CN114154523B - 克隆标签的检测方法及装置 - Google Patents
克隆标签的检测方法及装置 Download PDFInfo
- Publication number
- CN114154523B CN114154523B CN202111243216.7A CN202111243216A CN114154523B CN 114154523 B CN114154523 B CN 114154523B CN 202111243216 A CN202111243216 A CN 202111243216A CN 114154523 B CN114154523 B CN 114154523B
- Authority
- CN
- China
- Prior art keywords
- tag
- time
- detection points
- detection
- label
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010367 cloning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000370 acceptor Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10198—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves setting parameters for the interrogator, e.g. programming parameters and operating modes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
Landscapes
- Engineering & Computer Science (AREA)
- Toxicology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种克隆标签的检测方法及装置。所述方法包括：基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签。本发明提供的克隆标签的检测方法，通过预定义的异常概率函数，确定每个标签在对应轨迹序列中任意连续检测点间的异常概率，判断所述标签是否为克隆标签，检测的准确率和精度更高，在实际环境中更具有优势。
Description
技术领域
本发明涉及物联网技术领域，具体涉及一种克隆标签的检测方法及装置。
背景技术
随着物联网的快速发展，射频识别(RFID，Radio Frequency Identification)技术在各个领域发挥着重要的作用。然而，标签受体积和/或成本的限制，成为了RFID系统中安全性最薄弱的一环，很容易受到克隆攻击。克隆标签是一个真实标签的一个或多个复制品，其行为与真实标签完全相同，能够欺骗读写器获得合法授权，导致潜在的经济损失或声誉损害。许多先进的解决方案已经被提出来对抗克隆攻击，目前的研究主要集中在基于射频指纹、同步密钥和标签轨迹等方面。
基于射频指纹的方法需要提取精确的射频信号，对信号的采集设备要求较高，现有的商用设备无法满足要求。
基于同步密钥的克隆标签检测方法需要在读写器和标签进行通信时来更新标签中的同步密钥，增加了标签和读写器间的通信量，增大了通信时延。
基于轨迹的检测方法需要大量的历史轨迹进行统计建模分析，但一些场景并不能提供大量的历史轨迹数据。并且基于历史轨迹的检测方法无法根据实际环境情况进行调整，对于突发事件的鲁棒性效果较差。对于确定型的检测方法，虽然检测效率高，但需要庞大的内存空间来存储正确轨迹，对读写器的内存要求较高。
发明内容
针对现有技术存在的问题，本发明提供一种克隆标签的检测方法及装置。
第一方面，本发明提供一种克隆标签的检测方法，包括：
基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
可选的，所述每个标签对应的轨迹序列的获取方法，包括：
基于数据清洗和数据轨迹化，确定每个所述标签的轨迹序列以及相邻检测点之间的时间差。
可选的，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率之前，所述方法还包括：
获取每个所述标签在每个固定的所述检测点的运动数据；
基于时空关系模型，以及每个所述标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
可选的，所述基于时空关系模型，以及所述每个标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵，包括：
基于伽玛分布拟合以及预设的置信度，确定相邻所述检测点之间的最小可达时间；
基于最短路径算法，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
可选的，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率，包括：
在每个标签对应的轨迹序列中，若所述标签在任意两个连续的所述检测点被读取的时间的时间差A小于等于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为所述时间差A和所述最小可达时间B比值的对数；
若所述标签在任意两个连续的所述检测点被读取的时间的时间差A大于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为零。
可选的，所述预定义的异常概率函数的公式为：
其中，tk，tk-1为任意标签被第k个检测点lk检测到的时间，被第k-1个检测点lk-1检测到的时间，MM(lk,lk-1)是在最短可达时间矩阵中两个检测点lk和lk-1间的阈值。
可选的，所述获取每个标签在每个固定的检测点的运动数据，包括：
基于在每个固定检测点设置的读写器以及RFID技术，获取每个标签的运动数据。
第二方面，本发明还提供一种克隆标签的检测电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述克隆标签的检测方法的步骤。
第三方面，本发明提供一种克隆标签的检测装置，包括：
概率确定模块，用于基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
克隆标签确定模块，用于遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面所述克隆标签的检测方法的步骤。
本发明提供的克隆标签的检测方法及装置，通过预定义的异常概率函数，确定每个标签在对应轨迹序列中任意连续检测点间的异常概率，判断所述标签是否为克隆标签，检测的准确率和精度更高，在实际环境中更具有优势。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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是本发明提供的克隆标签的检测方法流程示意图；
图2是本发明提供的参观人员在展览场馆中的平均参观时间分布图；
图3是本发明提供的展览场馆中相邻检测点间的可达时间分布图；
图4是本发明提供的根据最短路径算法确定任意检测点间最小可达时间的示意图；
图5是本发明提供的克隆标签的检测方法的总体框架图；
图6是本发明提供的克隆标签的检测电子设备实体结构示意图；
图7是本发明提供的克隆标签的检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在物联网领域中，射频识别技术被广泛采用，而该技术主要涉及的标签受体积，成本的限制，成为RFID技术中安全性最弱的环节，目前的研究主要集中在射频指纹、同步密钥和标签轨迹等方面。
其中，基于射频指纹的方法主要利用了每个RFID设备所发射的射频信号都是独一无二的。研究者通过提取设备发射的电磁波的射频特征来对设备的身份进行认证，使设备身份与其物理特性相互绑定，从而进行克隆标签的检测。无线设备发射的电磁波的独特性质是由于电子元器件的个体差异造成的，是在生产过程中产生的，不可人为控制。
基于同步密钥的克隆标签检测方法是通过在标签中加载一个随机数来实现。后端系统产生一个随机数，即同步密钥。当读写器与标签进行通信时，首先对同步密钥进行认证，然后对其进行更新，以便在下次扫描时进行身份认证。增加了标签和读写器间的通信量，增大了通信时延。
基于轨迹的检测方法是指通过判断待测轨迹与指定的目标路径或提取的正常轨迹特征是否匹配来进行检测的。它可以分为确定型和概率型。概率型是指通过统计学习或者机器学习等方法得到正常轨迹的特征，然后设定阈值来判断待测轨迹是否异常。确定型是指在已有正确轨迹的情况下，将待测轨迹与正确轨迹进行对比，不匹配的即为异常轨迹。该方法需要庞大的内存空间来存储正确轨迹，对读写器的内存要求较高。
现有的方法均存在一定的缺陷，因此，本发明提出一种克隆标签检测方法。该方法基于实时轨迹，可以直观、准确、实时的检测克隆标签。并且该方法仅利用现有的商用设备即可，不需像基于射频指纹和同步密钥方法那样需要其他硬件设备或者更改软件设计。该方法采用移动窗口的方法对实时轨迹进行建模分析，能够很好的应对环境中出现的突发状况。
下面结合图1-图7描述本发明的提供的克隆标签的检测方法及装置。
图1是本发明提供的克隆标签的检测方法流程示意图，如图1所示，该方法包括：
步骤101、基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
步骤102、遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
具体的，每个检测点分布在不同的位置，每个标签在经过对应的位置时，所处位置的检测点会获取该标签的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
以展览场馆为例，在场馆的不同位置分别设置有不同的检测点，每个参观人员携带的吊牌或者名牌，或者其他可以进行标识的物件相当于本发明的标签，参观人员在场馆浏览的过程中，检测点会自动获取每个标签在何时处于何位置，即参观人员何时经过哪些位置的相关运动数据，根据上述运动数据，获得了参观人员对应的轨迹序列，也就是参观人员所携带的标签对应的轨迹序列。通常展览场馆的入口和出口分别只有一个，相当于每个参观人员的运动轨迹是相对固定的，从同一个入口进入，同一个出口离开。
根据预定义的异常概率函数，确定每个标签在任意两个连续检测点间的异常概率。
遍历每个标签对应的轨迹序列，如果所述标签累计的异常概率之和超过预设阈值，则判断上述标签为克隆标签。
比如展览场馆中存在一个标签的轨迹为{检测点A1，检测点A2，…，检测点An}，分别根据预定义的异常概率函数，确定每个标签在检测点A1和检测点A2之间的异常概率，检测点A2和检测点A3之间的异常概率，…，检测点An-1和检测点An之间的异常概率，对上述相邻检测点间的异常概率求和，确定该标签的累计概率，如果该累计概率大于等于预设阈值，则确定该标签为克隆标签。
本发明提供的克隆标签的检测方法，通过预定义的异常概率函数，确定每个标签在对应轨迹序列中任意连续检测点间的异常概率，判断所述标签是否为克隆标签，检测的准确率和精度更高，在实际环境中更具有优势。
可选的，所述每个标签对应的轨迹序列的获取方法，包括：
基于数据清洗和数据轨迹化，确定每个所述标签的轨迹序列以及相邻检测点之间的时间差。
具体的，每个检测点不间断的读取每个标签的信息，在短时间内会产生大量的RFID数据流。例如在参观展览场馆中追踪参观人员的这类应用中，场馆中不同位置设置不同的检测点，且参观人员的数量是巨大的，可能存在成千上万，即对应着成千上万个标签，存在参观人员根据个人的喜好，可能在某个地方长时间停留的情况，这种情况下会导致RFID数据流中出现很多冗余数据，此时采用数据清洗，即采用有限状态机模型来消除冗余的数据，针对每个检测点采集到的数据，连续时间内一个标签的记录信息只保留一条。
每个检测点的记录数据表中记录了每个标签何时经过该检测点，每条记录是一个标签的一条运动数据，且每条运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。根据标签的标识ID对此表进行聚合，然后按照时间进行排序，得到的序列即为该标签的轨迹序列，将两条运动数据中的被读取时间做差，可得到该标签经过邻近检测点间所需的时间。
本发明提供的克隆标签的检测方法，通过数据清洗和数据轨迹化，将检测点获取的标签的运动数据进行预处理，保证数据的有效性，同时减少需要处理的数据量，提高处理数据的时效，为后续确定克隆标签提供前提保障。
可选的，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率之前，所述方法还包括：
获取每个所述标签在每个固定的所述检测点的运动数据；
基于时空关系模型，以及每个所述标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
具体的，每个检测点获取每个标签在经过所述检测点所处位置时的运动数据，并根据上述运动数据，按照标签的标识ID对所有该标签的运动数据进行聚合，确定每个标签对应的轨迹序列。
根据时空关系模型，确定每个标签在经过相邻检测点之间的最小可达时间，如果有N个检测点，则生成N*N维的最短可达时间矩阵。
本发明提供的克隆标签的检测方法，通过每个检测点获取每个标签的运动数据，确定任意两个检测点间最小可达时间，进而确定所有检测点间的最短可达时间矩阵，作为后续确定任意相邻检测点间的异常概率的基础，并为确定所述标签是否为克隆标签提供前提保障。
可选的，所述基于时空关系模型，以及所述每个标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵，包括：
基于伽玛分布拟合以及预设的置信度，确定相邻所述检测点之间的最小可达时间；
基于最短路径算法，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
具体的，时空关系模型的建立分为两步，第一步确定相邻检测点间的最短可达时间矩阵，第二步确定任意检测点间的最短可达时间矩阵。
第一步、确定相邻检测点间的最短可达时间矩阵，具体包括：在一个时间窗口内，对每个标签的轨迹序列中在相邻检测点被读取的时间做差，得到轨迹序列中相邻两个检测点之间的可达时间。
在实际应用场景中，环境因素很大程度影响着路段间的可达时间。如在一个交通路网中，当可达时间变大时，说明该路段拥挤。当变小时，说明该路段畅通。在一个产品展览会中，参观人员对展品感兴趣时，会在对应的位置停留时间延长，即参观人员在该路段移动缓慢，对应的可达时间变大；而参观人员对展品不感兴趣时，基本不会在对应的位置停留，即参观人员在该路段移动较快，对应的可达时间变小。或者在展览会即将关门的前一段时间内，通过对RFID数据进行统计分析，参观人员在任意相邻展品间停留的时间也会缩短。
考虑实际的应用场景，如图2所示，为参观人员在场馆中的总参观时长随时间变化的示例图。该场馆从9：00am到17：00pm为可参观时间。横轴表示参观者的入场时间。纵轴是标签在整个场馆中的平均停留时间。随着时间的增大，参观时间呈下降趋势。因此，在根据检测点间可达时间进行可以标签检测时，不同时间、不同路段应采用不同的可达时间阈值。
在同一时段，不同参观人员经过相同两个展品对应的检测点的时间也不同，如图3所示，在一个实际的展览会中，在一个时间段内参观人员经过两个展品的时间分布图，且每个展品处设置有检测点，每个参观人员都携带对应的标签，则该时间分布图也对应着每个标签经过两个固定检测点的时间分布，横轴表示标签经过两个检测点的时间，纵轴表示可达时间在对应范围内的标签占所有标签的百分比。从图3的显示可以判断，该分布并不符合均匀分布。根据图中曲线特点，该样本数据的分布符合伽马分布的特征。
采用分时段的方法对相邻检测点间的可达时间进行分布建模，在每个时间段内，对相邻检测点间的所有数据进行伽马分布的拟合，并设置置信度为95％，从而确定置信区间的上界和下界，取置信区间下界对应的时间作为相邻检测点间的最小可达时间。如上所述上述标签的运动轨迹是相对固定的，同一个入口进入，同一个出口离开，采用同样的方法遍历固定轨迹上任意相邻检测点，得到相邻检测带点间的最短可达时间矩阵，当检测点个数为N时，上述最短可达时间矩阵为N*N维。
第二步、确定任意检测点间的最短可达时间矩阵。
采用最短路径算法确定任意检测点间的最小可达时间，即根据Dijkstra算法来计算任意路段的最短可达时间，如图4所示，有4个检测点，检测点1到检测点2的可达时间为10min，检测点2到检测点4的可达时间为5min，检测点1到检测点3的可达时间为7min，检测点3到检测点4的可达时间为6min，则采用最短路径算法确定检测点1到检测点4的可达时间为13min，检测点2到检测点3之间不存在可达路径，对应的可达时间为无穷。以上仅仅是示例性说明，对于节点更多的复杂情况，可以采用相同的方法，确定两个检测点之间的最小可达时间。最终采用上述方法，确定所有检测点间的最短可达时间矩阵。
本发明提供的克隆标签的检测方法，通过每个检测点获取每个标签的运动数据，确定任意两个检测点间最小可达时间，进而确定所有检测点间的最短可达时间矩阵，作为后续确定任意相邻检测点间的异常概率的基础，并为确定所述标签是否为克隆标签提供前提保障。
可选的，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率，包括：
在每个标签对应的轨迹序列中，若所述标签在任意两个连续的所述检测点被读取的时间的时间差A小于等于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为所述时间差A和所述最小可达时间B比值的对数；
若所述标签在任意两个连续的所述检测点被读取的时间的时间差A大于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为零。
可选的，所述预定义的异常概率函数的公式为：
其中，tk，tk-1为任意标签被第k个检测点lk检测到的时间，被第k-1个检测点lk-1检测到的时间，MM(lk,lk-1)是在最短可达时间矩阵中两个检测点lk和lk-1间的阈值。
具体的，确定了任意检测点间的最短可达时间矩阵之后，以任意一个标签的轨迹序列为例，相邻检测点la,lb的时间间隔tab＝tb-ta小于最短可达时间矩阵中对应检测点间的阈值MM(la,lb)时，该标签可能存在异常。通常，对于同一路段，MM(la,lb)与tab之间的差越大，该标签对应的轨迹存在异常的概率越大。但对于不同路段，的值越大，该轨迹存在异常的概率越大。
但是这种方法不能准确的确定标签对应的轨迹存在异常的概率，例如存在两条轨迹，一条轨迹中两个检测点的时间间隔为tab＝1s，最短可达时间矩阵中对应检测点间的可达时间阈值MM(la,lb)＝5s。另外一条轨迹中两个检测点的时间间隔为tcd＝596s，最短可达时间矩阵中对应检测点间的可达时间阈值为MM(lc,ld)＝600s。上述两条轨迹中最短可达时间矩阵中的阈值和轨迹中的时间间隔均为4s，但很明显第一条轨迹存在异常的概率更大。因此，为了对不同路段进行标准化的异常检测，使用异常概率P来进行检测，定义为：
对待检测标签的轨迹序列进行遍历，当该标签在其对应的轨迹序列上，相邻检测点间的异常概率之和，即累计概率超过1时，确定该轨迹为异常轨迹，对应的标签为克隆标签，显示警报。检测公式如下：
本发明提供的克隆标签的检测方法，通过预定义的异常概率函数，确定每个标签在对应轨迹序列中任意连续检测点间的异常概率，判断所述标签是否为克隆标签，检测的准确率和精度更高，在实际环境中更具有优势。
可选的，所述获取每个标签在每个固定的检测点的运动数据，包括：
基于在每个固定检测点设置的读写器以及RFID技术，获取每个标签的运动数据。
具体的，在每个固定检测点设置的读写器，每个标签在运动的过程中，经过上述固定检测点时，对应的读写器会读取标签的信息，记录该标签的运动数据，包括：标签的标识ID，所述标签在所述检测点被读取的时间和所述检测点的标识ID。
上述所有的读写器均可以与终端设备或者网络侧设备建立连接，便于用户查看哪些区域的标签数目较多，在具体应用场景中，比如展览场馆，可以查看哪个展区的人流比较密集，并指导现场工作人员进行疏导。或者根据采集到的数据进行分析，确定哪些展品比较受参观人员的喜爱。
本发明提供的克隆标签的检测方法，通过预定义的异常概率函数，确定每个标签在对应轨迹序列中任意连续检测点间的异常概率，判断所述标签是否为克隆标签，检测的准确率和精度更高，在实际环境中更具有优势。
本发明涉及的终端，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中，终端设备的名称可能也不相同，例如在5G系统中，终端设备可以称为用户设备(UserEquipment，UE)。
本发明涉及的网络设备，可以是路由器，网关等设备。通过上述网络设备再和终端设备相连。
图5是本发明提供的克隆标签的检测方法的总体框架图，如图5所示，该方法主要包括4个部分：
数据采集部分，在每个固定的检测点设置读写器，不同的标签经过检测点所在位置时，通过RFID技术，读写器读取上述标签的信息，并记录该标签的运动数据，通过无线网络或者有线网络传送给后台的终端设备或者网络设备，用于统计分析，并可实时查看。
数据预处理部分，获取到每个标签的运动数据之后，需要对上述数据进一步处理，删除冗余的数据，之后将每个标签清洗后的运动数据按照标签ID进行聚合，以时间排序，得到每个标签的轨迹序列。
时空关系建模部分，首先根据每个标签的轨迹序列，结合伽马分布以及设置的置信度，确定相邻检测点间的最小可达时间，确定相邻检测点间的最短可达时间矩阵M；然后，按照最短路径算法，确定所有检测点间的最短可达时间矩阵MM。
异常判断部分，根据预定义的异常概率函数，确定每个标签在其轨迹序列上相邻检测点间的异常概率；遍历每个标签的轨迹序列，对相邻检测点间的异常概率求和，如果累计和超过1时，确定该标签对应的轨迹存在异常，进而确定该标签为克隆标签，显示警报。
通过实验模拟本发明的克隆标签的检测方法，实验结果表明本发明具有较高的检测精度和检测实时性。表1为本发明与其他方法在检测精度上的对比结果。基于物理层的方法容易受到环境因素的影响。Zanetti等人研究了来自三家制造商的70个超高频RFID标签，在可控的高信噪比条件下没有发现误差，但当添加更现实的条件时，准确率下降到71％。本发明提供的克隆标签的检测方法在数据量较大的场景下，检测准确率达到71.53％，检测精度可达88.24％，表明其在实际环境中更具有优势。
表1检测准确率
图6是本发明提供的克隆标签的检测电子设备实体结构示意图；如图6所述，该克隆标签的检测电子设备，包括存储器620，收发机610和处理器600；其中，处理器600与存储器620也可以物理上分开布置。
存储器620，用于存储计算机程序；收发机610，用于在处理器600的控制下收发数据。
具体地，收发机610用于在处理器600的控制下接收和发送数据。
其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本申请不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。
处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600可以是中央处理器(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
处理器600通过调用存储器620存储的计算机程序，用于按照获得的可执行指令执行本发明提供的克隆标签的检测方法的步骤。
在此需要说明的是，本申请实施例提供的上述克隆标签的检测电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
下面对本发明提供的克隆标签的检测装置进行描述，下文描述的克隆标签的检测装置与上文描述的克隆标签的检测方法可相互对应参照。
图7是本发明提供的克隆标签的检测装置的结构示意图，如图7所示，所述装置包括：
概率确定模块701，用于基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
克隆标签确定模块702，用于遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
可选的，所述装置还包括获取模块703，用于基于数据清洗和数据轨迹化，确定每个所述标签的轨迹序列以及相邻检测点之间的时间差。
可选的，所述获取模块703还用于获取每个所述标签在每个固定的所述检测点的运动数据；
基于时空关系模型，以及每个所述标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
可选的，所述概率确定模块701还用于：
基于伽玛分布拟合以及预设的置信度，确定相邻所述检测点之间的最小可达时间；
基于最短路径算法，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
可选的，所述概率确定模块701还用于：
在每个标签对应的轨迹序列中，若所述标签在任意两个连续的所述检测点被读取的时间的时间差A小于等于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为所述时间差A和所述最小可达时间B比值的对数；
若所述标签在任意两个连续的所述检测点被读取的时间的时间差A大于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为零。
可选的，所述预定义的异常概率函数的公式为：
其中，tk，tk-1为任意标签被第k个检测点lk检测到的时间，被第k-1个检测点lk-1检测到的时间，MM(lk,lk-1)是在最短可达时间矩阵中两个检测点lk和lk-1间的阈值。
可选的，所述获取模块703还用于：
基于在每个固定检测点设置的读写器以及RFID技术，获取每个标签的运动数据。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的克隆标签的检测方法的步骤，例如包括：
基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
另一方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法的步骤，例如包括：
基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (9)
1.一种克隆标签的检测方法，其特征在于，包括：
基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID；
其中，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率之前，所述方法还包括：
获取每个所述标签在每个固定的所述检测点的运动数据；
基于时空关系模型，以及每个所述标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵，以基于所述最短可达时间矩阵确定所述标签在任意两个连续的检测点间的异常概率。
2.根据权利要求1所述的克隆标签的检测方法，其特征在于，所述每个标签对应的轨迹序列的获取方法，包括：
基于数据清洗和数据轨迹化，确定每个所述标签的轨迹序列以及相邻检测点之间的时间差。
3.根据权利要求1所述的克隆标签的检测方法，其特征在于，所述基于时空关系模型，以及所述每个标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵，包括：
基于伽玛分布拟合以及预设的置信度，确定相邻所述检测点之间的最小可达时间；
基于最短路径算法，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵。
4.根据权利要求1所述的克隆标签的检测方法，其特征在于，所述基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率，包括：
在每个标签对应的轨迹序列中，若所述标签在任意两个连续的所述检测点被读取的时间的时间差A小于等于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为所述时间差A和所述最小可达时间B比值的对数；
若所述标签在任意两个连续的所述检测点被读取的时间的时间差A大于所述检测点在最短可达时间矩阵中对应的最小可达时间B，则所述标签在所述检测点间的异常概率为零。
5.根据权利要求4所述的克隆标签的检测方法，其特征在于，所述预定义的异常概率函数的公式为：
其中，tk，tk-1为任意标签被第k个检测点lk检测到的时间，被第k-1个检测点lk-1检测到的时间，MM(lk,lk-1)是在最短可达时间矩阵中两个检测点lk和lk-1间的阈值。
6.根据权利要求1所述的克隆标签的检测方法，其特征在于，所述获取每个标签在每个固定的检测点的运动数据，包括：
基于在每个固定检测点设置的读写器以及RFID技术，获取每个标签的运动数据。
7.一种克隆标签的检测电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述克隆标签的检测方法的步骤。
8.一种克隆标签的检测装置，其特征在于，包括：
概率确定模块，用于基于预定义的异常概率函数，确定在每个标签对应的轨迹序列中，每个所述标签在任意两个连续的检测点间的异常概率；
克隆标签确定模块，用于遍历每个所述标签对应的轨迹序列，若所述标签在所有两个连续的所述检测点间的异常概率之和超过预设阈值，则所述标签为克隆标签；
其中，所述每个标签对应的轨迹序列包括多个按照时间进行排序的运动数据，且每个运动数据包括：每个所述标签的标识ID，每个所述标签在所述检测点被读取的时间和所述检测点的标识ID；
所述装置还包括获取模块，所述获取模块用于获取每个所述标签在每个固定的所述检测点的运动数据；基于时空关系模型，以及每个所述标签对应的轨迹序列，确定所有所述检测点间最小可达时间构成的最短可达时间矩阵，以基于所述最短可达时间矩阵确定所述标签在任意两个连续的检测点间的异常概率。
9.一种非暂态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至6任一项所述克隆标签的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243216.7A CN114154523B (zh) | 2021-10-25 | 2021-10-25 | 克隆标签的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243216.7A CN114154523B (zh) | 2021-10-25 | 2021-10-25 | 克隆标签的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154523A CN114154523A (zh) | 2022-03-08 |
| CN114154523B true CN114154523B (zh) | 2024-06-14 |
Family
ID=80458784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111243216.7A Active CN114154523B (zh) | 2021-10-25 | 2021-10-25 | 克隆标签的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154523B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146417A (zh) * | 2017-04-06 | 2017-09-08 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的克隆车辆判定方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359497A (zh) * | 2007-07-30 | 2009-02-04 | 科立尔数位科技股份有限公司 | 时间标记的检测及表示方法与记录其数据结构的记录媒体 |
| CN105260760A (zh) * | 2015-11-23 | 2016-01-20 | 北京云镜元谱信息科技有限公司 | 利用双rfid标签联合进行定位及数据清洗算法 |
| CN107038867A (zh) * | 2017-04-06 | 2017-08-11 | 北京易华录信息技术股份有限公司 | 基于汽车电子标识的克隆车辆精准判定方法及装置 |
| US10255514B2 (en) * | 2017-08-21 | 2019-04-09 | Sap Se | Automatic identification of cloned vehicle identifiers |
| CN112949790A (zh) * | 2021-02-04 | 2021-06-11 | 上海扶手安控设备有限公司 | 一种高楼火灾逃生路径规划系统、方法、设备以及介质 |
-
2021
- 2021-10-25 CN CN202111243216.7A patent/CN114154523B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146417A (zh) * | 2017-04-06 | 2017-09-08 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的克隆车辆判定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154523A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110113226B (zh) | 一种检测设备异常的方法及装置 | |
| CN109961106B (zh) | 轨迹分类模型的训练方法和装置、电子设备 | |
| CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
| Singh et al. | Crowd forecasting based on wifi sensors and lstm neural networks | |
| CN112651307B (zh) | 一种人员轨迹追踪方法、系统、装置及存储介质 | |
| CN112465866B (zh) | 多目标轨迹获取方法、装置、系统及存储介质 | |
| CN110022530B (zh) | 一种用于地下空间的无线定位方法和系统 | |
| CN105095991A (zh) | 用于人群风险预警的方法及装置 | |
| CN113626502B (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
| CN108271157B (zh) | 一种伪基站识别方法及装置 | |
| CN111832841B (zh) | 一种封站条件下的轨道交通短时客流预测方法及系统 | |
| Huo et al. | Short-term estimation and prediction of pedestrian density in urban hot spots based on mobile phone data | |
| CN115048592A (zh) | 一种轨迹分析方法、装置、电子设备和存储介质 | |
| Chen et al. | A travel mode identification framework based on cellular signaling data | |
| Wang et al. | I (TS, CS): Detecting faulty location data in mobile crowdsensing | |
| CN114154523B (zh) | 克隆标签的检测方法及装置 | |
| CN112399137A (zh) | 一种移动轨迹确定方法和装置 | |
| Li et al. | Data imputation for sparse radio maps in indoor positioning | |
| CN111343664B (zh) | 用户定位方法、装置、设备及介质 | |
| CN113706574A (zh) | 一种移动轨迹确定方法、装置、电子设备及存储介质 | |
| Mohamed et al. | Kalman and Cauchy clustering for anomaly detection based authentication of IoMTs using extreme learning machine | |
| Wei et al. | Detecting anomaly data for IoT sensor networks | |
| CN112385180A (zh) | 基于交易时间戳将身份和易于获得的个人标识符信息进行匹配的系统和方法 | |
| CN116957005A (zh) | 对应关系预测网络的训练方法、装置、设备及介质 | |
| Wang et al. | People Counting with Carry-on RFID Tags |
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 |