CN114390550A - 一种网络类型识别的方法、相关装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种可基于人工智能技术实现的网络类型识别方法，包括：获取第一无线网络所对应的待预测数据，待预测数据包括与第一无线网络连接状态相关的数据，且待预测数据包括至少一种特征类型，至少一种特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；根据待预测数据生成待预测特征向量，待预测特征向量与至少一种特征类型具有对应关系；基于待预测特征向量，通过网络类型识别模型获取类别概率；根据类别概率，确定第一无线网络所对应的目标网络类型。本申请还公开了相关装置、设备及存储介质。本申请能够更加客观且准确地识别出无线网络的网络类型。

Description

一种网络类型识别的方法、相关装置、设备及存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种网络类型识别的方法、相关装置、设备及存储介质。

背景技术

无线网络上网可以简单的理解为无线上网，几乎所有智能手机、平板电脑和笔记本电脑都支持无线上网(wireless fidelity，WiFi)上网。WiFi信号也是由有线网提供的，例如，在家里、写字楼、医院和高校等地方，都可以使用无线路由器将有线信号转换成WiFi信号，供用户连接上网。

许多研究的前提是往往需要发现WiFi网络的类型，例如，发现某个WiFi网络属于家庭WiFi，或发现某个WiFi网络属于公共网络。目前，通常采用网络标识来定义该WiFi网络的类型，用户可以为当前使用的WiFi网络配置相应的网络标识。

然而，在实际应用中，可能出现网络标识配置不准确，或者遗漏对WiFi网络进行网络标识配置的情况，从而导致WiFi网络类型的识别率降低。

发明内容

本申请实施例提供了一种网络类型识别的方法、相关装置、设备及存储介质，能够更加客观且准确地识别出无线网络的网络类型。

有鉴于此，本申请一方面提供一种网络类型识别的方法，包括：

获取第一无线网络所对应的待预测数据，其中，待预测数据包括与第一无线网络连接状态相关的数据，且待预测数据包括至少一种特征类型，至少一种特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

根据待预测数据生成待预测特征向量，其中，待预测特征向量与至少一种特征类型具有对应关系；

基于待预测特征向量，通过网络类型识别模型获取类别概率；

根据类别概率，确定第一无线网络所对应的目标网络类型。

本申请另一方面提供一种网络类型识别装置，包括：

获取模块，用于获取第一无线网络所对应的待预测数据，其中，待预测数据包括与第一无线网络连接状态相关的数据，且待预测数据包括至少一种特征类型，至少一种特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

生成模块，用于根据待预测数据生成待预测特征向量，其中，待预测特征向量与至少一种特征类型具有对应关系；

获取模块，还用于基于待预测特征向量，通过网络类型识别模型获取类别概率；

确定模块，用于根据类别概率，确定第一无线网络所对应的目标网络类型。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

连接次数包括在工作日内连接第一无线网络的平均连接次数，在非工作日内连接第一无线网络的平均连接次数，以及连接第一无线网络的平均连接次数的至少一种；

独立连接数包括在工作日内连接第一无线网络的平均独立连接数，在非工作日内连接第一无线网络的平均独立连接数，以及连接第一无线网络的平均独立连接数的至少一种；

连接时间包括第一无线网络的连接天数，第一无线网络的连接周数以及第一无线网络的连接月数的至少一种；

活跃状态包括第一无线网络在K个时刻所对应的活跃情况，其中，K为大于1的整数；

连接次数比例包括第一无线网络在至少一个时段内连接次数总和与连接数总和的比例；

留存人数比例包括第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例；

连接次数分段包括第一无线网络在连续次数分段中的目标分段。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别模型包括决策树模型、极端梯度提升xgboost模型、随机森林模型、深度神经网络DNN模型、卷积神经网络CNN模型以及递归神经网络RNN模型中的至少一种。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别装置还包括训练模块；

获取模块，还用于基于待预测特征向量，通过网络类型识别模型获取类别概率之前，获取正样本数据集合以及负样本数据集合，其中，正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型；

生成模块，还用于根据正样本数据集合生成正样本特征向量集合，其中，正样本特征向量集合包括至少一个正样本特征向量，正样本特征向量与正样本数据具有对应关系；

生成模块，还用于根据负样本数据集合生成负样本特征向量集合，其中，负样本特征向量集合包括至少一个负样本特征向量，负样本特征向量与正样本数据具有对应关系；

获取模块，还用于基于正样本特征向量集合以及负样本特征向量集合，通过待训练网络类型识别模型获取每个正样本特征向量所对应的预测类别概率，以及每个负样本特征向量所对应的预测类别概率；

训练模块，用于根据每个正样本特征向量所对应的预测类别概率、每个正样本数据对应于第一标注网络类型、每个负样本特征向量所对应的预测类别概率以及每个负样本数据对应于第二标注网络类型，对待训练网络类型识别模型的模型参数进行更新，直至满足模型训练条件，输出网络类型识别模型。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

确定模块，还用于根据共有对象数量以及共有字符串长度，确定第一无线网络与第二无线网络之间的连边权重；

确定模块，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块，还用于根据共有对象数量以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

获取模块，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块，还用于根据共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

获取模块，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块，还用于根据共有对象数量、共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于确定模块将第一无线网络以及第二无线网络确定为主体网络之后，获取与主体网络具有连接关系的P个终端设备，其中，P为大于1的整数；

确定模块，还用于根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

确定模块，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别装置还包括发送模块、接收模块以及处理模块；

发送模块，用于确定模块根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收模块，用于接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

处理模块，用于响应于网络断连指令，断开与非法设备标识对应的终端设备与主体网络之间的连接。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别装置还包括发送模块；

发送模块，还用于确定模块将第一无线网络以及第二无线网络确定为主体网络之后，向服务器发送网络聚合信息，以使当服务器接收到数值包分发指令时，根据网络聚合信息，向连接第一无线网络或第二无线网络的终端设备发送数值包消息，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别装置还包括发送模块；

发送模块，还用于确定模块将第一无线网络以及第二无线网络确定为主体网络之后，向服务器发送网络聚合信息，以使当服务器接收到第一终端设备发送的数据传输指令时，根据网络聚合信息向第二终端设备发送数据，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称，第一终端设备连接第一无线网络或第二无线网络，且第二终端设备连接第一无线网络或第二无线网络。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取与第一无线网络具有连接关系的P个终端设备，其中，P为大于1的整数；

确定模块，还用于根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

确定模块，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，网络类型识别装置还包括发送模块、接收模块以及处理模块；

发送模块，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收模块，还用于接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

处理模块，还用于响应于网络断连指令，断开与非法设备标识对应的终端设备与第一无线网络之间的连接。

本申请的另一方面提供了一种计算机设备，包括：存储器、收发器、处理器以及总线系统；

其中，存储器用于存储程序；

处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面所提供的方法；

总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。

本申请的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。

本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所提供的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，提供了一种网络类型识别的方法，首先获取第一无线网络所对应的待预测数据，然后根据待预测数据生成待预测特征向量，再基于待预测特征向量，通过网络类型识别模型获取类别概率，最后根据类别概率确定第一无线网络所对应的目标网络类型。通过上述方式，提取与待识别无线网络连接状态相关的数据，将这些数据所对应的特征向量作为网络模型的输入，由网络模型预测出该待识别无线网络的网络类型，因此，能够更加客观且准确地识别出无线网络的网络类型。

附图说明

图1为本申请实施例中无线通信系统的一个环境示意图；

图2为本申请实施例中确定社区成员的一个架构示意图；

图3为本申请实施例中网络类型识别方法的一个流程示意图；

图4为本申请实施例中通过决策树模型输出类别概率的一个示意图；

图5为本申请实施例中通过xgboost模型输出类别概率的一个示意图；

图6为本申请实施例中通过随机森林模型输出类别概率的一个示意图；

图7为本申请实施例中确定主体网络的一个示意图；

图8为本申请实施例中确定主体网络的另一示意图；

图9为本申请实施例中确定主体网络的另一示意图；

图10为本申请实施例中确定主体网络的另一示意图；

图11为本申请实施例中基于主体网络确定非法设备的一个示意图；

图12为本申请实施例中基于网络连接设置界面进行网络连接状态设置的示意图；

图13为本申请实施例中基于电子红包分发界面进行电子红包分发的示意图；

图14为本申请实施例中基于数据传输界面进行数据传输的示意图；

图15为本申请实施例中基于无线网络确定非法设备的一个示意图；

图16为本申请实施例中基于网络连接设置界面进行网络连接状态设置的另一示意图；

图17为本申请实施例中网络类型识别装置的一个实施例示意图；

图18为本申请实施例中计算机设备的一个结构示意图。

具体实施方式

本申请实施例提供了一种网络类型识别的方法、相关装置、设备及存储介质，能够更加客观且准确地识别出无线网络的网络类型。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着互联网和社区网络的不断发展，社区网络检测越来越成为热点话题之一。包括社交网络在内的网络系统被划分为许多模块，而这些模块就称为社区。简单来说，社区就是在一个网络系统中有联系的节点集群。本申请可基于无线网络来发现社区，并进一步合并属于同一个主体网络的社区，通过计算主体网络(或某个无线网络)中各个成员的连通分量，还能够排除与社区无关的人员，进而提升发现小区成员的准确性。

应理解，本申请所涉及的无线网络是对一类用无线电技术传输数据网络的总称，根据网络覆盖范围、网络应用场合和网络架构不同等，可以将无线网络划分为无线广域网(Wireless Wide Area Network，WWAN)、无线局域网(Wireless Local Area Network，WLAN)、无线城域网(Wireless Metropolitan Area Network，WMAN)和无线个人局域网(Wireless Personal Area Network，WPAN)。更具体地，本申请中涉及的无线网络具体可以指无线保真(Wireless Fidelity，WiFi)网络、热点网络、蓝牙(Bluetooth)或者超宽带(Ultra Wide Band，UWB)等，为了便于说明，本申请将以WiFi网络为例进行说明，然而这不应理解为本申请的限定。

为了通过无线网络发现社区，首先需要对无线网络的网络类型进行识别，例如，识别出某个无线网络属于家庭WiFi，那么根据该家庭WiFi还可以继续找出与其属于同一个主体的其他无线网络。为了便于理解，请参阅图1，图1为本申请实施例中无线通信系统的一个环境示意图，如图所示，在房间A中设置有无线网络A，其中，终端设备A、终端设备B和终端设备C均连接至无线网络A，在房间B中设置另一个无线网络，即无线网络B，终端D和终端设备E均连接至无线网络B。

基于此，计算机设备可以分别获取无线网络A和无线网络B的待预测数据，并进一步生成对应的待预测特征向量。具体地，请参阅图2，图2为本申请实施例中确定社区成员的一个架构示意图，如图所示，根据无线网络A对应的待预测数据生成待预测特征向量A，将待预测特征向量A输入至网络类型识别模型，由网络类型识别模型输出对应的类别概率，根据该类别概率确定无线网络A的网络类型。类似地，根据无线网络B对应的待预测数据生成待预测特征向量B，将待预测特征向量B输入至网络类型识别模型，由网络类型识别模型输出对应的类别概率，根据该类别概率确定无线网络B的网络类型。如果无线网络A和无线网络B的网络类型均为社区网络类型，则可以基于业务规则实现合并无线网络等操作。假设计算机设备确定无线网络A和无线网络B的网络类型均为社区网络类型，且属于同一个主体，即确定无线网络A和无线网络B构成一个主体网络，进而基于业务规则还可以进一步合并用户，从而排除非社区成员。

可以理解的是，对于某些业务而言(例如，数据传输以及发电子红包)可能会考虑关联对象(例如，数据传输方和接收方，以及电子红包接收方等)是否属于社区成员，因此，计算机设备还可以将预测得到的主体网络以及社区成员等信息发送至承载这些业务的服务器，使得服务器能够按照规则执行相应的操作。

需要说明的是，本申请涉及的计算机设备可以是服务器、终端设备、无线接入点或者路由器等，此处不做限定。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表等，但并不局限于此。

应理解，本申请提供的网络类型识别方法通过机器学习技术对社区网络类型的无线网络进行预测，以此获取属于社区网络类型的无线网络，由此，还能够基于社区网络类型的无线网络进一步发现社区。

本申请采用人工智能(Artificial Intelligence，AI)中的机器学习(MachineLearning，ML)技术，对社区网络类型的无线网络进行预测。其中，人工智能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。

机器学习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、归纳学习、式教学习等技术。

本申请实施例提供的方案涉及人工智能的机器学习等技术，结合上述介绍，下面将对本申请中网络类型识别的方法进行介绍，请参阅图3，本申请实施例中网络类型识别方法的一个实施例包括：

101、获取第一无线网络所对应的待预测数据，其中，待预测数据包括与第一无线网络连接状态相关的数据，且待预测数据包括至少一种特征类型，至少一种特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

本实施例中，网络类型识别装置获取第一无线网络所对应的待预测数据，其中，第一无线网络可以是WiFi网络，也可以是其他网络。网络类型识别装置可部署于计算机设备，且该计算机设备可以是服务器、终端设备、无线接入点(Access Point，AP)或者路由器等，此处不做限定。

示例性地，假设网络类型识别装置部署于无线接入点或者路由器，那么由无线接入点或者路由器记录待预测数据，因此，网络类型识别装置能够直接获取已记录的待预测数据。示例性地，假设网络类型识别装置部署于服务器，那么服务器可以向第一无线网络的提供方(例如，无线接入点、路由器或者终端设备等)请求待预测数据，由第一无线网络的提供方将采集到的待预测数据反馈给服务器。示例性地，假设网络类型识别装置部署于终端设备，如果终端设备启动热点功能，则由终端设备记录待预测数据，因此，网络类型识别装置能够直接获取已记录的待预测数据。如果终端设备未启动热点功能，那么终端设备可以向第一无线网络的提供方(例如，无线接入点、路由器或者终端设备等)请求待预测数据，由第一无线网络的提供方将采集到的待预测数据反馈给终端设备。

具体地，待预测数据包括至少一种特征类型，且这些特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种。

102、根据待预测数据生成待预测特征向量，其中，待预测特征向量与至少一种特征类型具有对应关系；

本实施例中，网络类型识别装置在获取到待预测数据之后，基于各个特征类型所对应的数据可以生成待预测特征向量。例如，待预测数据包括第一无线网络的连接次数以及独立连接数，其中，连接次数为80，独立连接数为35，那么待预测特征向量可表示为(80,35)。需要说明的是，待预测特征向量包括至少一个特征向量，每个特征向量对应于一个特征类型，且每个特征向量包括一个或多个元素，此处不做限定。

103、基于待预测特征向量，通过网络类型识别模型获取类别概率；

本实施例中，网络类型识别装置将待预测特征向量输入至训练好的网络类型识别模型，由该网络类型识别模型输出类别概率，类别概率可表示为概率分布或者概率分值。

假设类别概率表示为概率分布，且概率分布对应于至少两个网络类型，例如，类别概率可以表示为(a,b)，其中，a表示属于第一种网络类型的概率值，b表示属于第二种网络类型的概率值，且a+b等于1。又例如，类别概率可以表示为(a,b,c)，其中，a表示属于第一种网络类型的概率值，b表示属于第二种网络类型的概率值，c表示属于第三种网络类型的概率值，且a+b+c等于1。

104、根据类别概率，确定第一无线网络所对应的目标网络类型。

本实施例中，网络类型识别装置根据类别概率确定第一无线网络所对应的目标网络类型，其中，目标网络类型可以是社区网络类型或非社区网络类型，社区网络类型包含但不仅限于是家庭网络类型、办公室网络类型以及楼宇网络类型等，非社区网络类型包含但不仅限于公共网络以及临时网络等。

具体地，如果第一无线网络所对应的目标网络类型为社区网络类型，则能够基于连接该第一无线网络的终端设备获取该社区的用户画像特征。为了便于说明，下面将以社区网络类型为家庭网络类型作为一个示例，假设存在5个终端设备连接第一无线网络，请参阅表1，表1与终端设备、用户以及用户特征画像的一个示意。

表1

由表1可知，用户“John”使用设备标识为“100001”的终端设备和“100003”的终端设备连接第一无线网络，基于此，得到用户“John”的用户画像特征。用户“Mary”使用设备标识为“100002”的终端设备和“100004”的终端设备连接第一无线网络，基于此，得到用户“Mary”的用户画像特征。用户“Betty”使用设备标识为“100005”的终端设备连接第一无线网络，基于此，得到用户“Betty”的用户画像特征。鉴于用户“John”、用户“Mary”和用户“Betty”都连接第一无线网络，且该第一无线网络所对应的目标网络类型为家庭网络类型，因此，可推断这三位用户可能是一家人，因此，结合每个用户的用户画像特征既可以得到整个家庭的用户画像特征，以此便于进行后续的分析或者信息推荐等，此处不做限定。

可以理解的是，若第一无线网络所对应的目标网络类型为办公室网络类型，那么使用终端设备连接第一无线网络的用户很大概率就是企业员工、若第一无线网络所对应的目标网络类型为楼宇网络类型，那么使用终端设备连接第一无线网络的用户很大概率就是同一栋楼的居民。

本申请实施例中，提供了一种网络类型识别的方法，首先获取第一无线网络所对应的待预测数据，然后根据待预测数据生成待预测特征向量，再基于待预测特征向量，通过网络类型识别模型获取类别概率，最后根据类别概率，确定第一无线网络所对应的目标网络类型，该目标网络类型所对应的概率值为至少两个概率值中的最大值。通过上述方式，提取与待识别无线网络连接状态相关的数据，将这些数据所对应的特征向量作为网络模型的输入，由网络模型预测出该待识别无线网络的网络类型，因此，能够更加客观且准确地识别出无线网络的网络类型。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，连接次数包括在工作日内连接第一无线网络的平均连接次数，在非工作日内连接第一无线网络的平均连接次数，以及连接第一无线网络的平均连接次数的至少一种；

独立连接数包括在工作日内连接第一无线网络的平均独立连接数，在非工作日内连接第一无线网络的平均独立连接数，以及连接第一无线网络的平均独立连接数的至少一种；

连接时间包括第一无线网络的连接天数，第一无线网络的连接周数以及第一无线网络的连接月数的至少一种；

活跃状态包括第一无线网络在K个时刻所对应的活跃情况，其中，K为大于1的整数；

连接次数比例包括第一无线网络在至少一个时段内连接次数总和与连接数总和的比例；

留存人数比例包括第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例；

连接次数分段包括第一无线网络在连续次数分段中的目标分段。

本实施例中，介绍了特征类型所包括的具体内容，在前述实施例中，待预测数据包括至少一种特征类型，具体可以包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种，下面将分别每个特征类型进行说明。

一、第一无线网络的连接次数；

第一无线网络的连接次数包括在工作日内连接第一无线网络的平均连接次数，在非工作日内连接第一无线网络的平均连接次数，以及连接第一无线网络的平均连接次数的至少一种，且平均连接次数可以是日平均连接次数、周平均连接次数或者月平均连接次数等，本申请以月平均连接次数为例进行介绍，然而这不应理解为本申请的限定。具体地，工作日通常为周一至周五，而非工作日为周六和周日，以2020年6月、2020年7月和2020年8月为例，请参阅表2，表2为三个月内连接第一无线网络的连接次数的统计结果。

表2

由表2可知，对于基于工作日的月连接次数和基于非工作日的月连接次数进行统计，由此得到在工作日内连接第一无线网络的月平均连接次数为(66+44+58)/3＝56，在非工作日内连接第一无线网络的月平均连接次数为(15+12+12)/3＝13，连接第一无线网络的月平均连接次数为(66+44+58+15+12+12)/6＝34.5。

以第一无线网络的连接次数包括在工作日内连接第一无线网络的平均连接次数，在非工作日内连接第一无线网络的平均连接次数，以及连接第一无线网络的平均连接次数为例，从而得到特征向量(56,13,34.5)，进一步地，还可以进行归一化处理，得到特征向量(1，0.23，0.62)，该特征向量包含于待预测特征向量。

二、第一无线网络的独立连接数(包括独立连接用户数或者独立连接设备数)；

独立连接数包括在工作日内连接第一无线网络的平均独立连接数，在非工作日内连接第一无线网络的平均独立连接数，以及连接第一无线网络的平均独立连接数的至少一种，且平均独立连接数可以是日平均独立连接数、周平均独立连接数或者月平均独立连接数等，本申请以月平均独立连接数为例进行介绍，然而这不应理解为本申请的限定。具体地，独立连接数是指去重后的连接数。

示例性地，以独立连接设备数为例，假设有K1个终端设备与第一无线网络建立通信连接，那么无论这K1个终端设备与第一无线网络连接多少次，均以K1值作为独立连接设备数。示例性地，以独立连接用户数为例，又假设有K2个用户使用终端设备第一无线网络建立通信连接，那么无论这K2个用户使用终端设备与第一无线网络连接多少次，均以K2值作为独立连接用户数。本申请的独立连接数可以是独立连接设备数，也可以是独立连接用户数，此处不做限定。以2020年6月、2020年7月和2020年8月为例，请参阅表3，表3为三个月内连接第一无线网络的独立连接数的统计结果。

表3

由表2可知，对于基于工作日的月独立连接数和基于非工作日的月独立连接数进行统计，由此得到在工作日内连接第一无线网络的月平均独立连接数为(2+4+3)/3＝3，在非工作日内连接第一无线网络的月平均独立连接数为(5+6+7)/3＝6，连接第一无线网络的月平均连接次数为(2+4+3+5+6+7)/6＝4.5。

以第一无线网络的连接次数包括在工作日内连接第一无线网络的平均独立连接数，在非工作日内连接第一无线网络的平均独立连接数，以及连接第一无线网络的平均独立连接数为例，从而得到特征向量(3,6,4.5)，进一步地，还可以进行归一化处理，得到特征向量(0.5,1,0.75)，该特征向量包含于待预测特征向量。

三、第一无线网络的连接时间；

连接时间包括第一无线网络的连接天数，第一无线网络的连接周数以及第一无线网络的连接月数的至少一种。具体地，对于家庭网络类型而言，通常情况下，无论是工作日还是非工作日都有很大概率连接无线网络，对于办公室网络类型而言，通常情况下，在工作日会有很大概率连接无线网络，对于临时网络而言，通常情况下，会在一段时间之后取消该无线网络。

假设第一无线网络的连接天数为320，第一无线网络的连接周数为50，连接月数为12，以第一无线网络的连接时间包括第一无线网络的连接天数，第一无线网络的连接周数以及第一无线网络的连接月数为例，从而得到特征向量(320,50.12)，进一步地，还可以进行归一化处理，得到特征向量(1,0.16,0.04)，该特征向量包含于待预测特征向量。

四、第一无线网络的活跃状态；

活跃状态包括第一无线网络在K个时刻所对应的活跃情况，可以将一天划分为K个时间段，例如，划分为4个时间段，即K可以等于4，在实际应用中，K为大于1的整数，由此得到如下计算公式：

其中，h_j表示第一无线网络在一天内的活跃状态。δi表示在第i个小时是否活跃，活跃状态即表示该第一无线网络被连接，非活跃状态即表示该第一无线网络未被连接，如果“活跃状态”则δi＝1，如果“非活跃状态”则δi＝0。j表示递增的时间段。i表示第i个小时。

假设将一天划分为K个时间段，在第一天内的第0个小时为“活跃状态”状态，即记为“1”，在第6个小时为“活跃状态”状态，即记为“1”，在第12个小时为“非活跃状态”状态，即记为“0”，在第18个小时为“非活跃状态”状态，即记为“0”，第一无线网络在第一天内的活跃状态表示为1+1+0+0＝2。在第二天内的第0个小时为“活跃状态”状态，即记为“1”，在第6个小时为“非活跃状态”状态，即记为“0”，在第12个小时为“非活跃状态”状态，即记为“0”，在第18个小时为“非活跃状态”状态，即记为“0”，第一无线网络在第二天内的活跃状态表示为1+0+0+0＝1。类似地，假设第一无线网络在第三天内的活跃状态表示为1。从而得到这三天活跃状态的特征向量(2,1,1)，进一步地，还可以进行归一化处理，得到特征向量(1,0.5,0.5，该特征向量包含于待预测特征向量。

五、第一无线网络的连接次数比例；

连接次数比例包括第一无线网络在至少一个时段内连接次数总和与连接数总和的比例，其中，这里的时段单位可以是天、周、月或者年等，本申请以“月”为时段单位进行介绍，然而这不应理解为对本申请的限定。基于此，采用如下计算公式计算第一无线网络的连接次数比例：

其中，ci表示第一无线网络在第i个月份的连接次数，ui表示第一无线网络在第i个月份的连接数，该连接数可以为独立连接用户数或者独立连接设备数，此处不做限定。n表示n个月份，即n为大于或等于1的整数。

连接次数比例能够为了更好区分公共网络与私有网络，假设n等于3，且三个月内该第一无线网络的连接次数分别为7、8和9，三个月内该第一无线网络的独立连接设备数为6，于是得到第一无线网络的连接次数比例维(7+8+9)/6＝4。假设三个月内该第一无线网络的独立连接设备数为24，那么第一无线网络的连接次数比例维(7+8+9)/24＝1。理论上，家庭网络类型而言的独立连接设备数会远小于公共网络的独立连接设备数。因此，连接次数比例越高，表示属于社区网络类型的概率越大。

六、第一无线网络的留存人数比例；

留存人数比例包括第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例，其中，第一时段可以是后N个时段单位，第二时段可以是前M个时段单位，可以理解的是，时段单位可以是天、周、月或者年等，本申请以“月”为时段单位进行介绍，然而这不应理解为对本申请的限定。基于此，采用如下计算公式计算第一无线网络的留存人数比例：

其中，L表示留存人数比例，i表示第一时段内连接第一无线网络的第i个用户(或终端设备)，j表示第二时段内连接第一无线网络的第j个用户(或终端设备)。M表示前M个时段单位，例如，前三个月内第一无线网络的独立连接数，N表示后N个时段单位，例如，后三个月内第一无线网络的独立连接数。s(i,j)表示前M个时段单位和后N个时段单位内，第i个用户(或终端设备)和第j个用户(或终端设备)是否一致，一致则记为1，不一致则记0，由此进行累加。

七、第一无线网络的连接次数分段；

连接次数分段包括第一无线网络在连续次数分段中的目标分段，具体地，可以预先将连接次数分为若干段，例如，连接次数0至9为一段，10至19为另一段，以此类推，假设共分为8段，基于此，如果第一无线网络的连接次数为8，则目标分段为0至9，即特征向量表示为(1,0,0,0,0,0,0,0)。可以理解的是，上述分段的方式仅为一个示意，不应理解为对本申请的限定。

需要说明的是，这里将连接次数进行分段表示的优势在于，能够增强模型的学习能力，提升模型的训练效果，从而有利于预测得的更准确的结果。

其次，本申请实施例中，提供了特征类型所包括的具体内容，通过上述内容，在预测无线网络的网络类型时，需要考虑到多种不同维度的数据，这些数据能够从不同方面对无线网络的网络类型进行衡量，从而有利于预测得到更加准确的结果。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，网络类型识别模型包括决策树模型、极端梯度提升xgboost模型、随机森林模型、深度神经网络DNN模型、卷积神经网络CNN模型以及递归神经网络RNN模型中的至少一种。

本实施例中，介绍了多种适合作为网络类型识别模型的模型结构，网络类型识别模型包括决策树模型、极端梯度提升(extreme gradient boosting，xgboost)模型、随机森林模型、深度神经网络(Deep Neural Networks，DNN)模型、卷积神经网络(ConvolutionalNeural Network，CNN)模型以及递归神经网络(Recurrent Neural Network，RNN)模型中的至少一种。下面将分别每个模型结构进行说明。

一、网络类型识别模型属于决策树模型；

为了便于说明，以待预测数据包括连接天数、连接次数比例、留存人数比例以及在非工作日内月平均连接次数作为示例进行介绍，请参阅图4，图4为本申请实施例中通过决策树模型输出类别概率的一个示意图，如图所示，根据待预测数据生成待预测特征向量，基于待预测特征向量，先判断连接天数是0至50天、51天至300天还是大于300天，若待预测数据中的连接天数为320天，则继续判断在非工作日内月平均连接次数大于或等于12，若待预测数据中的非工作日内月平均连接次数为15，则类别概率可以表示为1，即确定目标网络类型为社区网络类型。反之，如果类别概率为0，即确定目标网络类型为非社区网络类型。

二、网络类型识别模型属于xgboost模型；

xgboost模型源于梯度提升框架，但更加高效，主要在于算法能并行计算，近似建树，对稀疏数据的有效处理以及内存使用优化，此外，xgboost模型的可解释性强。为了便于说明，以待预测数据包括连接天数、连接次数比例以及留存人数比例作为示例进行介绍，请参阅图5，图5为本申请实施例中通过xgboost模型输出类别概率的一个示意图，如图所示，图5中(A)图为一棵决策树，图5中(B)图为另一棵决策树，将待预测特征向量输入至训练好的两棵决策树，两棵决策树的结论累加起来便是最终的结论，因此，目标网络类型属于社区网络类型的类别概率为2+1.2＝3。

三、网络类型识别模型属于随机森林模型；

随机森林模型能够有效地判断特征的重要程度，且无需降维和进行特征选择，不容易过拟合，训练速度比较快，容易做成并行方法，对于不平衡的数据集来说，还可以在一定程度上平衡误差。为了便于理解，请参阅图6，图6为本申请实施例中通过随机森林模型输出类别概率的一个示意图，如图所示，具体地，假设随机森林模型包括5棵决策树，将待预测特征向量分别输入至这5棵决策树后，由这5棵决策树输出5个结果，其中，3个结果为社区网络类型，2个结果为非社区网络类型，即经过投票之后，确定类别概率为3/5，因此，目标网络类型属于社区网络类型的可能性更大。

四、网络类型识别模型属于DNN模型；

DNN模型包括输入层、隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的，也就是说，第i层的任意一个神经元与第i+1层的任意一个神经元相连。输出层之后可以连接一个全连接层，通过全连接层输出类别概率，从类别概率中确定最大值所对应的类别即为目标网络类型。

五、网络类型识别模型属于CNN模型；

CNN网络的输入层可以处理多维数据，CNN网络的隐含层包含卷积层、池化层和全连接层，类似地，通过全连接层输出类别概率，从类别概率中确定最大值所对应的类别即为目标网络类型。

六、网络类型识别模型属于RNN模型；

RNN模型可以用于处理和预测序列数据。将待预测特征向量中与时间相关的数据进行有序输入，将RNN模型的输出输入至全连接层，通过全连接层输出类别概率，从类别概率中确定最大值所对应的类别即为目标网络类型。

其次，本申请实施例中，提供了多种适合作为网络类型识别模型的模型结构，通过上述内容，能够根据实际需求选择合适的模型结构，从而提升方案的灵活性和多样性。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，基于待预测特征向量，通过网络类型识别模型获取类别概率之前，还包括如下步骤：

获取正样本数据集合以及负样本数据集合，其中，正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型；

根据正样本数据集合生成正样本特征向量集合，其中，正样本特征向量集合包括至少一个正样本特征向量，正样本特征向量与正样本数据具有对应关系；

根据负样本数据集合生成负样本特征向量集合，其中，负样本特征向量集合包括至少一个负样本特征向量，负样本特征向量与正样本数据具有对应关系；

基于正样本特征向量集合以及负样本特征向量集合，通过待训练网络类型识别模型获取每个正样本特征向量所对应的预测类别概率，以及每个负样本特征向量所对应的预测类别概率，其中，预测类别概率分布包括两个概率值，每个概率值对应于一种网络类型；

根据每个正样本特征向量所对应的预测类别概率、每个正样本数据对应于第一标注网络类型、每个负样本特征向量所对应的预测类别概率以及每个负样本数据对应于第二标注网络类型，对待训练网络类型识别模型的模型参数进行更新，直至满足模型训练条件，输出网络类型识别模型。

本实施例中，介绍了一种训练网络类型识别模型的方式。首先确定小区兴趣点(Point of Interest，POI)内无线网络的数据，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。再采用自然语言处理(Natural LanguageProcessing，NLP)对小区的无线网络的名称进行分类抽样，例如，分别抽取家庭、医院、政府机构、商场、餐馆、学校、娱乐场所、办公室等不同行业的数据，确保更逼近大盘真实数据。

具体地，基于这些数据可以分为正样本数据集合和负样本数据集合，其中，正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，其中，第一标注网络类型具体可以是“社区网络类型”，也可以是更具体的“家庭网络类型”、“办公室网络类型”或者“楼宇网络类型”等，本申请以第一标注网络类型为“社区网络类型”为例进行介绍，不应理解为对本申请的限定。负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型，其中，第二标注网络类型具体可以是“非社区网络类型”，也可以是更具体的“公共网络类型”或者“临时网络类型”等，本申请以第二标注网络类型为“非社区网络类型”为例进行介绍，不应理解为对本申请的限定。

接下来，分别对正样本数据集合中的每个正样本数据进行特征提取，得到正样本特征向量，类似地，分别对负样本数据集合中的每个负样本数据进行特征提取，得到负样本特征向量。基于此，将正样本特征向量集合以及负样本特征向量集合输入至待训练网络类型识别模型，由待训练网络类型识别模型分别输出正样本特征向量对应的预测类别概率，和负样本特征向量对应的预测类别概率。最后，采用损失函数，对每个正样本特征向量所对应的预测类别概率、每个正样本数据对应于第一标注网络类型、每个负样本特征向量所对应的预测类别概率以及每个负样本数据对应于第二标注网络类型进行计算，从而得到损失值，基于损失值更新待训练网络类型识别模型的模型参数。如果损失值收敛，或者，达到迭代次数阈值，则表示满足模型训练条件，由此，输出网络类型识别模型。

示例性地，以基于计算引擎(spark框架)的xgboost模型为例，输入正样本特征向量集合和负样本特征向量集合，得到接收者操作特征曲线(receiver operatingcharacteristic curve，ROC)曲线下的面积(area under curve，ROC)约为0.946，最终得到xgboost的决策函数为P(y＝1|x；θ)，其中，x表示一个正样本特征向量或负样本特征向量，y表示第一标注网络类型或者第二标注网络类型，θ表示模型参数。P(y＝1|x；θ)表示样本x在模型参数θ下是社区网络类型的可能性。

再次，本申请实施例中，提供了一种训练网络类型识别模型的方式，通过上述方式，能够抽取大盘中尽可能多的类别，进行正负样本收集，由此得到大量的训练集，有利于提升训练的可行性和准确性。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据类别概率，确定第一无线网络所对应的目标网络类型之后，还包括如下步骤：

若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取第一无线网络与第二无线网络之间的共有对象数量；

获取第一无线网络与第二无线网络之间的共有字符串长度；

根据共有对象数量以及共有字符串长度，确定第一无线网络与第二无线网络之间的连边权重；

若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

本实施例中，介绍了一种基于共有对象数量和共有字符串长度确定主体网络的方式。其中，共有对象数量可以是共有设备数量，也可以是共有用户数量。共有设备数量表示共有的终端设备数量，共有用户数量表示共有的用户数量，终端设备可通过设备标识、物理地址或者网际互联协议(Internet Protocol，IP)地址等进行标识，用户可通过用户标识、手机号、邮箱地址以及账号等进行标识。

具体地，在对任意两个无线网络(例如，第一无线网络和第二无线网络)进行社区划分时，首先需要先确定这两个网络均属于社区网络类型，然后进一步判定同属于社区网络类型的两个无线网络是否能够合并到同一个主体网络，即可将无线网络作为节点，以此进行社区划分。

本申请可以采用快速社区发现算法(fast unfolding)作为划分社区的方法，fastunfolding主要思路是不断划分社区使得划分后的整个网络的模块度不断增大。为了便于介绍，请参阅图7，图7为本申请实施例中确定主体网络的一个示意图，如图所示，假设第一无线网络的名称为“我家客厅的无线网络”，第二无线网络的名称为“我家卧室的无线网络”。与第一无线网络建立通信连接的有终端设备A、终端设备B、终端设备C、终端设备D和终端设备E，与第二无线网络建立通信连接的有终端设备A、终端设备B和终端设备E。基于此，第一无线网络与第二无线网络之间的共有对象数量为3，共有字符串长度为7。为了构建无线网络之间的权重，可采用如下方式计算第一无线网络与第二无线网络之间的连边权重：

其中，W表示连边权重。N表示共有对象数量(即共有设备数量或共有用户数量)，a1表示第一调节权重因子，可设置为1。a2表示第二调节权重因子，可设置为1。m0表示共有字符串长度，m1表示第一无线网络的字符串长度，m2表示第二无线网络的字符串长度。A(i,j)表示第一无线网络中的第i个终端设备(或用户)与第二无线网络中的第j个终端设备(或用户)一致，即存在连边关系。δab表示第一无线网络与第二无线网络是否存在共同的终端设备(或用户)连接，δab的计算方式如下：

其中，当∑_i,jA(i,j)＞0，Sab＝1。当∑_i,jA(i,j)≤0，Sab＝-1。

基于此，如果计算得到第一无线网络与第二无线网络之间的连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为同一个主体网络，该主体网络具有同一个社区标识。由此得到<社区标识，无线网络>的结果对，按照社区标识进行聚合，得到<社区标识，无线网络列表>，例如，<101100，我家客厅的无线网络，我家卧室的无线网络>，至此，将多个家庭无线网络合并到同一个主体网络。

其次，本申请实施例中，提供了一种基于共有对象数量和共有字符串长度确定主体网络的方式，通过上述方式，能够有效地利用两个无线网络之间的共有对象数量和共有字符串长度，即基于共同链接人数和名称相似度作为权重，由此确定两个无线网络之间的内部联系，从而得到更准确的主体网络识别结果。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据类别概率，确定第一无线网络所对应的目标网络类型之后，还包括如下步骤：

若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取第一无线网络与第二无线网络之间的共有对象数量；

获取第一无线网络与第二无线网络之间的距离；

根据共有对象数量以及距离，确定第一无线网络与第二无线网络之间的连边权重；

若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

本实施例中，介绍了一种基于共有对象数量和距离确定主体网络的方式。共有对象数量的统计方式与前述实施例类似，此处不做赘述。距离表示两个无线网络之间的物理距离，通常以“米”为单位。

类似地，如果两个网络均属于社区网络类型，则进一步判定同属于社区网络类型的两个无线网络是否能够合并到同一个主体网络。本申请可以采用fast unfolding作为划分社区的方法。为了便于介绍，请参阅图8，图8为本申请实施例中确定主体网络的另一示意图，如图所示，假设第一无线网络与第二无线网络之间的距离为18米。与第一无线网络建立通信连接的有终端设备A、终端设备B、终端设备C、终端设备D和终端设备E，与第二无线网络建立通信连接的有终端设备A、终端设备B和终端设备E。基于此，第一无线网络与第二无线网络之间的共有对象数量为3，距离为18。为了构建无线网络之间的权重，可采用如下方式计算第一无线网络与第二无线网络之间的连边权重：

其中，W表示连边权重。N表示共有对象数量(即共有设备数量或共有用户数量)，a1表示第一调节权重因子，可设置为1。a3表示第三调节权重因子，可设置为1。d表示第一无线网络与第二无线网络之间的距离，D表示预设距离，例如，D取值为500，即500米以内的无线网络作为适合合并为网络主体的前提，因此D＝500可作为该项的归一化参数。A(i,j)表示第一无线网络中的第i个终端设备(或用户)与第二无线网络中的第j个终端设备(或用户)一致，即存在连边关系。δab的计算方式如前述实施例描述的内容类似，此处不做赘述。

基于此，如果计算得到第一无线网络与第二无线网络之间的连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为同一个主体网络，并进一步构建得到<社区标识，无线网络列表>，构建方式与前述实施例描述的内容类似，此处不做赘述。

其次，本申请实施例中，提供了一种基于共有对象数量和距离确定主体网络的方式，通过上述方式，能够有效地利用两个无线网络之间的共有对象数量和距离，即基于共同链接人数和地理位置属性作为权重，由此确定两个无线网络之间的内部联系，从而得到更准确的主体网络识别结果。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据类别概率，确定第一无线网络所对应的目标网络类型之后，还包括如下步骤：

若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取第一无线网络与第二无线网络之间的共有字符串长度；

获取第一无线网络与第二无线网络之间的距离；

根据共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

本实施例中，介绍了一种基于共有字符串长度和距离确定主体网络的方式。共有对象数量和距离的统计方式与前述实施例类似，此处不做赘述。

类似地，如果两个网络均属于社区网络类型，则进一步判定同属于社区网络类型的两个无线网络是否能够合并到同一个主体网络。本申请可以采用fast unfolding作为划分社区的方法。为了便于介绍，请参阅图9，图9为本申请实施例中确定主体网络的另一示意图，如图所示，假设第一无线网络的名称为“我家客厅的无线网络”，第二无线网络的名称为“我家卧室的无线网络”。假设第一无线网络与第二无线网络之间的距离为18米。基于此，共有字符串长度为7，距离为18。为了构建无线网络之间的权重，可采用如下方式计算第一无线网络与第二无线网络之间的连边权重：

其中，W表示连边权重。a2表示第二调节权重因子，可设置为1。a3表示第三调节权重因子，可设置为1。m0表示共有字符串长度，m1表示第一无线网络的字符串长度，m2表示第二无线网络的字符串长度。d表示第一无线网络与第二无线网络之间的距离，D表示预设距离，例如，D取值为500，即500米以内的无线网络作为适合合并为网络主体的前提，因此D＝500可作为该项的归一化参数。δab的计算方式如前述实施例描述的内容类似，此处不做赘述。

基于此，如果计算得到第一无线网络与第二无线网络之间的连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为同一个主体网络，并进一步构建得到<社区标识，无线网络列表>，构建方式与前述实施例描述的内容类似，此处不做赘述。

其次，本申请实施例中，提供了一种基于共有字符串长度和距离确定主体网络的方式，通过上述方式，能够有效地利用两个无线网络之间的共有字符串长度和距离，即基于名称相似度和地理位置属性作为权重，由此确定两个无线网络之间的内部联系，从而得到更准确的主体网络识别结果。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据类别概率，确定第一无线网络所对应的目标网络类型之后，还包括如下步骤：

若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取第一无线网络与第二无线网络之间的共有对象数量；

获取第一无线网络与第二无线网络之间的共有字符串长度；

获取第一无线网络与第二无线网络之间的距离；

根据共有对象数量、共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

本实施例中，介绍了基于共有对象数量、共有字符串长度和距离确定主体网络的方式。共有对象数量、共有字符串长度和距离的统计方式与前述实施例类似，此处不做赘述。

类似地，如果两个网络均属于社区网络类型，则进一步判定同属于社区网络类型的两个无线网络是否能够合并到同一个主体网络。本申请可以采用fast unfolding作为划分社区的方法。为了便于介绍，请参阅图10，图10为本申请实施例中确定主体网络的另一示意图，假设第一无线网络的名称为“我家客厅的无线网络”，第二无线网络的名称为“我家卧室的无线网络”。与第一无线网络建立通信连接的有终端设备A、终端设备B、终端设备C、终端设备D和终端设备E，与第二无线网络建立通信连接的有终端设备A、终端设备B和终端设备E。假设第一无线网络与第二无线网络之间的距离为18米，第一无线网络与第二无线网络之间的共有对象数量为3，共有字符串长度为7，距离为18。为了构建无线网络之间的权重，可采用如下方式计算第一无线网络与第二无线网络之间的连边权重：

其中，W表示连边权重。N表示共有对象数量(即共有设备数量或共有用户数量)，a1表示第一调节权重因子，可设置为1。a2表示第二调节权重因子，可设置为1。a3表示第三调节权重因子，可设置为1。m0表示共有字符串长度，m1表示第一无线网络的字符串长度，m2表示第二无线网络的字符串长度。A(i,j)表示第一无线网络中的第i个终端设备(或用户)与第二无线网络中的第j个终端设备(或用户)一致，即存在连边关系。δab表示第一无线网络与第二无线网络是否存在共同的终端设备(或用户)连接。d表示第一无线网络与第二无线网络之间的距离，D表示预设距离，例如，D取值为500，即500米以内的无线网络作为适合合并为网络主体的前提，因此D＝500可作为该项的归一化参数。δab的计算方式如前述实施例描述的内容类似，此处不做赘述。

基于此，如果计算得到第一无线网络与第二无线网络之间的连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为同一个主体网络，并进一步构建得到<社区标识，无线网络列表>，构建方式与前述实施例描述的内容类似，此处不做赘述。

其次，本申请实施例中，提供了一种基于共有对象数量、共有字符串长度和距离确定主体网络的方式，通过上述方式，能够有效地利用两个无线网络之间的共有对象数量、共有字符串长度和距离，即基于共同链接人数、名称相似度地理位置属性作为权重，由此确定两个无线网络之间的内部联系，从而得到更准确的主体网络识别结果。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，将第一无线网络以及第二无线网络确定为主体网络之后，还包括如下步骤：

获取与主体网络具有连接关系的P个终端设备，其中，P为大于1的整数；

根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

本实施例中，介绍了一种基于主体网络排除非社区成员的方式。以主体网络包括第一无线网络和第二无线网络为例，首先需要基于主体网络，分别获取第一无线网络和第二无线网络中具有连接关系的终端设备(或用户)，假设共有P个终端设备(或用户)存在连接关系，基于此，继续获取这个P个终端设备(或用户)之间是否存在连通分量，如果存在连通分量，则从P个终端设备中确定属于合法设备(或合法用户)的Q个终端设备(或用户)，从而确定剩余的(P-Q)个终端设备(或用户)属于非法设备(或非法用户)。

具体地，本申请对单个无线网络内的终端设备(或用户)进行连通分量计算，一个无向图G＝(V,E)是连通的，那么边的数目大于等于顶点的数目减一，即|E|>＝|V|-1，例如，以红包转账作为终端设备(或用户)之间连边，通过计算成员间的连通分量，有效排除蹭网以及访客终端设备(或用户)。

为了便于理解，请参阅图11，图11为本申请实施例中基于主体网络确定非法设备的一个示意图，其中，第一无线网络和第二无线网络属于同一个主体网络，下面将分别从终端设备和用户的角度出发进行介绍。请参阅图11中(A)图，第一无线网络存在两个连通分量，1号连通分量包括终端设备A和终端设备B，2号连通分量包括终端设备C，第二无线网络存在一个连通分量，3号连通分量包括终端设备D和终端设备E，基于此，P等于5，合法设备为终端设备A、终端设备B、终端设备D和终端设备E，即Q等于4。非法设备为终端设备C。

请参阅图11中(B)图，第一无线网络存在两个连通分量，1号连通分量包括用户A，2号连通分量包括用户B和用户C，第二无线网络存在一个连通分量，3号连通分量包括用户D和用户E，基于此，P等于5，合法用户为用户B、用户C、用户D和用户E，即Q等于4。非法用户为用户A。

再次，本申请实施例中，提供了一种基于主体网络排除非社区成员的方式，通过上述方式，能够有效地辨认出属于同一个社区的用户或者终端设备，由此发现各种不同的社区，进而得到社区成员，可应用于各种有需要人员扩散的场景。此外，本申请还可以灵活应用于不同业务社区发现，例如，在工作团体行业可发现公司社区，在银行行业可发现金融社区，在餐饮行业可发现餐饮社区等。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，还包括如下步骤：

向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

响应于网络断连指令，断开与非法设备标识对应的终端设备与主体网络之间的连接。

本实施例中，介绍了一种断开非法终端设备的方式。在确定合法设备和非法设备之后，可以向目标终端设备发送非法连接消息，该非法连接消息携带非法设备的设备信息，且目标终端设备属于合法设备中的一个设备。用户可通过目标终端设备选择是否需要断开非法设备的连接，若需要，则触发网络断连指令，该网络断连指令携带非法设备标识，由此，断开非法终端与主体网络的连接。

为了便于理解，请参阅图12，图12为本申请实施例中基于网络连接设置界面进行网络连接状态设置的示意图，如图所示，其中，第一无线网络和第二无线网络属于同一个主体网络，第一无线网络的名称为“我家客厅的无线网络”，第二无线网络的名称为“我家卧室的无线网络”。与第一无线网络连接有5个终端设备，而“未知设备123”属于非法设备，因此，当用户触发“断开”按钮，可断开“未知设备123”与第一无线网络的连接。当用户触发“查看”按钮，可查看该终端设备的连接时长以及IP地址等信息。

进一步地，本申请实施例中，提供了一种断开非法终端设备的方式，通过上述方式，合法用户或者用户采用合法设备，能够对非法设备进行断连处理，有效地防止用户使用非法设备蹭网，排除与社区链接不紧密的成员，此外，还能够排除非社区成员，有利于统计得到更加准确的社区用户画像，由此提升方案的可行性和可操作性。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，将第一无线网络以及第二无线网络确定为主体网络之后，还包括如下步骤：

向服务器发送网络聚合信息，以使当服务器接收到数值包分发指令时，根据网络聚合信息，向连接第一无线网络或第二无线网络的终端设备发送数值包消息，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称。

本实施例中，介绍了一种基于主体网络分发电子红包的方式。首先向服务器发送网络聚合信息，该网络聚合信息可以是前述实施例中涉及的“<社区标识，无线网络列表>”，而该服务器具体可以是即时通信类服务器或者电子红包业务服务器等，此处不做限定。服务器收到数值包分发指令(即红包分发指令)时，基于网络聚合信息，向连接第一无线网络或第二无线网络的终端设备发送数值包消息(即电子红包)，而未连接第一无线网络或第二无线网络的终端设备，则无法收到该电子红包。

为了便于理解，请参阅图13，图13为本申请实施例中基于电子红包分发界面进行电子红包分发的示意图，如图13中(A)图所示，组长在“部门A群组”中触发数值包分发指令，如果员工甲连接了公司的第一无线网络，则点击数值包消之后进入如图13中(B)所示的界面，即领取该电子红包。如果员工丁未连接公司的第一无线网络或第二无线网络，则点击数值包消息后进入如图13中(C)所示的界面，即无法领取该电子红包。

再次，本申请实施例中，提供了一种基于主体网络分发电子红包的方式，通过上述方式，用户需要在指定区域内接收电子红包，而对于电子红包的发送方所在的位置则不作限定，这样能够在一定程度上提升电子红包领取的多样性，通过设置一定的门槛，提升红包领取的趣味性和多样性。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，将第一无线网络以及第二无线网络确定为主体网络之后，还包括如下步骤：

向服务器发送网络聚合信息，以使当服务器接收到第一终端设备发送的数据传输指令时，根据网络聚合信息向第二终端设备发送数据，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称，第一终端设备连接第一无线网络或第二无线网络，且第二终端设备连接第一无线网络或第二无线网络。

本实施例中，介绍了一种基于主体网络数据传输的方式。首先向服务器发送网络聚合信息，该网络聚合信息可以是前述实施例中涉及的“<社区标识，无线网络列表>”，而该服务器具体可以是即时通信类服务器等，此处不做限定。服务器收到第一终端设备发送的数据传输指令时，基于网络聚合信息，向第二终端设备发送数据，这里的第一终端设备和第二终端设备均连接同一个主体网络，例如，连接第一无线网络和第二无线网络中的至少一种。

为了便于理解，请参阅图14，图14为本申请实施例中基于数据传输界面进行数据传输的示意图，如图14中(A)图所示，员工甲向员工乙发送一个机密文件，假设员工甲和员工乙未连接同一个主体网络，则进入图14中(B)图所示的界面，即员工乙无法接收该机密文件。假设员工甲和员工乙均连接同一个主体网络，则进入图14中(C)图所示的界面，并且还可以进一步选择文件存放位置。

再次，本申请实施例中，提供了一种基于主体网络数据传输的方式，通过上述方式，用户之间需要在连接同一个主体网络的情况下，才能进行数据传输，这样很大程度上能够提升数据传输的安全性，能够使得数据在指定范围内进行传输，由此，提升方案的实用性和可行性。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据类别概率，确定第一无线网络所对应的目标网络类型之后，还包括如下步骤：

若目标网络类型为社区网络类型，则获取与第一无线网络具有连接关系的P个终端设备，其中，P为大于1的整数；

根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

本实施例中，介绍了一种排除非社区成员的方式。如果第一无线网络属于社区网络类型，首先需要获取第一无线网络中具有连接关系的终端设备(或用户)，假设共有P个终端设备(或用户)存在连接关系，基于此，继续获取这个P个终端设备(或用户)之间是否存在连通分量，如果存在连通分量，则从P个终端设备中确定属于合法设备(或合法用户)的Q个终端设备(或用户)，从而确定剩余的(P-Q)个终端设备(或用户)属于非法设备(或非法用户)。

具体地，本申请对单个无线网络内的终端设备(或用户)进行连通分量计算，一个无向图G＝(V,E)是连通的，那么边的数目大于等于顶点的数目减一，即|E|>＝|V|-1，例如，以红包转账作为终端设备(或用户)之间连边，通过计算成员间的连通分量，有效排除蹭网以及访客终端设备(或用户)。

为了便于理解，请参阅图15，图15为本申请实施例中基于无线网络确定非法设备的一个示意图，下面将分别从终端设备和用户的角度出发进行介绍。请参阅图15中(A)图，第一无线网络存在两个连通分量，1号连通分量包括终端设备A和终端设备B，2号连通分量包括终端设备C，基于此，P等于3，合法设备为终端设备A和终端设备B，即Q等于2。非法设备为终端设备C。

请参阅图15中(B)图，第一无线网络存在两个连通分量，1号连通分量包括用户A，2号连通分量包括用户B和用户C，基于此，P等于3，合法用户为用户B和用户C，即Q等于2。非法用户为用户A。

其次，本申请实施例中，提供了一种排除非社区成员的方式，通过上述方式，能够有效地辨认出属于同一个社区的用户或者终端设备，由此发现各种不同的社区，进而得到社区成员，可应用于各种有需要人员扩散的场景。此外，本申请还可以灵活应用于不同业务社区发现，例如，在工作团体行业可发现公司社区，在银行行业可发现金融社区，在餐饮行业可发现餐饮社区等。

可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，还包括如下步骤：

向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

响应于网络断连指令，断开与非法设备标识对应的终端设备与第一无线网络之间的连接。

本实施例中，介绍了一种断开非法终端设备的方式。在确定合法设备和非法设备之后，可以向目标终端设备发送非法连接消息，该非法连接消息携带非法设备的设备信息，且目标终端设备属于合法设备中的一个设备。用户可通过目标终端设备选择是否需要断开非法设备的连接，若需要，则触发网络断连指令，该网络断连指令携带非法设备标识，由此，断开非法终端与主体网络的连接。

为了便于理解，请参阅图16，图16为本申请实施例中基于网络连接设置界面进行网络连接状态设置的另一示意图，如图所示，其中，第一无线网络的名称为“我家客厅的无线网络”，与第一无线网络连接有5个终端设备，而“未知设备123”属于非法设备，因此，当用户触发“断开”按钮，可断开“未知设备123”与第一无线网络的连接。当用户触发“查看”按钮，可查看该终端设备的连接时长以及IP地址等信息。

再次，本申请实施例中，提供了一种断开非法终端设备的方式，通过上述方式，合法用户或者用户采用合法设备，能够对非法设备进行断连处理，有效地防止用户使用非法设备蹭网，排除与社区链接不紧密的成员，此外，还能够排除非社区成员，有利于统计得到更加准确的社区用户画像，由此提升方案的可行性和可操作性。

下面对本申请中的网络类型识别装置进行详细描述，请参阅图17，图17为本申请实施例中网络类型识别装置的一个实施例示意图，网络类型识别装置20包括：

获取模块201，用于获取第一无线网络所对应的待预测数据，其中，待预测数据包括与第一无线网络连接状态相关的数据，且待预测数据包括至少一种特征类型，至少一种特征类型包括第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

生成模块202，用于根据待预测数据生成待预测特征向量，其中，待预测特征向量与至少一种特征类型具有对应关系；

获取模块201，还用于基于待预测特征向量，通过网络类型识别模型获取类别概率；

确定模块203，用于根据类别概率，确定第一无线网络所对应的目标网络类型。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

连接次数包括在工作日内连接第一无线网络的平均连接次数，在非工作日内连接第一无线网络的平均连接次数，以及连接第一无线网络的平均连接次数的至少一种；

独立连接数包括在工作日内连接第一无线网络的平均独立连接数，在非工作日内连接第一无线网络的平均独立连接数，以及连接第一无线网络的平均独立连接数的至少一种；

连接时间包括第一无线网络的连接天数，第一无线网络的连接周数以及第一无线网络的连接月数的至少一种；

活跃状态包括第一无线网络在K个时刻所对应的活跃情况，其中，K为大于1的整数；

连接次数比例包括第一无线网络在至少一个时段内连接次数总和与连接数总和的比例；

留存人数比例包括第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例；

连接次数分段包括第一无线网络在连续次数分段中的目标分段。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别模型包括决策树模型、极端梯度提升xgboost模型、随机森林模型、深度神经网络DNN模型、卷积神经网络CNN模型以及递归神经网络RNN模型中的至少一种。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别装置20还包括训练模块204；

获取模块201，还用于基于待预测特征向量，通过网络类型识别模型获取类别概率之前，获取正样本数据集合以及负样本数据集合，其中，正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型；

生成模块202，还用于根据正样本数据集合生成正样本特征向量集合，其中，正样本特征向量集合包括至少一个正样本特征向量，正样本特征向量与正样本数据具有对应关系；

生成模块202，还用于根据负样本数据集合生成负样本特征向量集合，其中，负样本特征向量集合包括至少一个负样本特征向量，负样本特征向量与正样本数据具有对应关系；

获取模块201，还用于基于正样本特征向量集合以及负样本特征向量集合，通过待训练网络类型识别模型获取每个正样本特征向量所对应的预测类别概率，以及每个负样本特征向量所对应的预测类别概率；

训练模块204，用于根据每个正样本特征向量所对应的预测类别概率、每个正样本数据对应于第一标注网络类型、每个负样本特征向量所对应的预测类别概率以及每个负样本数据对应于第二标注网络类型，对待训练网络类型识别模型的模型参数进行更新，直至满足模型训练条件，输出网络类型识别模型。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

确定模块202，还用于根据共有对象数量以及共有字符串长度，确定第一无线网络与第二无线网络之间的连边权重；

确定模块202，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块201，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块203，还用于根据共有对象数量以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块203，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

获取模块201，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块203，还用于根据共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块203，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取第二无线网络，其中，第二无线网络的网络类型为社区网络类型；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有对象数量；

获取模块201，还用于获取第一无线网络与第二无线网络之间的共有字符串长度；

获取模块201，还用于获取第一无线网络与第二无线网络之间的距离；

确定模块203，还用于根据共有对象数量、共有字符串长度以及距离，确定第一无线网络与第二无线网络之间的连边权重；

确定模块203，还用于若连边权重大于权重阈值，则将第一无线网络以及第二无线网络确定为主体网络，其中，主体网络对应于一个社区标识。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于确定模块203将第一无线网络以及第二无线网络确定为主体网络之后，获取与主体网络具有连接关系的P个终端设备，其中，P为大于1的整数；

确定模块203，还用于根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

确定模块203，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别装置20还包括发送模块205、接收模块206以及处理模块207；

发送模块205，用于确定模块203根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收模块206，用于接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

处理模块207，用于响应于网络断连指令，断开与非法设备标识对应的终端设备与主体网络之间的连接。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别装置20还包括发送模块205；

发送模块205，还用于确定模块203将第一无线网络以及第二无线网络确定为主体网络之后，向服务器发送网络聚合信息，以使当服务器接收到数值包分发指令时，根据网络聚合信息，向连接第一无线网络或第二无线网络的终端设备发送数值包消息，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别装置20还包括发送模块205；

发送模块205，还用于确定模块203将第一无线网络以及第二无线网络确定为主体网络之后，向服务器发送网络聚合信息，以使当服务器接收到第一终端设备发送的数据传输指令时，根据网络聚合信息向第二终端设备发送数据，其中，网络聚合信息包括社区标识、第一无线网络的网络名称以及第二无线网络的网络名称，第一终端设备连接第一无线网络或第二无线网络，且第二终端设备连接第一无线网络或第二无线网络。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，

获取模块201，还用于确定模块203根据类别概率，确定第一无线网络所对应的目标网络类型之后，若目标网络类型为社区网络类型，则获取与第一无线网络具有连接关系的P个终端设备，其中，P为大于1的整数；

确定模块203，还用于根据获取P个终端设备所对应的连边关系，确定至少一个连通分量；

确定模块203，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，Q为大于或等于1，且小于或等于P的整数。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的网络类型识别装置20的另一实施例中，网络类型识别装置20还包括发送模块205、接收模块206以及处理模块207；

发送模块205，还用于根据至少一个连通分量，从P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，向目标终端设备发送非法连接消息，其中，目标终端设备属于合法设备，非法连接消息携带非法设备的设备信息；

接收模块206，还用于接收终端设备发送的网络断连指令，其中，网络断连指令携带非法设备标识；

处理模块207，还用于响应于网络断连指令，断开与非法设备标识对应的终端设备与第一无线网络之间的连接。

图18是本申请实施例计算机设备30的结构示意图。计算机设备30可包括输入设备310、输出设备320、处理器330和存储器340。本申请实施例中的输出设备可以是显示设备。

存储器340可以包括只读存储器和随机存取存储器，并向处理器330提供指令和数据。存储器340的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。

存储器340存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集:

操作指令：包括各种操作指令，用于实现各种操作。

操作系统：包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。

处理器330控制计算机设备30的操作，处理器330还可以称为中央处理单元(central processing unit，CPU)。存储器340可以包括只读存储器和随机存取存储器，并向处理器330提供指令和数据。存储器340的一部分还可以包括NVRAM。具体的应用中，计算机设备30的各个组件通过总线系统350耦合在一起，其中总线系统350除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统350。

上述本申请实施例揭示的方法可以应用于处理器330中，或者由处理器330实现。处理器330可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器330中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器330可以是通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field－programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器340，处理器330读取存储器340中的信息，结合其硬件完成上述方法的步骤。

图18的相关描述可以参阅图3方法部分的相关描述和效果进行理解，本处不做过多赘述。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述各个实施例描述的方法。

本申请实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例描述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

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，可以存储在一个计算机可读取存储介质中。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)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。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (15)

1.一种网络类型识别的方法，其特征在于，包括：

获取第一无线网络所对应的待预测数据，其中，所述待预测数据包括与所述第一无线网络连接状态相关的数据，且所述待预测数据包括至少一种特征类型，所述至少一种特征类型包括所述第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

根据所述待预测数据生成待预测特征向量，其中，所述待预测特征向量与所述至少一种特征类型具有对应关系；

基于所述待预测特征向量，通过网络类型识别模型获取类别概率；

根据所述类别概率，确定所述第一无线网络所对应的目标网络类型。

2.根据权利要求1所述的方法，其特征在于，

所述连接次数包括在工作日内连接所述第一无线网络的平均连接次数，在非工作日内连接所述第一无线网络的平均连接次数，以及连接所述第一无线网络的平均连接次数的至少一种；

所述独立连接数包括在工作日内连接所述第一无线网络的平均独立连接数，在非工作日内连接所述第一无线网络的平均独立连接数，以及连接所述第一无线网络的平均独立连接数的至少一种；

所述连接时间包括所述第一无线网络的连接天数，所述第一无线网络的连接周数以及所述第一无线网络的连接月数的至少一种；

所述活跃状态包括所述第一无线网络在K个时刻所对应的活跃情况，其中，所述K为大于1的整数；

所述连接次数比例包括所述第一无线网络在至少一个时段内连接次数总和与连接数总和的比例；

所述留存人数比例包括所述第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例；

所述连接次数分段包括所述第一无线网络在连续次数分段中的目标分段。

3.根据权利要求1所述的方法，其特征在于，所述网络类型识别模型包括决策树模型、极端梯度提升xgboost模型、随机森林模型、深度神经网络DNN模型、卷积神经网络CNN模型以及递归神经网络RNN模型中的至少一种。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述待预测特征向量，通过网络类型识别模型获取类别概率之前，所述方法还包括：

获取正样本数据集合以及负样本数据集合，其中，所述正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，所述负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型；

根据所述正样本数据集合生成正样本特征向量集合，其中，所述正样本特征向量集合包括至少一个正样本特征向量，所述正样本特征向量与正样本数据具有对应关系；

根据所述负样本数据集合生成负样本特征向量集合，其中，所述负样本特征向量集合包括至少一个负样本特征向量，所述负样本特征向量与正样本数据具有对应关系；

基于所述正样本特征向量集合以及所述负样本特征向量集合，通过待训练网络类型识别模型获取每个正样本特征向量所对应的预测类别概率，以及每个负样本特征向量所对应的预测类别概率；

根据所述每个正样本特征向量所对应的预测类别概率、所述每个正样本数据对应于第一标注网络类型、所述每个负样本特征向量所对应的预测类别概率以及所述每个负样本数据对应于第二标注网络类型，对所述待训练网络类型识别模型的模型参数进行更新，直至满足模型训练条件，输出所述网络类型识别模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率，确定所述第一无线网络所对应的目标网络类型之后，所述方法还包括：

若所述目标网络类型为社区网络类型，则获取第二无线网络，其中，所述第二无线网络的网络类型为所述社区网络类型；

获取所述第一无线网络与所述第二无线网络之间的共有对象数量；

获取所述第一无线网络与所述第二无线网络之间的共有字符串长度；

根据所述共有对象数量以及所述共有字符串长度，确定所述第一无线网络与所述第二无线网络之间的连边权重；

若所述连边权重大于权重阈值，则将所述第一无线网络以及所述第二无线网络确定为主体网络，其中，所述主体网络对应于一个社区标识。

6.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率，确定所述第一无线网络所对应的目标网络类型之后，所述方法还包括：

若所述目标网络类型为社区网络类型，则获取第二无线网络，其中，所述第二无线网络的网络类型为所述社区网络类型；

获取所述第一无线网络与所述第二无线网络之间的共有对象数量；

获取所述第一无线网络与所述第二无线网络之间的距离；

根据所述共有对象数量以及所述距离，确定所述第一无线网络与所述第二无线网络之间的连边权重；

若所述连边权重大于权重阈值，则将所述第一无线网络以及所述第二无线网络确定为主体网络，其中，所述主体网络对应于一个社区标识。

7.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率，确定所述第一无线网络所对应的目标网络类型之后，所述方法还包括：

若所述目标网络类型为社区网络类型，则获取第二无线网络，其中，所述第二无线网络的网络类型为所述社区网络类型；

获取所述第一无线网络与所述第二无线网络之间的共有字符串长度；

获取所述第一无线网络与所述第二无线网络之间的距离；

根据所述共有字符串长度以及所述距离，确定所述第一无线网络与所述第二无线网络之间的连边权重；

若所述连边权重大于权重阈值，则将所述第一无线网络以及所述第二无线网络确定为主体网络，其中，所述主体网络对应于一个社区标识。

8.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率，确定所述第一无线网络所对应的目标网络类型之后，所述方法还包括：

若所述目标网络类型为社区网络类型，则获取第二无线网络，其中，所述第二无线网络的网络类型为所述社区网络类型；

获取所述第一无线网络与所述第二无线网络之间的共有对象数量；

获取所述第一无线网络与所述第二无线网络之间的共有字符串长度；

获取所述第一无线网络与所述第二无线网络之间的距离；

根据所述共有对象数量、所述共有字符串长度以及所述距离，确定所述第一无线网络与所述第二无线网络之间的连边权重；

若所述连边权重大于权重阈值，则将所述第一无线网络以及所述第二无线网络确定为主体网络，其中，所述主体网络对应于一个社区标识。

9.根据权利要求5至8中任一项所述的方法，其特征在于，所述将所述第一无线网络以及所述第二无线网络确定为主体网络之后，所述方法还包括：

获取与所述主体网络具有连接关系的P个终端设备，其中，所述P为大于1的整数；

根据获取所述P个终端设备所对应的连边关系，确定至少一个连通分量；

根据所述至少一个连通分量，从所述P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备，其中，所述Q为大于或等于1，且小于或等于所述P的整数。

10.根据权利要求9所述的方法，其特征在于，所述根据所述至少一个连通分量，从所述P个终端设备中确定属于合法设备的Q个终端设备，并确定属于非法设备的(P-Q)个终端设备之后，所述方法还包括：

向目标终端设备发送非法连接消息，其中，所述目标终端设备属于所述合法设备，所述非法连接消息携带所述非法设备的设备信息；

接收所述终端设备发送的网络断连指令，其中，所述网络断连指令携带非法设备标识；

响应于所述网络断连指令，断开与所述非法设备标识对应的终端设备与所述主体网络之间的连接。

11.根据权利要求5至8中任一项所述的方法，其特征在于，所述将所述第一无线网络以及所述第二无线网络确定为主体网络之后，所述方法还包括：

向服务器发送网络聚合信息，以使当所述服务器接收到数值包分发指令时，根据所述网络聚合信息，向连接所述第一无线网络或所述第二无线网络的终端设备发送数值包消息，其中，所述网络聚合信息包括社区标识、所述第一无线网络的网络名称以及所述第二无线网络的网络名称。

12.根据权利要求5至8中任一项所述的方法，其特征在于，所述将所述第一无线网络以及所述第二无线网络确定为主体网络之后，所述方法还包括：

向服务器发送网络聚合信息，以使当所述服务器接收到第一终端设备发送的数据传输指令时，根据所述网络聚合信息向第二终端设备发送数据，其中，所述网络聚合信息包括社区标识、所述第一无线网络的网络名称以及所述第二无线网络的网络名称，所述第一终端设备连接所述第一无线网络或所述第二无线网络，且所述第二终端设备连接所述第一无线网络或所述第二无线网络。

13.一种网络类型识别装置，其特征在于，包括：

获取模块，用于获取第一无线网络所对应的待预测数据，其中，所述待预测数据包括与所述第一无线网络连接状态相关的数据，且所述待预测数据包括至少一种特征类型；

生成模块，用于根据所述待预测数据生成待预测特征向量，其中，所述待预测特征向量与所述至少一种特征类型具有对应关系；

所述获取模块，还用于基于所述待预测特征向量，通过网络类型识别模型获取类别概率；

确定模块，用于根据所述类别概率，确定所述第一无线网络所对应的目标网络类型，其中，所述目标网络类型所对应的概率值为所述至少两个概率值中的最大值。

14.一种计算机设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；

其中，所述存储器用于存储程序；

所述处理器用于执行所述存储器中的程序，所述处理器用于根据所述程序代码中的指令执行权利要求1至12中任一项所述的方法；

所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至12中任一项所述的方法。

Images