CN111615178B - 识别无线网络类型及模型训练的方法、装置及电子设备 - Google Patents

Abstract

本申请的实施例基于人工智能中的机器学习技术，提供了一种识别无线网络类型的方法、装置、计算机可读介质及电子设备。该识别无线网络类型的方法包括：获取无线网络的网络信息，从无线网络在周期时段内的连接信息对应的矩阵中提取出连接特征，从无线网络的配置和热度对应的属性信息对应的特征向量中提取出无线网络的属性特征，以对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果，最后基于分类结果精确确定无线网络的网络类型，以根据网络类型对无线网络进行相应的处理，进而避免无线网络资源的浪费，提高无线网络的安全性。

Description

识别无线网络类型及模型训练的方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种识别无线网络类型的方法、装置、计算机可读介质及电子设备。

背景技术

无线网络是是指无需布线就能实现各种通信设备互联的网络。无线网络技术涵盖的范围很广，在实际生活中，通过建立远距离无线网络来传输语音和数据，或者通过近距离无线网络实现红外线及射频技术。无线网络按照其应用场所可以分为很多类型，而很多时候用户在连接无线网络时往往不能区分无线网络的类型，进而造成网络资源的浪费，或者威胁网络安全等问题。

发明内容

本申请的实施例提供了一种识别无线网络类型的方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以精确识别无线网络的类型，进而避免网络资源的浪费，或者威胁网络安全等问题发生。

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。

根据本申请实施例的一个方面，提供了一种识别无线网络类型的方法，包括：获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；基于所述分类结果，确定所述无线网络的类型。

根据本申请实施例的一个方面，提供了一种识别无线网络类型的模型训练方法，其特征在于，包括：获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的模型。

根据本申请实施例的一个方面，提供了一种识别无线网络类型的装置，包括：获取单元，用于获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；提取单元，用于从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；分类单元，用于对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；确定单元，用于基于所述分类结果，确定所述无线网络的类型。

在本申请的一些实施例中，基于前述方案，所述提取单元包括：处理单元，用于将所述属性信息进行编码处理，得到所述属性信息对应的第一特征向量；第一提取单元，用于基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征。

在本申请的一些实施例中，基于前述方案，所述第一提取单元包括：第一降维单元，用于在所述多层感知网络的第一层网络中，对所述第一特征向量进行降维，得到第二特征向量；第二降维单元，用于在所述多层感知网络的第二层网络中，对所述第二特征向量进行降维，得到所述属性特征。

在本申请的一些实施例中，基于前述方案，所述无线网络的属性信息包括以下信息中的至少一个：所述无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过所述无线网络的历史终端在第二时段内的活跃天数、终端连接所述无线网络的日均时长、同一终端连接所述无线网络的日均次数、以及周期内的连接重复率；所述处理单元包括：编码单元，用于对所述属性信息进行编码，得到编码信息；排布单元，用于根据排布顺序，对所述编码信息进行排布，得到所述第一特征向量。

在本申请的一些实施例中，基于前述方案，所述识别无线网络类型的装置还包括：重复率单元，用于根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量。

在本申请的一些实施例中，基于前述方案，所述提取单元包括：第一矩阵单元，用于根据所述固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；第二矩阵单元，用于基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵；线性变换单元，用于对所述第二矩阵进行线性变换，得到所述连接特征。

在本申请的一些实施例中，基于前述方案，所述第二矩阵单元包括：第一卷积单元，用于将所述第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；第一池化单元，用于对所述第一卷积结果进行池化处理，得到中间矩阵；第二卷积单元，用于将所述中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；第二池化单元，用于对所述第二卷积结果进行池化处理，得到所述第二矩阵。

在本申请的一些实施例中，基于前述方案，所述分类单元包括：融合单元，用于对所述属性特征和所述连接特征进行融合，得到所述网络综合特征；第一输入单元，用于将所述网络综合特征输入全连接层，得到输出向量；第二输入单元，用于将所述输出向量输入分类器中，得到所述分类结果。

在本申请的一些实施例中，基于前述方案，所述获取单元包括：信息获取单元，用于获取所述无线网络的标识信息、连接所述无线网络的终端的标识信息；信息提取单元，用于根据所述无线网络的标识信息和所述终端的标识信息，从无线网络特征库中提取对应的信息，作为所述网络信息。

在本申请的一些实施例中，基于前述方案，所述属性信息包括所述无线网络的文本特征；在本申请的一些实施例中，基于前述方案，所述获取单元包括：标识信息获取单元，用于获取所述无线网络的标识信息；分词单元，用于对所述标识信息进行分词，得到分词结果；扩充单元，用于根据词汇样本，对所述分词结果进行嵌入处理，得到扩充词汇；抽取单元，用于抽取所述扩充词汇中的关键词，得到所述文本特征。

在本申请的一些实施例中，基于前述方案，所述无线网络的类型包括办公区无线网络和非办公区无线网络；所述识别无线网络类型的装置还包括：标注单元，用于若所述无线网络的类型为办公区无线网络，则提高所述无线网络的连接权限。

根据本申请实施例的一个方面，提供了一种识别无线网络类型的模型训练装置，其特征在于，包括：样本获取单元，用于获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；样本输入单元，用于将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；特征输入单元，用于将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；模型训练单元，用于基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的模型。

根据本申请实施例的一个方面，提供了一种计算机可读介质，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如上述实施例中所述的识别无线网络类型的方法。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的识别无线网络类型的方法。

在本申请的一些实施例所提供的技术方案中，通过获取无线网络的网络信息，从无线网络在周期时段内单位时长的连接情况对应的连接信息中提取出连接特征，从无线网络的配置和热度对应的属性信息中提取出属性特征，以对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果，最后基于所述分类结果精确确定无线网络的网络类型，以根据网络类型对无线网络进行相应的处理，进而避免无线网络资源的浪费，提高无线网络的安全性。

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，并不能限制本申请。

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，并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。

在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图2示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图3示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图4示意性示出了根据本申请的一个实施例的识别无线网络类型的方法的流程图；

图5示意性示出了根据本申请的一个实施例的无线网络的连接信息的示意图；

图6示意性示出了根据本申请的一个实施例的网络信息的特征库的示意图；

图7示意性示出了根据本申请的一个实施例的多层感知网络的示意图；

图8示意性示出了根据本申请的一个实施例的处理属性信息的示意图；

图9示意性示出了根据本申请的一个实施例的处理连接信息的示意图；

图10(a)示意性示出了根据本申请的一个实施例的连接特征和属性特征确定分类结果的示意图；

图10(b)示意性示出了根据本申请的一个实施例的根据连接信息和属性信息确定网络类型的流程；

图11示意性示出了根据本申请的一个实施例的无线网络类型标注的示意图；

图12示意性示出了根据本申请的一个实施例的识别无线网络类型的模型训练方法的流程图；

图13示意性示出了根据本申请的一个实施例的识别无线网络类型的模型训练方法的示意图；

图14示意性示出了根据本申请的一个实施例的识别无线网络类型的装置的示意图；

图15示意性示出了根据本申请的一个实施例的识别无线网络类型的模型训练装置的示意图；

图16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。

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，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，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例中。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例的充分理解。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没有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方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳式学习等技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

本申请实施例提供的方案涉及人工智能的自然语言处理和机器学习等技术，具体通过如下实施例进行说明：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器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，例如有线通信链路、无线通信链路等等。

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。

用户可以使用终端设备通过网络104与服务器105交互，以接收或发送消息等。服务器105可以是提供各种无线网络的网络信息给终端设备。例如用户利用终端设备103(也可以是终端设备101或102)获取到服务器105发送的网络信息之后，提取网络信息的连接信息中的连接特征，提取网络信息的属性信息中的属性特征；对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果；基于分类结果确定无线网络的类型。本实施例通过基于无线网络各种信息进行分析，得到精确的网络类型，以根据网络类型对无线网络进行相应的处理，进而避免无线网络资源的浪费，提高无线网络的安全性。

需要说明的是，本申请实施例所提供的识别无线网络类型的方法一般由服务器105执行，相应地，识别无线网络类型的装置一般设置于服务器105中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的识别无线网络类型的的方案。

图2示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图2所示，系统架构可以包括终端设备(如图2中所示智能手机201、平板电脑202和便携式计算机203中的一种或多种，当然也可以是台式计算机等等)和无线网络204。

在本申请的一个实施例中，无线网络204中可以存储与其相关的网络信息。

在本申请的一个实施例中，终端设备具有通过无线网络204获取到无线网络204中的网络信息的权限。

示例性的，本实施例中终端设备直接通过无线网络204获取到网络信息，提取网络信息的连接信息中的连接特征，提取网络信息的属性信息中的属性特征；对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果；基于分类结果确定无线网络的类型。本实施例通过基于无线网络各种信息进行分析，得到精确的网络类型。这种通过终端获取网络信息并进行识别的方式，可以直接确定无线网络的类型，而不需要通过其它的媒介，进而可以提高网络识别的效率。

图3示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图3所示，系统架构可以包括终端设备(如图3中所示智能手机301，当然也可以是平板电脑、便携式计算机、台式计算机中的一种或多种等等)和多个无线网络302～304。

在本申请的一个实施例中，一个终端设备可以搜索到多个无线网络。

在终端设备搜索到无线网络之后，获取无线网络的网络信息，提取网络信息的连接信息中的连接特征，提取网络信息的属性信息中的属性特征；对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果；基于分类结果确定无线网络的类型。通过同步识别到多个无线网络的类型，并在终端设备中标注出网络类型，可以通过终端设备自主连接相应网络类型对应的无线网络，或者避免连接某些网络类型对应的无线网络。

通过这种方式可以在用户使用终端设备连接网络时，提高网络类型的识别效率，进而选择合适的网络类型的无线网络进行连接，提高网络连接的智能化。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图4示出了根据本申请的一个实施例的识别无线网络类型的方法的流程图，该识别无线网络类型的方法可以由服务器来执行，也可以由终端设备执行。参照图4所示，该识别无线网络类型的方法至少包括步骤S410至步骤S440，详细介绍如下：

在步骤S410中，获取待识别类型的无线网络的网络信息，网络信息包括无线网络在周期时段内的连接信息、以及无线网络的配置和热度对应的属性信息。

在本申请的一个实施例中，获取无线网络的网络信息的方式可以是直接从网络数据库中获取的方式；还可以是在搜索无线网络之后，对得到的搜索结果进行数据查询，得到网络信息；除此之外，还可以通过无线网络的管理设备，对其网络信息进行获取。

在本申请的一个实施例中，网络信息包括无线网络在某一周期时段内的单位时长中的连接情况对应的连接信息，连接信息用于清楚表示出在每个单位时长中的连接情况。

图5示出了根据本申请的一个实施例的无线网络的连接信息的示意图。

示例性的，本实施例中无线网络可以分为办公室无线网络(Wireless Fidelity，WiFi)和非办公室WiFi，本实施例中将一周作为周期时段，每小时作为单位时长，获取两个无线网络类型对应的一周内每天24小时的连接或者扫描的用户数量。

如图5所示，图5中表示了某办公室WiFi和某超市WiFi在某一周每天24小时内的连接或扫描用户数，横轴代表了一天的24小时的单位时长510，纵轴代表了周一～周日的周期时段520，具体的，0代表周日，1～6分别依次代表周一到周六。颜色深浅度用于表示该天该小时内连接或者扫描的用户数量530，例如，颜色深代表该天该小时内的连接或扫描用户数多，反之用户数少。

如图5a所示，办公室WiFi和的连接用户大多集中在周一至周五的8点至19点，即正常上班时间；如图5b所示，而非办公室WiFi则比较分散，比如，超市可能是周六最活跃，其他时间分布的较为离散无明显规律。

在本申请的一个实施例中，网络信息包括无线网络的配置和热度对应的属性信息。示例性的，本实施例中无线网络的属性信息包括以下信息中的至少一个：无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过无线网络的历史终端在第二时段内的活跃天数、终端连接无线网络的日均时长、同一终端连接无线网络的日均次数、以及周期内的连接重复率。

可选的，无线网络的加密信息可以包括已加密或者未加密，针对已加密的无线网络，还可以在加密信息中包含其具体的加密类型。

可选的，由于在一些区域中的多个无线网络中，可能存在多个无线网络，这些网络的名称属于同一体系，例如无线网络的服务集标识(Service Set Identifier，SSID)中具有相同的前缀，以使得用户更加清楚无线网络的归属，因此，本实施例中的属性信息中通过确定同一区域中具有相同标识前缀的无线网络的数目，以作为衡量无线网络类型的参考。其中，SSID的前缀可以为预设位数的字符，例如SSID的前8位字符。

可选的，日均连接数量用于表示无线网络在每一天的连接人数；第一时段内的连接数量中第一时段可以为一个月、三个月等，此处不做限定，第一时段内的连接数量可以为近三个月连接的设备数；连接过无线网络的历史终端在第二时段内的活跃天数可以为近三个月连接用户的活跃天数；终端连接无线网络的日均时长和同一终端连接无线网络的日均次数可以为用户每天连接的平均时长、平均次数等。

在本申请的一个实施例中，计算周期内的连接重复率的方式可以包括如下步骤：

根据第一数量除以第二数量得到的商，确定无线网络在周期内的连接重复率；

其中，第一数量为一周期内连接无线网络的终端的数量，第二数量为一周期及其相邻的至少两个周期内都连接无线网络的终端的数量。

具体的，本实施例中通过确定一周期内连接无线网络的终端的数量，以及包含该一周期内的连接无线网络的终端的数量，基于两个数量之间的商，确定在该一周期时段内的连接重复率。示例性的，针对同一无线网络，本周连接用户数除以本周连接且上周连接的用户数得到每周连接人数的重合率。

本实施例中通过计算连接重复率，可以通过连接重复率来确定一周期内的连接数量的情况，进而提高数据统计的精确性。

在本申请的一个实施例中，步骤S410中获取无线网络的网络信息的过程包括如下步骤：

获取无线网络的标识信息、连接无线网络的终端的标识信息；

根据无线网络的标识信息和终端的标识信息，从无线网络特征库中提取对应的信息，作为网络信息。

在本申请的一个实施例中，为了更加全面的存储一个无线网络的网络信息，本实施例中在获取网络信息之前，可以预先构建一个特征库。通过将网络标识和连接无线网络的终端标识，进行关联存储，得到对应的数据，即特征库中存储了每个无线网络对应的特征。示例性的，网络标识可以为SSID，终端标识为基本服务集标识符(Basic Service SetIdentifier，BSSID)，可以为接入无线网络的终端设备的mac地址，最后得到的网络信息的关联存储可以表示为WiFi(SSID，BSSID)，即网络标识为SSID的无线网络的终端BSSID的连接信息。

图6示出了根据本申请的一个实施例的网络信息的特征库的示意图。

如图6所示，本实施例中的终端设备BSSID_1(640)可以连接到无线网络SSID_1(610)、无线网络SSID_2(620)，终端设备BSSID_2(650)可以连接到无线网络SSID_1(610)、无线网络SSID_2(620)以及无线网络SSID_3(640)。通过记录每次连接信息，可以得到WiFi(SSID_1，BSSID_1)、WiFi(SSID_1，BSSID_2)、WiFi(SSID_2，BSSID_1)、WiFi(SSID_2，BSSID_2)以及WiFi(SSID_2，BSSID_3)等连接信息，将这些信息存储至特征库660中。以使得在查找网络信息时，可以直接通过无线网络的标识，获取到相关的网络信息。

在本申请的一个实施例中，属性信息包括无线网络的文本特征；步骤S410中获取无线网络的网络信息的过程包括如下步骤：

获取无线网络的标识信息；

对标识信息进行分词，得到分词结果；

根据词汇样本，对分词结果进行嵌入处理，得到扩充词汇；

抽取扩充词汇中的关键词，得到文本特征。

在本申请的一个实施例中，属性信息中包含有无线网络的文本特征，文本特征可以为无线网络的标识信息中一些关键词的词频特征。示例性的，这些关键词可以为office、work、group、employee、Business或者Staff等，此处不做限定。本实施例中通过获取无线网络的标识信息，进行分词，得到分词结果；根据词汇样本，对分词结果进行嵌入处理，得到扩充词汇；抽取扩充词汇中的关键词，得到文本特征，以将文本特征作为属性信息中的一种，用于识别无线网络的类型。

可选的，本实施例中对标识信息进行分词的方法可以为基于自然语言(NaturalLanguage Processing，NLP)的分词算法实现；本实施例中对分词结果进行嵌入处理的方法可以为通过单词嵌入的方法实现；本实施例中抽取扩充词汇中的关键词时可以通过卷积神经网络(Convolutional Neural Networks，CNN)或循环神经网络(Recurrent NeuralNetwork，RNN)等方法。

进一步的，考虑到可能部分无线网络的连接或扫描用户数统计有缺失，且写无线网络一般分布在比较集中的商务写字楼中，因此可以通过在属性信息中加入SSID的文本特征、或者无线网络所处的地理位置相关的一些特征信息，以提高网络信息收集的全面性，进而提高网络类型识别的准确性。

在步骤S420中，提取连接信息中的连接特征；提取属性信息中的属性特征。

在本申请的一个实施例中，本实施例中连接信息和属性信息的区别在于，连接信息用于体现固定周期内每一小时的连接情况，例如其可以为一个规整的矩阵；而属性信息中包含了各种类型的网络信息。因此，对于两种类型的信息，本实施例中分别具有不同的特征提取方法。

在本申请的一个实施例中，步骤S420中提取属性信息中的属性特征的过程包括步骤S4201～步骤S4202，详细说明如下：

在步骤S4201中，将属性信息进行编码处理，得到属性信息对应的第一特征向量。

在本申请的一个实施例中，属性信息包括无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过无线网络的历史终端在第二时段内的活跃天数、终端连接无线网络的日均时长、同一终端连接无线网络的日均次数、以及周期内的连接重复率。本实施例中通过对这些信息进行提取或者编码，得到第一特征向量。

在本申请的一个实施例中，第一特征向量可以使1*N维的一个向量，例如1*30维，其中的每个数值都代表了属性信息。

在本申请的一个实施例中，步骤S4201中将属性信息进行编码处理，得到属性信息对应的第一特征向量的过程包括如下步骤：

对属性信息进行编码，得到编码信息；

根据排布顺序，对编码信息进行排布，得到第一特征向量。

在本申请的一个实施例中，考虑到属性信息中包含不同类型的数值或者字符，本实施例中对属性信息进行编码，得到字符类型统一的编码信息。之后按照设定的排布顺序，对编码信息进行排位，得到对应的第一特征向量。

在步骤S4202中，基于多层感知网络，提取第一特征向量中的特征，作为属性特征。

在本申请的一个实施例中，通过多层感知网络，以从第一特征向量中提取得到属性特征。通过属性特征来表示一个无线网络的属性和热度。

在本申请的一个实施例中，步骤S4202中基于多层感知网络，提取第一特征向量中的特征，作为属性特征的过程包括如下步骤：

在多层感知网络的第一层网络中，对第一特征向量进行降维，得到第二特征向量；

在多层感知网络的第二层网络中，对第二特征向量进行降维，得到属性特征。

图7示出了根据本申请的一个实施例的多层感知网络的示意图。

如图7所示，本实施例中的过程多层感知网络中可以包括第一层网络710和第二层网络720，其中第一层网络710的维度高于第二层网络720的维度。通过将第一特征向量依次输入第一层网络710和第二层网络720，对得到的特征向量进行降维，得到属性特征。

图8示出了根据本申请的一个实施例的处理属性信息的示意图。

如图8所示，将30维的第一特征向量810输入多层感知网络820中，经过多层感知网络中第一层网络，经线性变换输出16维的第二特征向量830；将第二特征向量输入第二层网络，经线性变换输出8维的属性特征840。

需要说明的是，本申请的多层感知网络中，第一层网络和第二层网络的激活函数可以是Relu，用以加快训练，输出层的激活函数可以是sigmoid。在全连接层之前，可以先对前面的结果进行了减少权重drop-out运算，两层网络之间再进行一次减少权重drop-out运算，以避免过拟合的情况。

在本申请的一个实施例中，步骤S420中提取连接信息中的连接特征的过程包括如下步骤：

根据固定时段内的单位时长，对连接信息中的连接数量进行排布，生成第一矩阵；

基于卷积神经网络对第一矩阵进行处理，得到第二矩阵；

对第二矩阵进行线性变换，得到连接特征。

图9示出了根据本申请的一个实施例的处理连接信息的示意图。

如图9所示，本实施例中通过卷积神经网络的方式对连接信息进行处理，得到其中的连接特征。具体的，首先，根据固定时段内的单位时长，对连接信息中的连接数量进行排布，生成第一矩阵910，示例性的，本实施例中得到的第一矩阵的维度可以为7*24；然后基于卷积神经网络920对第一矩阵910进行处理，得到第二矩阵；最后对第二矩阵进行线性变换，得到连接特征930。

可选的，本实施例中对第二矩阵进行线性变换的过程，可以为将这个矩阵展开拼接成预设维度的向量的方式，例如将矩阵展开拼接成32*6维的向量，经过一个线性变换得到一个20维的向量。

进一步的，步骤基于卷积神经网络对第一矩阵进行处理，得到第二矩阵的过程，具体包括：

将第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；

对第一卷积结果进行池化处理，得到中间矩阵；

将中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；

对第二卷积结果进行池化处理，得到第二矩阵。

在本申请的一个实施例中，卷积神经网络可以包含两层或者两层以上的卷积核。示例性的，本实施例卷积神经网络中第一数目的第一卷积核可以为16个卷积核大小为5，步长为1，填充边界padding＝2的二维卷积。用这16个卷积分别对7*24维的数据做卷积运算后，再将每个卷积核的结果进行池化处理，池化的窗口为2，窗口移动的步长为2，最后得到16*3*12的中间矩阵。本实施例卷积神经网络中第二数目的第二卷积核可以为32个卷积核大小为5，步长为1，padding＝2的卷积核。用这32个卷积核对刚才的得到的矩阵做卷积运算后，再将每个卷积核的结果进行池化处理，池化的窗口为2，窗口移动的步长为2，最后得到32*1*6的矩阵。

在步骤S430中，对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果。

在本申请的一个实施例中，在步骤S420中得到连接特征和属性特征之后，将两个类型的特征进行混合、拼接以及分类等处理，得到对应的分类结果。

在本申请的一个实施例中，步骤S430中对基于连接特征和属性特征得到的网络综合特征进行分类，得到分类结果的过程包括如下步骤：

对属性特征和连接特征进行融合，得到网络综合特征；

将网络综合特征输入全连接层，得到输出向量；

将输出向量输入分类器中，得到分类结果。

图10(a)示出了根据本申请的一个实施例的连接特征和属性特征的示意图。

如图10(a)所示，本实施例中先将属性特征1010和连接特征1020进行融合，得到网络综合特征1030，其融合的方式可以为向量之间的连接，具体的连接顺序不做限定；将网络综合特征输入全连接层(Fully Connected Layers，FC)，得到输出向量1040，本实施例中的输出向量1040可以为一个二维向量；将输出向量输入分类器softmax中，得到分类结果1050，本实施例中的可以通过0或1来分别表示不同分类结果对应的网络类型。

图10(b)示意性示出了根据本申请的一个实施例的根据连接信息和属性信息确定网络类型的流程。

如图10(b)所示，在本实施例的步骤S1010中，先获取待识别类型的无线网络的网络信息，其中包括连接信息和属性信息；在步骤S1020中，根据固定时段内的单位时长，对连接信息中的连接数量进行排布，得到第一矩阵；在步骤S1030中，通过卷积神经网络对第一矩阵进行线性变换得到连接特征，本实施例中的连接特征用于表示该无线网络的连接情况；在步骤S1040中，将属性信息进行编码处理，得到其对应的第一特征向量；以在步骤S1050中，基于多层感知网络，提取第一特征向量中的特征作为属性特征，本实施例中的属性特征用于表示无线网络的热度和属性等信息；在步骤S1060中，对属性特征和连接特征进行融合得到网络综合特征，本实施例中通过网络综合特征来表示最全面的无线网络的特征；在步骤S1070中，将网络综合特征输入全连接层，得到输出向量，将输出向量输入分类器中得到无线网络的分类结果；在步骤S1070中，基于分类结果确定无线网络的类型，以基于无线网络的类型对无线网络进行配置等处理。

本实施例中通过获取到无线网络中不同类型的数据信息，即连接信息和属性信息，并针对不同类型的数据信息通过其对应的方法进行处理，即对连接信息对应的矩阵通过卷积神经网络处理得到连接特征，对属性信息对应的特征向量通过多层感知网络处理得到属性特征，并在最后基于属性特征和连接特征融合得到网络综合特征，以根据网络综合特征确定无线网络的类型。上述方案可以在全面获取到网络信息的基础上，对其进行针对性的处理，得到精确的特征信息，以基于特征信息作出精确的网络类型搞得判断结果，提高了网络类型识别的精确性和全面性。

在步骤S440中，基于分类结果，确定无线网络的类型。

在本申请的一个实施例中，在得到分类结果之后，基于分类结果中的数值，确定无线网络的类型。本实施例中基于分类结果确定无线网络类型，依赖于网络模型训练时设定的结果与类型之间的对应关系，此处不做具体限定。

示例性的，本实施例中无线网络的类型可以包括办公区网络和非办公区网络，通过0表示非办公区网络，1表示办公区网络。在输出的分类结果为1时，表示当前的无线网络为办公区网络，分类结果为0时，表示当前的无线网络为非办公区网络。

在本申请的一个实施例中，无线网络的类型包括办公区无线网络和非办公区无线网络；在步骤S440中获取无线网络的网络信息的过程之后，还包括如下步骤：

若无线网络的类型为办公区无线网络，则提高无线网络的连接权限。

在本申请的一个实施例中，若识别到无线网络为办公区无线网络，则提高该无线网络的连接权限，以提高办公区无线网络的安全性。

图11为本申请的一个实施例的无线网络类型标注的示意图。

可选的，如图11所示，还可以在终端设备中通过标记进行标注，以提醒用户哪些网络是办公区无线网络；例如，图11中，识别到无线网络Eeeeee为办公区无线网络1110，则在无线网络的连接界面中通过标记标注出该网络，以供用户选择是否进行连接。

可选的，在网络连接的应用程序中，当一些网络可以免费连接时，可以在识别到办公区无线网络之后，避免自动连接到这些网络，以提高办公区无线网络的安全性。

除此之外，还可以在识别到办公区无线网络之后，获取平时连接这些网络的终端数据，以获取到相应办公区的终端的运行数据，对这些数据进行分析处理等。

图12示出了根据本申请的一个实施例的识别无线网络类型的模型训练方法的流程图，该识别无线网络类型的模型训练方法可以由服务器来执行，也可以由终端设备执行。参照图12所示，该识别无线网络类型的方法至少包括步骤S1210至步骤S1240，详细介绍如下：

在步骤S1210中，获取无线网络样本的样本信息；样本信息包括无线网络样本的配置和热度对应的属性样本、以及无线网络样本在周期时段内的连接情况对应的连接样本。

在本申请的一个实施例中，将识别无线网络类型的问题视为一个二分类问题，目标是根据已知样本的某些特征，建立合适的模型，用模型来判断一个新的样本属于哪种已知的样本类，即识别无线网络的网络类型，例如判断某一无线网络是否是办公室无线网络。

图13为本申请实施例提供的一种识别无线网络类型的模型训练方法的示意图。

如图13所示，在本申请的一个实施例中，无线网络的样本信息主要是从网络库中选择一定量合适的正样本和负样本，如图13中步骤S1310，正样本可以为办公室无线网络(WiFi)，负样本可以为非办公室无线网络(WiFi)；在步骤S1320中获取这些无线网络相关的特征数据生成训练集；最后在步骤S1330中，建立识别无线网络类型的模型；以在步骤S1340中通过该模型对海量无线网络进行类别预测或者识别。

可选的，本实施例中正样本可以为即办公室WiFi，本实施例中可以从网络库中挑选出包含企业名称关键字的SSID，用这些SSID匹配出对应的无线网络。示例性的，如腾讯的关键字可能是Tencent，那么SSID中含有Tencent字符串的无线网络很可能是办公室WiFi。除此之外，还可以经过一些条件筛选，比如无线网络需要满足周连接人数大于预设数量，或者该无线网络所处的地理位置附近可能有BSSID与之相似的无线网络，比如BSSID的前8位字符相同，以通过上述方式得到正样本的无线网络。

可选的，本实施例中负样本可以为不是办公室WiFi的无线网络集合，可选的，本实施例中从网络库中随机抽取一定数量的非房产小区、非基础设施、非酒店公寓、非学校、非餐馆、非无线网络品牌关键字等的无线网络。需要说明的是，这里的类别可以由无线网络和兴趣点(Point of Interesting，PoI)的匹配结果中无线网络对应的PoI的标签来排除，比如会排除匹配上房产小区类型PoI的无线网络。具体的，由无线网络和兴趣点的匹配为根据无线网络的相关信息(例如SSID、经纬度等)和PoI的相关信息(例如PoI名称、经纬度、类别等)，运用合适的匹配算法，在某个标准条件下将无线网络视为是某PoI内的无线网络，这样该无线网络可以共享与之匹配的PoI的类别标签等信息。

本实施例中通过获取无线网络样本的样本信息生成对应的训练集，本实施例中训练集可以包括特征集合1、SSID、BSSID、特征集合2以及对无线网络样本设定的标签(1/0)等，此处不做限定。这些信息具体包含的数据可以参考图4对应的实施例中的说明，此处不做赘述。

在步骤S1220中，将属性样本输入第一网络中，得到属性特征，将连接样本输入第二网络中，得到连接特征。

在本申请的一个实施例中，对样本信息中的属性样本和连接样本进行特征提取，得到对应的属性特征和连接特征。其中，将连接样本输入对应的第二网络CNN中，得到连接特征；将属性样本对应的第一网络MLP中，得到属性特征。

需要说明的是，本实施例中具体的训练方法和网络架构与图4对应的实施例中的说明对应，此处不做赘述。

在步骤S1230中，将基于属性特征和连接特征得到的网络综合特征输入分类网络中，得到无线网络样本的分类结果。

在本申请的一个实施例中，在得到属性特征和连接特征之后，将属性特征和连接特征进行融合得到网络综合特征，然后将网络综合特征输入分类网络FC中，得到无线网络样本的分类结果。

在步骤S1240中，基于分类结果和无线网络样本对应的类型标签，训练第一网络、第二网络以及分类网络，得到识别无线网络类型的模型。

在本申请的一个实施例中，在得到分类结果之后，基于分类结果和无线网络样本对应的类型标签，确定对应的损失函数，以基于损失函数训练第一网络、第二网络以及分类网络，得到识别无线网络类型的模型。

具体的，本实施例中可以通过二分类交叉熵作为损失函数，并使用适应性矩估计(adaptive moment estimation，ADAM，以优化算法和学习率衰减的技术，使得模型快速收敛，最终得到一个参数合适的识别无线网络类型的模型。以在步骤S1340中基于识别无线网络类型的模型对获取到的无线网络的网络信息进行预测或者识别，得到无线网络的类型。

在识别办公区无线网络的应用场景中，本实施例中利用无线网络的日常连接或扫描时间特点，用CNN网络抽取得到连接或扫描用户数随时间的连接特征，再结合无线网络的日常活跃用户的频次、时长和用户连接的重复率等特征，用MLP抽取特征，最后得到网络综合特征，从而更好的识别办公室WiFi。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的识别无线网络类型的方法。可以理解的是，所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。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识别无线网络类型的方法的实施例。

图14示出了根据本申请的一个实施例的识别无线网络类型的装置的框图。

参照图14所示，根据本申请的一个实施例的识别无线网络类型的装置1400，包括：

获取单元1410，用于获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；提取单元1420，用于从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；分类单元1430，用于对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；确定单元1440，用于基于所述分类结果，确定所述无线网络的类型。

在本申请的一些实施例中，基于前述方案，所述提取单元1420包括：处理单元，用于将所述属性信息进行编码处理，得到所述属性信息对应的第一特征向量；第一提取单元，用于基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征。

在本申请的一些实施例中，基于前述方案，所述第一提取单元包括：第一降维单元，用于在所述多层感知网络的第一层网络中，对所述第一特征向量进行降维，得到第二特征向量；第二降维单元，用于在所述多层感知网络的第二层网络中，对所述第二特征向量进行降维，得到所述属性特征。

在本申请的一些实施例中，基于前述方案，所述无线网络的属性信息包括以下信息中的至少一个：所述无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过所述无线网络的历史终端在第二时段内的活跃天数、终端连接所述无线网络的日均时长、同一终端连接所述无线网络的日均次数、以及周期内的连接重复率；所述处理单元包括：编码单元，用于对所述属性信息进行编码，得到编码信息；排布单元，用于根据排布顺序，对所述编码信息进行排布，得到所述第一特征向量。

在本申请的一些实施例中，基于前述方案，所述识别无线网络类型的装置1400还包括：重复率单元，用于根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量。

在本申请的一些实施例中，基于前述方案，所述提取单元1420包括：第一矩阵单元，用于根据所述固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；第二矩阵单元，用于基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵；线性变换单元，用于对所述第二矩阵进行线性变换，得到所述连接特征。

在本申请的一些实施例中，基于前述方案，所述第二矩阵单元包括：第一卷积单元，用于将所述第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；第一池化单元，用于对所述第一卷积结果进行池化处理，得到中间矩阵；第二卷积单元，用于将所述中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；第二池化单元，用于对所述第二卷积结果进行池化处理，得到所述第二矩阵。

在本申请的一些实施例中，基于前述方案，所述分类单元1430包括：融合单元，用于对所述属性特征和所述连接特征进行融合，得到所述网络综合特征；第一输入单元，用于将所述网络综合特征输入全连接层，得到输出向量；第二输入单元，用于将所述输出向量输入分类器中，得到所述分类结果。

在本申请的一些实施例中，基于前述方案，所述获取单元1410包括：信息获取单元，用于获取所述无线网络的标识信息、连接所述无线网络的终端的标识信息；信息提取单元，用于根据所述无线网络的标识信息和所述终端的标识信息，从无线网络特征库中提取对应的信息，作为所述网络信息。

在本申请的一些实施例中，基于前述方案，所述属性信息包括所述无线网络的文本特征；在本申请的一些实施例中，基于前述方案，所述获取单元1410包括：标识信息获取单元，用于获取所述无线网络的标识信息；分词单元，用于对所述标识信息进行分词，得到分词结果；扩充单元，用于根据词汇样本，对所述分词结果进行嵌入处理，得到扩充词汇；抽取单元，用于抽取所述扩充词汇中的关键词，得到所述文本特征。

在本申请的一些实施例中，基于前述方案，所述无线网络的类型包括办公区无线网络和非办公区无线网络；所述识别无线网络类型的装置1400还包括：标注单元，用于若所述无线网络的类型为办公区无线网络，则提高所述无线网络的连接权限。

图15示出了根据本申请的一个实施例的识别无线网络类型的模型训练装置的框图。

参照图15所示，根据本申请的一个实施例的识别无线网络类型的模型训练的装置1500，包括：

根据本申请实施例的一个方面，提供了一种识别无线网络类型的模型训练装置，其特征在于，包括：样本获取单元1510，用于获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；样本输入单元1520，用于将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；特征输入单元1530，用于将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；模型训练单元1540，用于基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的模型。

图16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16示出的电子设备的计算机系统1600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16所示，计算机系统1600包括中央处理单元(Central Processing Unit，CPU)1601，其可以根据存储在只读存储器(Read-Only Memory，ROM)1602中的程序或者从存储部分1608加载到随机访问存储器(Random Access Memory，RAM)1603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM1603中，还存储有系统操作所需的各种程序和数据。CPU1601、ROM1602以及RAM1603通过总线1604彼此相连。输入/输出(Input/Output，I/O)接口1605也连接至总线1604。

以下部件连接至I/O接口1605：包括键盘、鼠标等的输入部分1606；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1607；包括硬盘等的存储部分1608；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至I/O接口1605。可拆卸介质1611，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1610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1608。

特别地，根据本申请的实施例，上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计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1609从网络上被下载和安装，和/或从可拆卸介质1611被安装。在该计算机程序被中央处理单元(CPU)1601执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，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计算机程序。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计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，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。其中，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。

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。

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。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，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。

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，并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 (11)

1.一种识别无线网络类型的方法，其特征在于，包括：

获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；所述属性信息包括周期内的连接重复率，所述连接信息用于表示所述无线网络在单位时长中的连接情况；

根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量；

根据固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；

基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵，其中，所述卷积神经网络可以包含两层或者两层以上的卷积核；

对所述第二矩阵进行线性变换，得到所述连接特征；

对所述属性信息进行编码，得到编码信息；

根据排布顺序，对所述编码信息进行排布，得到第一特征向量；

基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征；

对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；

基于所述分类结果，确定所述无线网络的类型。

2.根据权利要求1所述的方法，其特征在于，基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征，包括：

在所述多层感知网络的第一层网络中，对所述第一特征向量进行降维，得到第二特征向量；

在所述多层感知网络的第二层网络中，对所述第二特征向量进行降维，得到所述属性特征。

3.根据权利要求1所述的方法，其特征在于，基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵，包括：

将所述第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；

对所述第一卷积结果进行池化处理，得到中间矩阵；

将所述中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；

对所述第二卷积结果进行池化处理，得到所述第二矩阵。

4.根据权利要求1所述的方法，其特征在于，对基于所述属性特征和所述连接特征得到的网络综合特征进行分类，得到分类结果，包括：

对所述属性特征和所述连接特征进行融合，得到所述网络综合特征；

将所述网络综合特征输入全连接层，得到输出向量；

将所述输出向量输入分类器中，得到所述分类结果。

5.根据权利要求1所述的方法，其特征在于，获取无线网络的网络信息，包括：

获取所述无线网络的标识信息、连接所述无线网络的终端的标识信息；

根据所述无线网络的标识信息和所述终端的标识信息，从无线网络特征库中提取对应的信息，作为所述网络信息。

6.根据权利要求1所述的方法，其特征在于，所述属性信息包括所述无线网络的文本特征；

获取无线网络的网络信息，包括：

获取所述无线网络的标识信息；

对所述标识信息进行分词，得到分词结果；

根据词汇样本，对所述分词结果进行嵌入处理，得到扩充词汇；

抽取所述扩充词汇中的关键词，得到所述文本特征。

7.根据权利要求1所述的方法，其特征在于，所述无线网络的类型包括办公区无线网络和非办公区无线网络；

基于所述分类结果，确定所述无线网络的类型之后，还包括：

若所述无线网络的类型为办公区无线网络，则提高所述无线网络的连接权限。

8.一种识别无线网络类型的模型训练方法，其特征在于，包括：

获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；所述属性样本对应的属性信息包括周期内的连接重复率；

根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量；

将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；

将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；

基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的模型。

9.一种识别无线网络类型的装置，其特征在于，包括：

获取单元，用于获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；所述属性信息包括周期内的连接重复率，所述连接信息用于表示所述无线网络在单位时长中的连接情况；

重复率单元，用于根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量；

提取单元，所述提取单元包括：

第一矩阵单元，用于根据固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；

第二矩阵单元，用于基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵，其中，所述卷积神经网络可以包含两层或者两层以上的卷积核；

线性变换单元，用于对所述第二矩阵进行线性变换，得到所述连接特征；

编码单元，用于对所述属性信息进行编码，得到编码信息；

排布单元，用于根据排布顺序，对所述编码信息进行排布，得到第一特征向量；

第一提取单元，用于基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征；

分类单元，用于对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；

确定单元，用于基于所述分类结果，确定所述无线网络的类型。

10.一种计算机可读介质，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如权利要求1至7中任一项所述的识别无线网络类型的方法、或者权利要求8中所述的识别无线网络类型的模型训练方法。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的识别无线网络类型的方法、或者权利要求8中所述的识别无线网络类型的模型训练方法。

Images