备 - Google Patents

无线局域网的识别方法、识别装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111274216B
CN111274216B CN202010023187.2A CN202010023187A CN111274216B CN 111274216 B CN111274216 B CN 111274216B CN 202010023187 A CN202010023187 A CN 202010023187A CN 111274216 B CN111274216 B CN 111274216B
Authority
CN
China
Prior art keywords
data
local area
wireless local
area network
user
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.)
Active
Application number
CN202010023187.2A
Other languages
English (en)
Other versions
CN111274216A (zh
Inventor
樊鹏
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010023187.2A priority Critical patent/CN111274216B/zh
Publication of CN111274216A publication Critical patent/CN111274216A/zh
Application granted granted Critical
Publication of CN111274216B publication Critical patent/CN111274216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种无线局域网的识别方法、无线局域网的识别装置、计算机可读存储介质及电子设备；涉及计算机技术领域；包括：从不同系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据以及提取用户特征数据和行为特征数据；通过提取到的数据构建样本数据，以用于训练无线局域网识别网络；根据预设评估指标对无线局域网识别网络进行评估；依据评估结果调整无线局域网识别网络的网络参数；当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应，以提升对于无线局域网的识别准确率，降低用户数据被盗用的风险。

Description

无线局域网的识别方法、识别装置、存储介质及电子设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种无线局域网的识别方法、无线局域网的识别装置、计算机可读存储介质及电子设备。
背景技术
一般来说，电子设备可以与蜂窝网络或无线局域网建立连接以实现通信功能，其中，与电子设备建立连接的无线局域网可以为公共局域网也可以为私人局域网，公共局域网的安全性相较私人局域网而言通常较低。故，需要对于电子设备当前连接的无线局域网进行识别，以根据当前局域网的所属类别进行相应的数据访问限制，降低电子设备中的用户数据被盗用的风险。
对于无线局域网的识别通常是依据人工经验策略进行的，但是，介于人工经验的局限性，上述方式通常会存在识别效率不高的问题。基于上述问题，相关人员研究得到通过识别网络识别无线局域网的解决方案，具体地，可以通过已知分类结果的无线局域网对卷积神经网络进行多次的训练，训练完成的卷积神经网络可以用于无线局域网的识别。
由于上述的识别网络依赖于已知分类结果的无线局域网，因此，该识别网络的识别准确率可能不高，而识别准确率是评判识别网络优劣的重要指标。因此，如何提升识别网络的识别准确率成为了当前亟需解决的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种无线局域网的识别方法、无线局域网的识别装置、计算机可读存储介质及电子设备，通过对用户特征和行为特征的结合，可以构建用于训练无线局域网识别网络的样本数据，通过上述样本数据训练出的无线局域网识别网络的识别准确率更高，进而，基于对无线局域网的准确识别，可以降低用户数据被盗用的风险。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请的第一方面，提供一种无线局域网的识别方法，包括：
从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据；其中，第一存储系统用于存储用户行为数据；
从第二存储系统中提取用户特征数据和行为特征数据；其中，第二存储系统用于存储用户特征数据和行为特征数据；第一存储系统独立于第二存储系统；
通过用户行为数据、用户特征数据和行为特征数据构建样本数据；
通过样本数据训练无线局域网识别网络；
根据预设评估指标对训练后的无线局域网识别网络进行评估；
依据评估结果调整无线局域网识别网络的网络参数。
当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
根据本申请的第二方面，提供一种无线局域网的识别装置，包括数据提取单元、网络训练单元、参数调整单元以及网络识别单元，其中：
数据提取单元，用于从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据；从第二存储系统中提取用户特征数据和行为特征数据；其中，第一存储系统用于存储用户行为数据；第二存储系统用于存储用户特征数据和行为特征数据；第一存储系统独立于第二存储系统；
网络训练单元，用于通过用户行为数据、用户特征数据和行为特征数据构建样本数据；通过样本数据训练无线局域网识别网络；
参数调整单元，用于根据预设评估指标对训练后的无线局域网识别网络进行评估；依据评估结果调整无线局域网识别网络的网络参数。
网络识别单元，用于当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
根据本申请的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本申请的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本申请示例性实施例可以具有以下部分或全部有益效果：
在本申请的一示例实施方式所提供的无线局域网的识别方法中，可以从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据，其中，用户行为数据可以理解为对于无线局域网的连接记录，用户特征数据可以理解为用户画像数据，行为特征数据可以理解为设备所连接的无线局域网的特征数据；以及，可以通过用户行为数据、用户特征数据和行为特征数据构建样本数据，以及，通过样本数据训练无线局域网识别网络；以及，可以根据预设评估指标对训练后的无线局域网识别网络进行评估，以及，依据评估结果调整无线局域网识别网络的网络参数，训练完成的无线局域网可以用于对连接的无线局域网进行识别；以及，当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。依据上述方案描述，本申请一方面能够通过对用户特征和行为特征的结合，构建用于训练无线局域网识别网络的样本数据，通过上述样本数据训练得到的无线局域网识别网络的识别准确率更高，进而，基于对无线局域网的准确识别，可以降低用户数据被盗用的风险；另一方面，还能够通过训练得到的无线局域网识别网络提升对于无线局域网的识别效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，以及，不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，以及，与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示出了可以应用本申请实施例的一种无线局域网的识别方法及无线局域网的识别装置的示例性系统架构的示意图；
图2示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图；
图3示意性示出了根据本申请的一个实施例的无线局域网的识别方法的流程图；
图4示意性示出了根据本申请的一个实施例的无线局域网识别网络的应用示意图；
图5示意性示出了根据本申请的另一个实施例的无线局域网的识别方法的流程图；
图6示意性示出了根据本申请的另一个实施例的无线局域网的识别方法的应用示意图；
图7示意性示出了根据本申请的又一个实施例的无线局域网的识别方法的流程图；
图8示意性示出了根据本申请的再一个实施例的无线局域网的识别方法的流程图；
图9示意性示出了根据本申请的一个实施例中的无线局域网的识别装置的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，以及，将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。
此外，附图仅为本申请的示意性图解，以及，非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本申请实施例的一种无线局域网的识别方法及无线局域网的识别装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本申请实施例所提供的无线局域网的识别方法一般由服务器105执行，相应地，无线局域网的识别装置一般设置于服务器105中。但本领域技术人员容易理解的是，本申请实施例所提供的无线局域网识别网络的训练方法也可以由终端设备101、102、103执行，相应的，无线局域网识别网络的训练装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，服务器105可以从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据；以及，通过用户行为数据、用户特征数据和行为特征数据构建样本数据，以及，通过样本数据训练无线局域网识别网络；以及，根据预设评估指标对训练后的无线局域网识别网络进行评估，以及，依据评估结果调整无线局域网识别网络的网络参数；以及，当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
图2示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地，根据本申请的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。
以下对本申请实施例的技术方案进行详细阐述：
通常情况下，对于无线局域网的识别方式包括依据预设规则进行识别以及通过非深度学习进行识别；其中，预设规则可以为人为设定的，用于识别设备当前连接的无线局域网为公共局域网还是家庭局域网；基于非深度学习的无线局域网识别方式主要包括构建多维特征以及模型训练，用于识别设备当前连接的无线局域网为公共局域网还是家庭局域网。
然而，上述的依据预设规则进行识别的方式会存在人为设定规则的局限性、预设规则的数量有限、无法捕捉预设规则之间的交互信息以及无法确定每个规则的最优参数等问题。此外，上述的通过非深度学习进行识别的方式会存在数据特征的构建效率较低且识别准确率较低的问题。
故，基于上述一个或多个问题，本示例实施方式提供了一种无线局域网的识别方法。该无线局域网的识别方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该无线局域网的识别方法可以包括以下步骤S310至步骤S340：
步骤S310：从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据；其中，第一存储系统用于存储用户行为数据；第二存储系统用于存储用户特征数据和行为特征数据；第一存储系统独立于第二存储系统。
步骤S320：通过用户行为数据、用户特征数据和行为特征数据构建样本数据，以及，通过样本数据训练无线局域网识别网络。
步骤S330：根据预设评估指标对训练后的无线局域网识别网络进行评估，以及，依据评估结果调整无线局域网识别网络的网络参数。
步骤S340：当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
在本申请实施例中，无线局域网也可以理解为Wi-Fi(Wireless Fidelity)。
下面，对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S310中，从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据；其中，第一存储系统用于存储用户行为数据；第二存储系统用于存储用户特征数据和行为特征数据；第一存储系统独立于第二存储系统。
其中，第一存储系统可以为分布式文件系统(Hadoop Distributed File System，HDFS)，HDFS主要用于读操作、写操作以及数据备份。第二存储系统可以为一种标签系统，标签系统中的标签是各个用户对应的用户特征的符号表示，标签系统中的用户特征数据可以包括用户属性、设备属性、地理位置属性、行为轨迹偏好以及应用程序使用偏好中至少一种，用户行为数据可以理解为用户设备的Wi-Fi连接记录；另外，行为特征数据可以包括在不同时间窗口内的无线局域网连接用户数量、用户数量的变化趋势、无线局域网对应的地理位置信息、无线局域网对应的类别属性以及无线局域网对应的周边信息中至少一种，行为特征数据可以理解为Wi-Fi的被连接记录；其中，类别属性可以包括但不限于家庭Wi-Fi和公共Wi-Fi等。用户特征数据也可以理解为用户画像，行为特征数据也可以理解为Wi-Fi画像。
另外，可选的，在从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据之前，还可以包括以下步骤：基于Hive SQL对用户识别请求对应的日志数据进行用户行为数据提取，以及，将提取到的用户行为数据存储于第一存储系统中；以及，将日志数据中除用户行为数据之外的冗余数据丢弃，这样可以减少冗余数据对于第一存储系统存储空间的占用，提升对于用户行为特征的处理效率。其中，用户识别请求可以为一个或多个，基于Hive SQL从日志数据中提取到的用户行为数据可以为一个或多个用户对应的用户行为数据。此外，需要说明的是，Hive是建立在Hadoop体系架构上的一层SQL抽象，使得相关人员可以通过结构化查询语言(Structured Query Language，SQL)进行数据处理。Hadoop是分布式系统基础架构，Hadoop用于实现第一存储系统(如，HDFS)。
进一步地，从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据的方式可以为：基于Hive SQL从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据。其中，基于Hive SQL从第一存储系统中提取到的用户行为数据可以为针对一个用户的用户行为数据。
在步骤S320中，通过用户行为数据、用户特征数据和行为特征数据构建样本数据，以及，通过样本数据训练无线局域网识别网络。
其中，无线局域网识别网络用于识别无线局域网的类别属性，如，家庭Wi-Fi、公共Wi-Fi等。样本数据的数量可以为一个或多个，各样本数据分别存在对应的标签，即，类别属性。
具体地，通过用户行为数据、用户特征数据和行为特征数据构建样本数据的方式可以为：基于SPARK和TensorFlow并通过用户行为数据、用户特征数据和行为特征数据构建得到样本数据。
另外，可选的，无线局域网识别网络可以为XdeepFM(eXtreme DeepFactorization Machine)模型，XdeepFM可以理解为压缩交互网络(CompressedInteraction Network，CIN)与深度神经网络(Deep Neural Networks，DNN)的融合。具体地，通过样本数据训练无线局域网识别网络的方式可以为：通过TensorFlow以及样本数据执行XdeepFM算法，以实现对于无线局域网识别网络的训练，其中，TensorFlow是一个基于数据流编程的符号数学系统，应用于机器学习算法的编程实现。请参阅图4，图4示意性示出了根据本申请的一个实施例的无线局域网识别网络的应用示意图。图4包括图401、图402和图403，具体地：
在图401中，可以将输入的样本数据组织成一个矩阵，记为x0，将无线局域网识别网络中的隐藏层分别组织成一个矩阵，记为xk，其中，k用于表示无线局域网识别网络中的隐藏层数量，k为正整数。第k层隐藏层含有Hk条神经元向量，第k层隐藏层是基于前一层隐藏层对应的矩阵xk和样本数据对应的矩阵x0的点乘计算得出的，计算得出的结果可以为zk +1，是一个三维张量；其中，通过m表示三维张量中神经元向量的维数以及x0中的神经元向量个数，通过D表示三维张量的深度、x0中的神经元向量维数以及xk中的神经元向量维数。具体地，在图401中，
Figure BDA0002361526970000101
用于表示xk中的第一列向量，/>
Figure BDA0002361526970000102
用于表示x0中的第一列向量，通过xk和x0中各列向量的点乘可以得到第k层隐藏层对应的三维张量。
在图402中，基于第k层隐藏层对应的三维张量，可以确定出Hk+1个尺寸为m*Hk的卷积核，通过该卷积核可以生成下一层隐藏层的状态xk+1，xk+1中包括特征图1、……、特征图Hk+1。另外，特征图1、……、特征图Hk+1中各特征图的深度不同，各特征图可以表示为向量，各向量的维数为D。
在图403中，x1、x2、……、xk为不同深度的隐藏层，每一层隐藏层通过池化操作连接至输出层，这样可以保证输出结果中包含不同阶数的样本特征向量，进而，将不同阶数的特征向量进行拼接并通过激活函数对其进行归一化处理，可以得到大分类特征；其中，上述池化操作可以为平均池化，也可以为最大池化，本申请实施例不作限定。进一步地，可以通过分类器对待分类特征进行分类，以及根据分类结果确定样本数据对应的预测数据。
需要说明的是，无线局域网识别网络中的隐藏层结构可以为200-400-100，图401中隐藏层数量可以为200层，图402中隐藏层数量可以为400层，图403中隐藏层数量可以为100层。
可见，通过图4所示的无线局域网识别网络的应用示意图，可以在保留低阶交互信息和高阶交互信息的前提下，提取得到样本数据对应的样本特征向量，该样本特征向量中还保留了隐性特征间的交互信息以及显性特征间的交互信息；进而，依据该样本特征向量可以确定样本数据对应的预测数据，即，样本数据所属的类别属性。这样可以提升对于样本数据的识别准确率以及对于无线局域网识别网络的训练效率。
本申请实施例中，可选的，通过用户行为数据、用户特征数据和行为特征数据构建样本数据，包括：
对用户行为数据进行特征提取，得到用户行为特征向量；
对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量，以及，将用户特征向量和行为特征向量进行拼接，得到参考特征向量；
将用户行为特征向量和参考特征向量进行拼接，得到样本数据。
其中，样本数据可以为一个高维向量，样本数据为无线局域网识别网络的输入。
具体地，对用户行为数据进行特征提取，得到用户行为特征向量的方式可以为：通过分布数据处理引擎SPARK或Hive SQL对用户行为数据进行特征提取，得到用户行为特征向量。用户行为特征向量可以用于构建样本数据，用户行为特征向量可以理解为用户历史上连接Wi-Fi的行为数据。
进一步地，对用户行为数据、用户特征数据和行为特征数据的特征提取可以基于One-Hot Encoding、Count Encoding、Category Embedding、NaN Embedding、Consolidation Encoding、Feature Scaling和/或WiFi Trajectory Embedding等特征提取方式；其中，One-Hot Encoding可以应用于对用户属性中的用户性别进行特征提取，Count Encoding可以应用于对用户行为数据中用户与Wi-Fi POI(Point of Interest)的兴趣程度进行标识，POI为信息点(如，XX公交站)。应用Category Embedding这种特征提取方式，可以将高维稀疏分类变量转换为低维稠密的嵌入变量，避免无线局域网识别网络过拟合，提升网络稳定性。应用NaN Embedding这种特征提取方式的优势在于能够将用户行为数据、用户特征数据和行为特征数据中的缺失值转换为嵌入表示的方式。应用Consolidation Encoding有利于将类别属性下的多个Wi-Fi画像数据转换为统一格式，如，安卓手机的系统版本特征的多个取值里包括“4.2”、“4.4”和“5.0”，由于“4.2”、“4.4”和“5.0”均属于低版本安卓系统，故，可以将上述三个值转换为统一的“低版本安卓系统”。Feature Scaling可以根据数值型特征的分布情况，自动化选择最优归一化方法消除特征之间的量纲差异，提升无线局域网识别网络的稳定性。WiFi Trajectory Embedding可以基于MST-CNN深度学习网络进行特征提取，具体包括：对用户的WiFi轨迹数据进行嵌入，以确定用户行为数据。
具体地，对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量的方式可以为：根据预设映射规则将用户特征数据和行为特征数据映射在同一向量空间下，根据用户特征数据和行为特征数据在向量空间中的位置确定用户特征数据和行为特征数据分别对应的用户特征向量和行为特征向量。
可见，实施该可选的实施例，能够结合用户行为、Wi-Fi画像和用户画像构建样本数据，以提升对于无线局域网识别网络的训练效果。
本申请实施例中，可选的，通过样本数据训练无线局域网识别网络，包括：
从第一存储系统中提取与用户行为数据对应的用户反馈数据；
将样本数据输入所述无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据；
计算用户反馈数据与预测数据之间的第二损失函数；
根据第二损失函数调整无线局域网识别网络的网络参数。
其中，预测数据可以理解为识别出的样本数据所属的类别属性，如，家庭WIFI类别。用户反馈数据可以理解为样本数据真实的类别属性，由于预测数据为无线局域网识别网络所识别的样本数据所属的类别属性，因此，该类别属性与真实的类别属性之间的第二损失函数越小，表示无线局域网识别网络的预测准确率越高。具体地，第二损失函数可以为均方误差、平方损失、平均绝对误差或平滑平均绝对误差等，本申请实施例不作限定。
可见，实施该可选的实施例，能够通过对无线局域网识别网络的参数调整，提升无线局域网识别网络的识别准确率，进而准确匹配与设备当前连接的无线局域网的标签。
进一步地，将样本数据输入无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据，包括：
将样本数据输入无线局域网识别网络，以及，通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量；
通过无线局域网识别网络中的激活函数计算样本特征向量对应的待分类特征；
通过分类器对待分类特征进行分类，以及，根据分类结果确定样本数据对应的预测数据。
其中，样本特征向量的数量可以为一个或多个，本申请实施例不作限定，待分类特征可以为样本特征向量的拼接结果。另外，分类器可以为二分类器也可以为多分类器，本申请实施例不作限定；其中，若为二分类器，对应的表达式可以为
Figure BDA0002361526970000131
θ为权重集合，用于表示待分类特征与所属类别之间相关性的方向，x为待分类特征，b为偏置项，也可以理解为误差，b为常数，Y为待分类特征对应的线性函数；若为多分类器，对应的表达式可以为/>
Figure BDA0002361526970000132
x为待分类特征。另外，分类结果中包括一个或多个数值，数值的表示方式可以为百分比或小数，数值用于表示样本数据属于该数值对应类别的概率(如，0.7或70％)。此外，上述的激活函数可以为sigmoid函数、tanh函数、ReLU函数、ELU函数或PReLU函数等，本申请实施例不作限定。/>
具体可选的，通过分类器对待分类特征进行分类，以及，根据分类结果确定样本数据对应的预测数据的方式可以为：通过分类器计算待分类特征属于各类别的概率，将概率确定为分类结果，以及，将分类结果中的最高概率对应的类别确定为样本数据对应的预测数据。另外，还可以包括以下步骤：输出分类结果，以便于相关人员根据分类结果中各类别的概率对无线识别网络中的网络参数进行优化。
此外，可选的，在通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量之后，上述方法还可以包括以下步骤：对无线局域网识别网络进行过拟合处理。这样可以一定程度上避免隐藏层对于局部特征的依赖；其中，过拟合处理可以理解为对无线局域网识别网络中的部分隐藏层的丢弃。
可见，实施该可选的实施例，能够对样本数据进行特征处理以及特征识别，进而可以根据样本数据对应的特征向量对其进行分类，依据分类结果可以调整无线局域网识别网络的网络参数，以实现对于设备连接的无线局域网的准确识别。
在步骤S330中，根据预设评估指标对训练后的无线局域网识别网络进行评估，以及，依据评估结果调整无线局域网识别网络的网络参数。
其中，预设评估指标用于评价无线局域网识别网络的训练效果。
本申请实施例中，可选的，根据预设评估指标对训练后的无线局域网识别网络进行评估，包括：
根据预设评估指标中的线上评估指标和线下评估指标对训练后的无线局域网识别网络分别进行线上评估和线下评估。
其中，线下评估指标可以包括但不限于ROC曲线下方的面积(AUC)和标准化基尼系数(Gini Normalization)等；其中，ROC是接收者操作特征(receiveroperatingcharacteristic)，ROC的曲线上各点用于反映对同一信号刺激的感受性。线上评估指标可以包括但不限于用户正向反馈率和用户留存率等，可选的，线上评估指标也可以包括用户正向反馈率和用户留存率中至少一个，本申请实施例不作限定；其中，用户正向反馈率用于表示用户对于无线局域网识别网络的识别效果反馈，用户留存率用于表征基于无线局域网识别网络的应用程序对应的用户使用黏度。另外，线上评估指标可以为正向指标也可以为负向指标，线下评估指标同理，本申请实施例不作限定。正向指标所评估的无线局域网识别网络对应的线上评估结果数值越高表示该无线局域网识别网络的识别准确率越高；负向指标所评估的无线局域网识别网络对应的线上评估结果数值越低表示该无线局域网识别网络的识别准确率越高。需要说明的是，上述的正向反馈率、用户留存率、GiniNormalization和AUC均为正向指标。
具体地，若预设评估指标中的线上评估指标为识别准确率，根据预设评估指标中的线上评估指标对训练后的无线局域网识别网络进行线上评估的方式可以为：依据测试环境搭建规则构建实验组测试环境和对照组测试环境；以及，计算训练后的无线局域网识别网络在实验组测试环境中的第一识别准确率(如，0.6)，以及，计算训练前的无线局域网识别网络在对照组测试环境中的第二识别准确率(如，0.8)；以及，计算第一识别准确率和第二识别准确率之间的差值(如，0.2)，将该差值作为线上评估结果。其中，第一识别准确率和第二识别准确率可以通过百分数或小数进行表示，本申请实施例不作限定。另外，测试环境搭建规则用于指示服务器或终端设备构建测试环境，测试环境搭建规则限定了测试环境中的各项环境参数，如，实验组数量。
此外，可选的，若预设评估指标中的线上评估指标为用户正向反馈率，根据预设评估指标中的线上评估指标对训练后的无线局域网识别网络进行线上评估的方式可以为：依据测试环境搭建规则构建实验组测试环境和对照组测试环境；以及，采集训练后的无线局域网识别网络在实验组测试环境下对应的第一用户正向反馈率(如，20％)以及训练前的无线局域网识别网络在对照组测试环境下对应的第二用户正向反馈率(如，80％)；以及，将第一用户正向反馈率和第二用户正向反馈率的差值(如，60％)确定为线上评估结果。举例来说，若差值为60％，则表示训练后的无线局域网识别网络的识别准确率得到提升。
具体地，若线下评估指标为AUC，根据预设评估指标中的线下评估指标对训练后的无线局域网识别网络进行线下评估的方式可以为：通过测试数据对训练后的无线局域网识别网络进行测试，得到测试结果，测试结果用于表征测试数据中的无线局域网的类别属性；其中，测试数据由用户行为数据、用户特征数据和行为特征数据构建得到，构建测试数据的用户行为数据、用户特征数据和行为特征数据与构建样本数据的用户行为数据、用户特征数据和行为特征数据可以相同可以不同，也可以部分相同，本申请实施例不作限定；以及，根据测试结果和测试数据对应的原始类别属性绘制ROC曲线，其中，测试数据包括正样本和负样本，正样本用于表示无线局域网为家庭Wi-Fi，负样本用于表示无线局域网非家庭Wi-Fi(如，公司Wi-Fi)，另外，ROC曲线的横坐标用于表示预测为正实际为负的样本占负样本的第一比例，纵坐标用于表示预测为正实际为正的样本占正样本的第二比例；以及，将第一比例和第二比例确定为线下评估结果。
此外，可选的，若线下评估指标为Gini Normalization，根据预设评估指标中的线下评估指标对训练后的无线局域网识别网络进行线下评估的方式可以为：通过测试数据对训练后的无线局域网识别网络进行测试，得到测试结果，测试结果用于通过数值表征测试数据中的无线局域网的类别属性，测试结果中可以包括多个数值；其中，测试数据由用户行为数据、用户特征数据和行为特征数据构建得到，构建测试数据的用户行为数据、用户特征数据和行为特征数据与构建样本数据的用户行为数据、用户特征数据和行为特征数据可以相同可以不同，也可以部分相同，本申请实施例不作限定；以及，将测试结果中的数值进行排序得到第一排序结果，以及将测试数据的原始类别属性对应的数值进行排序得到第二排序结果；以及，将第一排序结果和第二排序结果进行标准化(可以理解为，将数值转换至[0,1]之间)，以及，根据标准化后的第一排序结果和第二排序结果分别绘制曲线，将曲线之间的区域面积确定为线下评估结果。
需要说明的是，在上述可选的实施例中，对训练后的无线局域网识别网络分别进行的线上评估和线下评估不限定执行顺序，可以先进行线上评估再进行线下评估，也可以先进行线下评估再进行线上评估。
可见，实施该可选的实施例，通过对训练后的无线局域网识别网络进行的线上评估和线下评估，能够有利于调整无线局域网识别网络的网络参数，进而提升无线局域网识别网络的识别准确类率。另外，通过线上评估，能够确定出线上评估结果，而线上评估结果可以用于表征一部分用户对于无线局域网识别网络的使用体验，以便于在进行网络参数优化时根据识别准确率进行参数调整并兼顾用户的使用体验，进而提升无线局域网识别网络的识别效果以及用户使用黏度。
本申请实施例中，可选的，依据评估结果调整无线局域网识别网络的网络参数，包括：
结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果和线下评估结果中至少一个属于预设数值范围(如，[20,50])。
其中，网络参数可以包括但不限于无线局域网识别网络中的权重以及偏置项等。预设数值范围用于限定线上评估结果和线下评估结果的所处范围，线上评估结果和线下评估结果中至少一个处于预设数值范围内可以表示无线局域网识别网络的识别准确率符合预期。
另外，结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果和线下评估结果中至少一个属于预设数值范围的方式可以为：结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果和线下评估结果均属于预设数值范围；或者，结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果或线下评估结果属于预设数值范围。
可见，实施该可选的实施例，能够结合线上评估结果和线下评估结果调整无线局域网识别网络中的网络参数，提升对于无线局域网识别网络的训练效率以及训练效果。
本申请实施例中，可选的，依据评估结果调整无线局域网识别网络的网络参数之后，上述方法还可以包括以下步骤：
根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件；其中，网络信息包括无线局域网识别网络的路径信息列表、网络权重以及变量权重中至少一种。
其中，根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件，可以理解为对于无线局域网识别网络的固化；具体包括：基于TensorFlow的Saver()方法并根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件，网络信息是无线局域网识别网络的数字化表示。此外，用于记录无线局域网识别网络的网络信息的文件可以包括checkpoint文件、model.ckpt.data文件、model.ckpt.index.data文件和.index文件；其中，model.ckpt.index.data文件和.index文件为二进制文件，checkpoint文件用于记录路径信息列表，model.ckpt.data文件用于记录网络权重，model.ckpt.index.data文件和.index文件用于记录变量权重。
可见，实施该可选的实施例，能够对训练后的无线局域网识别网络进行固化，便于对该无线局域网识别网络的调用，提升对于无线局域网的识别效率。
步骤S340：当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
本申请实施例中，可选的，当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，包括：
当检测到用户识别请求时，从缓存中提取实时用户特征数据和实时行为特征数据；
通过实时用户特征数据和实时行为特征数据构建待输入数据并输入无线局域网识别网络，以使得无线局域网识别网络识别实时行为特征数据的行为属性。
进一步地，通过所述实时用户特征数据和所述实时行为特征数据构建待输入数据并输入所述无线局域网识别网络，以使得所述无线局域网识别网络识别所述实时行为特征数据的行为属性之后，还包括：
接收与实时行为特征数据对应的用户反馈数据，以及，将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中。
其中，缓存用于暂存实时用户特征数据和实时行为特征数据，可以理解为，缓存中暂存了设备当前连接的Wi-Fi的行为数据以及该Wi-Fi的画像数据。另外，行为属性本质上与类别属性所表征的意思相同，不同之处在于，行为属性用于对无线局域网的在线识别过程，类别属性用于对无线局域网的离线识别过程。
具体地，基于上述可选实施例中对无线局域网识别网络的固化，通过实时用户特征数据和实时行为特征数据构建待输入数据并输入无线局域网识别网络的方式可以为：根据用于记录无线局域网识别网络的网络信息的文件调用无线局域网识别网络，以及，通过实时用户特征数据和实时行为特征数据构建待输入数据以及输入无线局域网识别网络。
可见，实施该可选的实施例，能够将训练后的无线局域网识别网络应用于无线局域网的在线识别，以及，将用户反馈数据以及用户的行为属性进行相应的存储，以便于对无线局域网识别网络的进一步优化，提升无线局域网识别网络的识别准确率。
进一步地，接收与实时行为特征数据对应的用户反馈数据之后，上述方法还可以包括以下步骤：
计算实时行为特征数据对应的用户反馈数据与行为属性之间的第一损失函数；
根据第一损失函数更新网络参数。
其中，第一损失函数可以为均方误差、平方损失、平均绝对误差或平滑平均绝对误差等，本申请实施例不作限定。
可见，实施该可选的实施例，能够通过对网络参数的不断更新，提升无线局域网识别网络的识别准确性。
进一步地，将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中之后，上述方法还可以包括以下步骤：
对第一存储系统中的用户反馈数据按照预设规则进行统计并存储统计结果；其中，预设规则包括预设时间窗口(如，2天)、预设时间段(如，每周一)以及预设地理位置(如，XX公交站)中至少一种。
其中，可选的，对第一存储系统中的用户反馈数据按照预设规则进行统计并存储统计结果的方式可以为：将用户反馈数据按照预设时间窗口、预设时间段和/或预设地理位置进行统计并存储统计结果，例如，对设备连接的地理位置相同的Wi-Fi进行统计、对预设时间段内设备连接的地理位置相同的Wi-Fi进行统计等。统计结果可以为一个或多个，本申请实施例不作限定。
另外，上述方法还可以包括以下步骤：根据统计结果预测用户偏好并输出。
可见，实施该可选的实施例，能够通过预设规则对设备连接的Wi-Fi进行统计，进而有利于根据统计结果确定用户偏好。
进一步地，将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中之后，上述方法还可以包括以下步骤：
对第一存储系统中存储的用户反馈数据进行冗余数据筛除处理。
其中，冗余数据可以理解为非重要信息，如，用于表示用户不知道当前连接的Wi-Fi是否为家庭Wi-Fi的数据。
可见，实施该可选的实施例，能够通过对冗余数据的筛除，提升无线局域网的识别效率。
可见，实施图3所示的方法，能够通过对用户特征和行为特征的结合，构建用于训练无线局域网识别网络的样本数据，通过上述样本数据训练得到的无线局域网识别网络的识别准确率更高，进而，基于对无线局域网的准确识别，可以降低用户数据被盗用的风险；以及，能够通过训练得到的无线局域网识别网络提升对于无线局域网的识别效率。
请参阅图5，图5示意性示出了根据本申请的另一个实施例的无线局域网的识别方法的流程图。如图5所示，另一个实施例的无线局域网的识别方法包括步骤S500～步骤S528，具体地：
步骤S500：存储用户行为数据。
步骤S502：提取用户行为数据。
步骤S504：对用户行为数据进行特征提取，得到用户行为特征向量。
步骤S506：对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量。
步骤S508：将用户特征向量和行为特征向量进行拼接，得到参考特征向量。
步骤S510：将用户行为特征向量和参考特征向量进行拼接，得到样本数据。
步骤S512：通过样本数据对无线局域网识别网络进行训练。
步骤S514：根据预设评估指标中的线下评估指标对训练后的无线局域网识别网络进行线下评估。
步骤S516：根据预设评估指标中的线上评估指标对训练后的无线局域网识别网络进行线上评估。
步骤S518：根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件。
步骤S520：检测到用户识别请求。
步骤S522：从缓存中提取实时用户特征数据和实时行为特征数据。
步骤S524：特征拼接。
步骤S526：基于用于记录无线局域网识别网络的网络信息的文件调用无线局域网识别网络，以实时判断当前连接的Wi-Fi是否为家庭Wi-Fi。
步骤S528：接收用户对当前连接的Wi-Fi预测数据的实时反馈。
具体地，在离线识别过程中，终端设备或服务器可以从数据库的相关表_1、相关表_2、……、相关表_n中确定用户特征数据和行为特征数据，其中，n为正整数，相关表_1、相关表_2、……、相关表_n用于存储用户特征数据以及行为特征数据；进而，可以对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量，以及，将用户特征向量和行为特征向量进行特征拼接，可以得到参考特征向量。并行执行的还有对用户行为数据进行的特征提取，据此可以得到用户行为特征向量。在此之前，可以先对用户行为进行存储，以便于从中提取该用户行为数据。进而，可以将用户行为特征向量和参考特征向量进行拼接，得到样本数据，以及，通过样本数据对无线局域网识别网络进行训练，以及，根据预设评估指标中的线上评估标准和线下评估标准对无线局域网识别网络进行线上评估和线下评估，在图5中，优选的是，先对无线局域网识别网络进行线下评估再对其进行线上评估。进而，可以根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件，即，固化该无线局域网识别网络。
在线识别过程中，可以在检测到用户识别请求之后，从缓存中提取实时用户特征数据和实时行为特征数据，进而将实时用户特征数据和实时行为特征数据进行拼接，得到输入数据。基于用于记录无线局域网识别网络的网络信息的文件调用无线局域网识别网络，以根据输入数据判断当前连接的Wi-Fi是否为家庭Wi-Fi，以及，接收用户对当前连接的Wi-Fi的预测数据的实时反馈。
基于图5所示的另一个实施例的无线局域网的识别方法，请参阅图6，图6示意性示出了根据本申请的另一个实施例的无线局域网的识别方法的应用示意图。图6包括三个部分：原始数据积累601、数据特征工程602、模型训练和评估603。
在原始数据积累601中，可以对日志数据进行上报和存储，以便于进行日志提取和数据存储。进而，可以基于日志数据进而原始特征提取得到用户行为数据对应的用户行为特征向量，以及用户特征数据和行为特征数据分别对应的用户特征向量和行为特征向量。进而，可以进行原始特征存储，即，存储用户行为特征向量、用户特征向量和行为特征向量。进一步地，在数据特征工程602中，可以基于Spark进行常规特征处理，具体包括：将用户特征向量和行为特征向量进行拼接，得到参考特征向量，以及，将用户行为特征向量和参考特征向量进行拼接，得到样本数据。进而，可以将样本数据存储于HDFS，以及，基于TensorFlow进行Embedding特征处理，可以理解为，通过TensorFlow实现对于样本数据的嵌入处理，嵌入结果可以存储于HDFS，嵌入结果可以表示为矩阵。进一步地，在模型训练和评估603中，可以对嵌入结果进行特征提取和特征拼接，进而实现模型训练，即，对无线局域网识别网络的训练，具体包括：通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量，以及，通过无线局域网识别网络中的激活函数计算样本特征向量对应的待分类特征，待分类特征可以为经过激活函数处理后的样本特征向量的拼接结果，以及，通过分类器对待分类特征进行分类，以及，根据分类结果确定样本数据对应的预测数据，计算用户反馈数据与预测数据之间的第二损失函数，以及，根据第二损失函数调整无线局域网识别网络的网络参数。进而，可以进行模型线下评估以及模型线上评估，等同于上述的，根据预设评估指标中的线上评估指标和线下评估指标对训练后的无线局域网识别网络分别进行线上评估和线下评估。若模型线下评估或线上评估未达到预期(可以理解为，线上评估结果或线下评估结果不属于预设数值范围)，则基于相应的评估结果继续进行模型训练。
结合图6所示的无线局域网的识别方法的应用示意图，请参阅图7，图7示意性示出了根据本申请的又一个实施例的无线局域网的识别方法的流程图，图7与图6和图5相对应。如图7所示，又一个实施例的无线局域网的识别方法包括步骤S700～步骤S722，具体地：
步骤S700：对用户行为数据进行特征提取，得到用户行为特征向量。
步骤S702：对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量。
步骤S704：将用户特征向量和行为特征向量进行拼接，得到参考特征向量。
步骤S706：将用户行为特征向量和参考特征向量进行拼接，得到样本数据。
步骤S708：通过样本数据对无线局域网识别网络进行训练。
步骤S710：根据预设评估指标中的线下评估指标对训练后的无线局域网识别网络进行线下评估。
步骤S712：检测无线局域网识别网络是否符合预期，如果是，则执行步骤S714；如果否，则执行步骤S708。
步骤S714：根据预设评估指标中的线上评估指标对训练后的无线局域网识别网络进行线上评估。
步骤S716：检测无线局域网识别网络是否符合预期，如果是，则执行步骤S718；如果否，则执行步骤S708。
步骤S718：根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件。
步骤S720：基于用于记录无线局域网识别网络的网络信息的文件调用无线局域网识别网络，以实时判断当前连接的Wi-Fi是否为家庭Wi-Fi。
步骤S722：接收用户对当前连接的Wi-Fi预测数据的实时反馈。
需要说明的是，步骤S700～步骤S722与图5中的步骤S504～步骤S518以及步骤S526～步骤S528相对应，对于步骤S700～步骤S722的限定请参阅图5对应的具体表述，此处不再赘述。
进一步地，请参阅图8，图8示意性示出了根据本申请的再一个实施例的无线局域网的识别方法的流程图。如图8所示，再一个实施例的无线局域网的识别方法可以包括步骤S800～步骤S834，其中：
步骤S800：从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据。
步骤S802：对用户行为数据进行特征提取，得到用户行为特征向量。
步骤S804：对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量，以及，将用户特征向量和行为特征向量进行拼接，得到参考特征向量。
步骤S806：将用户行为特征向量和参考特征向量进行拼接，得到样本数据。
步骤S808：从第一存储系统中提取与用户行为数据对应的用户反馈数据。
步骤S810：将样本数据输入无线局域网识别网络，以及，通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量。
步骤S812：通过无线局域网识别网络中的激活函数计算样本特征向量对应的待分类特征。
步骤S814：通过分类器对待分类特征进行分类，以及，根据分类结果确定样本数据对应的预测数据。
步骤S816：计算用户反馈数据与预测数据之间的第二损失函数。
步骤S818：根据第二损失函数调整无线局域网识别网络的网络参数。
步骤S820：根据预设评估指标中的线上评估指标和线下评估指标对训练后的无线局域网识别网络分别进行线上评估和线下评估。
步骤S822：结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果和线下评估结果中至少一个属于预设数值范围。
步骤S824：根据参数调整后的无线局域网识别网络生成至少一个用于记录无线与局域网识别网络的网络信息的文件；其中，网络信息包括无线局域网识别网络的路径列表、网络权重以及变量权重中至少一种。
步骤S826：当检测到用户识别请求时，从缓存中提取实时用户特征数据和实时行为特征数据。
步骤S828：通过实时用户特征数据和实时行为特征数据构建待输入数据并输入无线局域网识别网络，以使得无线局域网识别网络识别实时行为特征数据的行为属性并反馈。
步骤S830：接收与实时行为特征数据对应的用户反馈数据，以及，将实时行为特征数据对应的用户反馈数据和行为属性成对存储与第一存储系统中。
步骤S832：计算实时行为特征数据对应的用户反馈数据与行为属性之间的第一损失函数。
步骤S834：根据第一损失函数更新网络参数。
需要说明的是，步骤S800～步骤S834与图3中的步骤及具体实施方式相同，对于步骤S800～步骤S834的限定，请参阅图3的实施例，此处不再赘述。另外声明，图8示意性示出的是对于图3中步骤及具体实施方式的执行顺序的限定。
可见，实施图8所示的方法，能够通过对用户特征和行为特征的结合，构建用于训练无线局域网识别网络的样本数据，通过上述样本数据训练得到的无线局域网识别网络的识别准确率更高，进而，基于对无线局域网的准确识别，可以降低用户数据被盗用的风险；以及，能够通过训练得到的无线局域网识别网络提升对于无线局域网的识别效率。
进一步的，本示例实施方式中，还提供了一种无线局域网的识别装置。该无线局域网的识别装置可以应用于服务器或终端设备。参考图9所示，该无线局域网的识别装置900可以包括数据提取单元901、网络训练单元902、参数调整单元903以及网络识别单元904，其中：
数据提取单元901，用于从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据，以及，从第二存储系统中提取用户特征数据和行为特征数据；其中，第一存储系统用于存储用户行为数据；第二存储系统用于存储用户特征数据和行为特征数据；第一存储系统独立于第二存储系统；
网络训练单元902，用于通过用户行为数据、用户特征数据和行为特征数据构建样本数据，以及，通过样本数据训练无线局域网识别网络；
参数调整单元903，用于根据预设评估指标对训练后的无线局域网识别网络进行评估，以及，依据评估结果调整无线局域网识别网络的网络参数；
网络识别单元904，用于当检测到用户识别请求时，根据网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，无线局域网与用户识别请求相对应。
其中，用户特征数据包括用户属性、设备属性、地理位置属性、行为轨迹偏好以及应用程序使用偏好中至少一种；行为特征数据包括在不同时间窗口内的无线局域网连接用户数量、用户数量的变化趋势、无线局域网对应的地理位置信息、无线局域网对应的类别属性以及无线局域网对应的周边信息中至少一种。
可见，实施图9所示的无线局域网的识别装置，能够通过对用户特征和行为特征的结合，构建用于训练无线局域网识别网络的样本数据，通过上述样本数据训练得到的无线局域网识别网络的识别准确率更高，进而，基于对无线局域网的准确识别，可以降低用户数据被盗用的风险；以及，能够通过训练得到的无线局域网识别网络提升对于无线局域网的识别效率。
在本申请的一种示例性实施例中，网络训练单元902通过用户行为数据、用户特征数据和行为特征数据构建样本数据的方式具体可以为：
网络训练单元902对用户行为数据进行特征提取，得到用户行为特征向量；
网络训练单元902对用户特征数据和行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量，以及，将用户特征向量和行为特征向量进行拼接，得到参考特征向量；
网络训练单元902将用户行为特征向量和参考特征向量进行拼接，得到样本数据。
可见，实施该示例性实施例，能够结合用户行为、Wi-Fi画像和用户画像构建样本数据，以提升对于无线局域网识别网络的训练效果。
在本申请的一种示例性实施例中，网络训练单元902通过样本数据训练无线局域网识别网络的方式具体可以为：
网络训练单元902从第一存储系统中提取与用户行为数据对应的用户反馈数据；
网络训练单元902将样本数据输入所述无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据；
网络训练单元902计算用户反馈数据与预测数据之间的第二损失函数；
网络训练单元902根据第二损失函数调整无线局域网识别网络的网络参数。
可见，实施该示例性实施例，能够通过对无线局域网识别网络的参数调整，提升无线局域网识别网络的识别准确率，进而准确匹配与设备当前连接的无线局域网的标签。
在本申请的一种示例性实施例中，网络训练单元902将样本数据输入无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据的方式具体可以为：
网络训练单元902将样本数据输入无线局域网识别网络，以及，通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量；
网络训练单元902通过无线局域网识别网络中的激活函数计算样本特征向量对应的待分类特征；
网络训练单元902通过分类器对待分类特征进行分类，以及，根据分类结果确定样本数据对应的预测数据。
可见，实施该示例性实施例，能够对样本数据进行特征处理以及特征识别，进而可以根据样本数据对应的特征向量对其进行分类，依据分类结果可以调整无线局域网识别网络的网络参数，以实现对于设备连接的无线局域网的准确识别。
在本申请的一种示例性实施例中，参数调整单元903根据预设评估指标对训练后的无线局域网识别网络进行评估的方式具体可以为：
参数调整单元903根据预设评估指标中的线上评估指标和线下评估指标对训练后的无线局域网识别网络分别进行线上评估和线下评估。
可见，实施该示例性实施例，通过对训练后的无线局域网识别网络进行的线上评估和线下评估，能够有利于调整无线局域网识别网络的网络参数，进而提升无线局域网识别网络的识别准确类率。另外，通过线上评估，能够确定出线上评估结果，而线上评估结果可以用于表征一部分用户对于无线局域网识别网络的使用体验，以便于在进行网络参数优化时根据识别准确率进行参数调整并兼顾用户的使用体验，进而提升无线局域网识别网络的识别效果以及用户使用黏度。
在本申请的一种示例性实施例中，参数调整单元903依据评估结果调整无线局域网识别网络的网络参数的方式具体可以为：
参数调整单元903结合线上评估结果和线下评估结果调整无线局域网识别网络的网络参数，直到线上评估结果和线下评估结果中至少一个属于预设数值范围。
可见，实施该示例性实施例，能够结合线上评估结果和线下评估结果调整无线局域网识别网络中的网络参数，提升对于无线局域网识别网络的训练效率以及训练效果。
在本申请的一种示例性实施例中，上述装置还可以包括文件生成单元(未图示)，其中：
文件生成单元，用于在参数调整单元903依据评估结果调整无线局域网识别网络的网络参数之后，根据参数调整后的无线局域网识别网络生成至少一个用于记录无线局域网识别网络的网络信息的文件；其中，网络信息包括无线局域网识别网络的路径信息列表、网络权重以及变量权重中至少一种。
可见，实施该示例性实施例，能够对训练后的无线局域网识别网络进行固化，便于对该无线局域网识别网络的调用，提升对于无线局域网的识别效率。
在本申请的一种示例性实施例中，网络识别单元904当检测到用户识别请求时，根据所述网络参数调整后的无线局域网识别网络识别所述用户识别请求对应的无线局域网的行为属性的方式具体可以为：
网络识别单元904在参数调整单元903依据评估结果调整无线局域网识别网络的网络参数之后，当检测到用户识别请求时，从缓存中提取实时用户特征数据和实时行为特征数据；
网络识别单元904通过实时用户特征数据和实时行为特征数据构建待输入数据并输入无线局域网识别网络，以使得无线局域网识别网络识别实时行为特征数据的行为属性。
在本申请的一种示例性实施例中，上述装置还可以包括，数据存储单元(未图示)，其中：
数据存储单元，用于在网络识别单元904通过所述实时用户特征数据和所述实时行为特征数据构建待输入数据并输入所述无线局域网识别网络，以使得所述无线局域网识别网络识别所述实时行为特征数据的行为属性之后，接收与实时行为特征数据对应的用户反馈数据，以及，将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中。
可见，实施该示例性实施例，能够将训练后的无线局域网识别网络应用于无线局域网的在线识别，以及，将用户反馈数据以及用户的行为属性进行相应的存储，以便于对无线局域网识别网络的进一步优化，提升无线局域网识别网络的识别准确率。
在本申请的一种示例性实施例中，上述装置还可以包括损失函数计算单元(未图示)，其中：
损失函数计算单元，用于在数据存储单元接收与实时行为特征数据对应的用户反馈数据之后，计算实时行为特征数据对应的用户反馈数据与行为属性之间的第一损失函数；
参数调整单元，还用于根据第一损失函数更新网络参数。
可见，实施该示例性实施例，能够通过对网络参数的不断更新，提升无线局域网识别网络的识别准确性。
在本申请的一种示例性实施例中，上述装置还可以包括数据统计单元(未图示)，其中：
数据统计单元，用于在数据存储单元将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中之后，对第一存储系统中的用户反馈数据按照预设规则进行统计并存储统计结果；其中，预设规则包括预设时间窗口、预设时间段以及预设地理位置中至少一种。
可见，实施该示例性实施例，能够通过预设规则对设备连接的Wi-Fi进行统计，进而有利于根据统计结果确定用户偏好。
在本申请的一种示例性实施例中，上述装置还可以包括数据筛除单元(未图示)，其中：
数据筛除单元，用于在数据存储单元将实时行为特征数据对应的用户反馈数据和行为属性成对存储于第一存储系统中之后，对第一存储系统中存储的用户反馈数据进行冗余数据筛除处理。
可见，实施该示例性实施例，能够通过对冗余数据的筛除，提升无线局域网的识别效率。
在本公开的一种示例性实施例中，网络训练单元902通过样本数据训练无线局域网识别网络的方式具体可以为：
网络训练单元902从第一存储系统中提取与用户行为数据对应的用户反馈数据；
网络训练单元902将样本数据输入所述无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据；
网络训练单元902计算用户反馈数据与预测数据之间的第一损失函数；
网络训练单元902根据第一损失函数调整无线局域网识别网络的网络参数。
可见，实施该示例性实施例，能够通过对无线局域网识别网络的参数调整，提升无线局域网识别网络的识别准确率，进而准确匹配与设备当前连接的无线局域网的标签。
在本公开的一种示例性实施例中，网络训练单元902将样本数据输入无线局域网识别网络，以使得无线局域网识别网络输出与样本数据对应的预测数据的方式具体可以为：
网络训练单元902将样本数据输入无线局域网识别网络，并通过无线局域网识别网络对样本数据进行卷积处理以及池化处理，得到样本特征向量；
网络训练单元902通过无线局域网识别网络中的激活函数计算样本特征向量对应的待分类特征；
网络训练单元902通过分类器对待分类特征进行分类，并根据分类结果确定样本数据对应的预测数据。
可见，实施该示例性实施例，能够对样本数据进行特征处理以及特征识别，进而可以根据样本数据对应的特征向量对其进行分类，依据分类结果可以调整无线局域网识别网络的网络参数，以实现对于设备连接的无线局域网的准确识别。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
由于本申请的示例实施例的无线局域网的识别装置的各个功能模块与上述无线局域网的识别方法的示例实施例的步骤对应，因此对于本申请装置实施例中未披露的细节，请参照本申请上述的无线局域网的识别的实施例。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，以及，且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (15)

1.一种无线局域网的识别方法，其特征在于，包括：
从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据；其中，所述第一存储系统用于存储所述用户行为数据，所述用户行为数据为用户设备的无线局域网连接记录；
从第二存储系统中提取用户特征数据和行为特征数据；其中，所述第二存储系统用于存储所述用户特征数据和所述行为特征数据，所述用户特征数据为用户画像数据，所述行为特征数据为无线局域网的特征数据；所述第一存储系统独立于所述第二存储系统；
通过所述用户行为数据、所述用户特征数据和所述行为特征数据构建样本数据；
通过所述样本数据训练无线局域网识别网络；
根据预设评估指标对训练后的无线局域网识别网络进行评估；
依据评估结果调整所述无线局域网识别网络的网络参数；
当检测到用户识别请求时，根据所述网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，所述无线局域网与所述用户识别请求相对应，所述行为属性包括家庭无线局域网或者公共无线局域网。
2.根据权利要求1所述的方法，其特征在于，通过所述用户行为数据、所述用户特征数据和所述行为特征数据构建样本数据，包括：
对所述用户行为数据进行特征提取，得到用户行为特征向量；
对所述用户特征数据和所述行为特征数据进行特征提取，分别得到用户特征向量和行为特征向量；
将所述用户特征向量和所述行为特征向量进行拼接，得到参考特征向量；
将所述用户行为特征向量和所述参考特征向量进行拼接，得到所述样本数据。
3.根据权利要求1所述的方法，其特征在于，根据预设评估指标对训练后的无线局域网识别网络进行评估，包括：
根据预设评估指标中的线上评估指标和线下评估指标对训练后的无线局域网识别网络分别进行线上评估和线下评估。
4.根据权利要求3所述的方法，其特征在于，依据评估结果调整所述无线局域网识别网络的网络参数，包括：
结合线上评估结果和线下评估结果调整所述无线局域网识别网络的网络参数，直到所述线上评估结果和所述线下评估结果中至少一个属于预设数值范围。
5.根据权利要求1所述的方法，其特征在于，依据评估结果调整所述无线局域网识别网络的网络参数之后，所述方法还包括：
根据参数调整后的无线局域网识别网络生成至少一个用于记录所述无线局域网识别网络的网络信息的文件；其中，所述网络信息包括所述无线局域网识别网络的路径信息列表、网络权重以及变量权重中至少一种。
6.根据权利要求1所述的方法，其特征在于，当检测到用户识别请求时，根据所述网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，包括：
当检测到所述用户识别请求时，从缓存中提取实时用户特征数据和实时行为特征数据；
通过所述实时用户特征数据和所述实时行为特征数据构建待输入数据并输入所述无线局域网识别网络，以使得所述无线局域网识别网络识别所述实时行为特征数据的行为属性。
7.根据权利要求6所述的方法，其特征在于，通过所述实时用户特征数据和所述实时行为特征数据构建待输入数据并输入所述无线局域网识别网络，以使得所述无线局域网识别网络识别所述实时行为特征数据的行为属性之后，所述方法还包括：
接收与所述实时行为特征数据对应的用户反馈数据；
将实时行为特征数据对应的用户反馈数据和所述行为属性成对存储于所述第一存储系统中。
8.根据权利要求6所述的方法，其特征在于，接收与所述实时行为特征数据对应的用户反馈数据之后，所述方法还包括：
计算所述实时行为特征数据对应的用户反馈数据与所述行为属性之间的第一损失函数；
根据所述第一损失函数更新所述网络参数。
9.根据权利要求6所述的方法，其特征在于，将实时行为特征数据对应的用户反馈数据和所述行为属性成对存储于所述第一存储系统中之后，所述方法还包括：
对所述第一存储系统中的用户反馈数据按照预设规则进行统计并存储统计结果；其中，所述预设规则包括预设时间窗口、预设时间段以及预设地理位置中至少一种。
10.根据权利要求6所述的方法，其特征在于，将实时行为特征数据对应的用户反馈数据和所述行为属性成对存储于所述第一存储系统中之后，所述方法还包括：
对所述第一存储系统中存储的用户反馈数据进行冗余数据筛除处理。
11.根据权利要求1所述的方法，其特征在于，通过所述样本数据训练无线局域网识别网络，包括：
从所述第一存储系统中提取与所述用户行为数据对应的用户反馈数据；
将所述样本数据输入所述无线局域网识别网络，以使得所述无线局域网识别网络输出与所述样本数据对应的预测数据；
计算所述用户反馈数据与所述预测数据之间的第二损失函数；
根据所述第二损失函数调整所述无线局域网识别网络的网络参数。
12.根据权利要求11所述的方法，其特征在于，将所述样本数据输入所述无线局域网识别网络，以使得所述无线局域网识别网络输出与所述样本数据对应的预测数据，包括：
将所述样本数据输入所述无线局域网识别网络；
通过所述无线局域网识别网络对所述样本数据进行卷积处理以及池化处理，得到样本特征向量；
通过所述无线局域网识别网络中的激活函数计算所述样本特征向量对应的待分类特征；
通过分类器对所述待分类特征进行分类，以及，根据分类结果确定所述样本数据对应的预测数据。
13.一种无线局域网的识别装置，其特征在于，包括：
数据提取单元，用于从第一存储系统中提取用于表征用户特征与行为特征之间的关系的用户行为数据；从第二存储系统中提取用户特征数据和行为特征数据；其中，所述第一存储系统用于存储所述用户行为数据，所述用户行为数据为用户设备的无线局域网连接记录；所述第二存储系统用于存储所述用户特征数据和所述行为特征数据，所述用户特征数据为用户画像数据，所述行为特征数据为无线局域网的特征数据；所述第一存储系统独立于所述第二存储系统；
网络训练单元，用于通过所述用户行为数据、所述用户特征数据和所述行为特征数据构建样本数据；通过所述样本数据训练无线局域网识别网络；
参数调整单元，用于根据预设评估指标对训练后的无线局域网识别网络进行评估；依据评估结果调整所述无线局域网识别网络的网络参数；
网络识别单元，用于当检测到用户识别请求时，根据所述网络参数调整后的无线局域网识别网络识别无线局域网的行为属性，所述无线局域网与所述用户识别请求相对应，所述行为属性包括家庭无线局域网或者公共无线局域网。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-12任一项所述的方法。
15.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-12任一项所述的方法。
CN202010023187.2A 2020-01-09 2020-01-09 无线局域网的识别方法、识别装置、存储介质及电子设备 Active CN111274216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023187.2A CN111274216B (zh) 2020-01-09 2020-01-09 无线局域网的识别方法、识别装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023187.2A CN111274216B (zh) 2020-01-09 2020-01-09 无线局域网的识别方法、识别装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN111274216A CN111274216A (zh) 2020-06-12
CN111274216B true CN111274216B (zh) 2023-05-23

Family

ID=70998801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023187.2A Active CN111274216B (zh) 2020-01-09 2020-01-09 无线局域网的识别方法、识别装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111274216B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备
CN107704838A (zh) * 2017-10-19 2018-02-16 北京旷视科技有限公司 目标对象的属性识别方法及装置
CN108111516A (zh) * 2017-12-26 2018-06-01 珠海市君天电子科技有限公司 基于无线局域网的安全通信方法、装置和电子设备
CN109698836A (zh) * 2019-02-01 2019-04-30 重庆邮电大学 一种基于深度学习的无线局域网入侵检测方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105979577A (zh) * 2016-05-11 2016-09-28 百度在线网络技术（北京）有限公司 一种获取用户到访信息的方法和系统
CN108112016B (zh) * 2016-11-24 2020-11-17 腾讯科技（深圳）有限公司 无线局域网安全评估方法及装置
US10984452B2 (en) * 2017-07-13 2021-04-20 International Business Machines Corporation User/group servicing based on deep network analysis
CN109951846B (zh) * 2019-03-25 2020-10-27 腾讯科技（深圳）有限公司 无线网络识别方法、装置、存储介质及计算机设备
CN110353693A (zh) * 2019-07-09 2019-10-22 中国石油大学(华东) 一种基于WiFi的手写字母识别方法及系统
CN110458040A (zh) * 2019-07-19 2019-11-15 安徽亿联网络科技有限公司 一种基于wifi的智能场景识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备
CN107704838A (zh) * 2017-10-19 2018-02-16 北京旷视科技有限公司 目标对象的属性识别方法及装置
CN108111516A (zh) * 2017-12-26 2018-06-01 珠海市君天电子科技有限公司 基于无线局域网的安全通信方法、装置和电子设备
CN109698836A (zh) * 2019-02-01 2019-04-30 重庆邮电大学 一种基于深度学习的无线局域网入侵检测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Naim Bitar et al..Wireless Technology Identification Using Deep Convolutional Neural Networks.IEEE.2018,第1-6页. *
余莲.针对无线网络的入侵检测系统设计方法研究.微型机与应用.2010,第29卷(第315期),第47-50页. *

Also Published As

Publication number Publication date
CN111274216A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
WO2019218748A1 (zh) 一种保险业务风险预测的处理方法、装置及处理设备
CN113837308B (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
CN112231592A (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN111241992B (zh) 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN115082920A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN111950295A (zh) 一种训练自然语言处理模型的方法和系统
CN114707041B (zh) 消息推荐方法、装置、计算机可读介质及电子设备
CN114331122A (zh) 重点人员风险等级评估方法及相关设备
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN117290561B (zh) 业务状态信息反馈方法、装置、设备和计算机可读介质
CN114445121A (zh) 一种广告点击率预测模型构建及广告点击率预测方法
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
CN111274216B (zh) 无线局域网的识别方法、识别装置、存储介质及电子设备
CN112183303A (zh) 变电设备图像分类方法、装置、计算机设备和介质
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN116258938A (zh) 基于自主进化损失的图像检索与识别方法
CN114595787A (zh) 推荐模型的训练方法、推荐方法、装置、介质及设备
CN114117037A (zh) 意图识别方法、装置、设备和存储介质
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN114298961A (zh) 图像处理方法、装置、设备及存储介质
CN113822291A (zh) 一种图像处理方法、装置、设备及存储介质
CN117058498B (zh) 分割图评估模型的训练方法、分割图的评估方法及装置
US20240104915A1 (en) Long duration structured video action segmentation
CN114117251B (zh) 一种智慧文博下融合多因素的矩阵分解个性化推荐方法

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40024177

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant