CN116056074A - 基于多重验证的无线通信控制方法及应用其的无线路由器 - Google Patents
基于多重验证的无线通信控制方法及应用其的无线路由器 Download PDFInfo
- Publication number
- CN116056074A CN116056074A CN202310344410.7A CN202310344410A CN116056074A CN 116056074 A CN116056074 A CN 116056074A CN 202310344410 A CN202310344410 A CN 202310344410A CN 116056074 A CN116056074 A CN 116056074A
- Authority
- CN
- China
- Prior art keywords
- key
- attention
- module
- communication key
- attention mechanism
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012795 verification Methods 0.000 title claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/04—Key management, e.g. using generic bootstrapping architecture [GBA]
- H04W12/041—Key generation or derivation
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/04—Key management, e.g. using generic bootstrapping architecture [GBA]
- H04W12/043—Key management, e.g. using generic bootstrapping architecture [GBA] using a trusted network node as an anchor
- H04W12/0433—Key management protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/10—Integrity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/14—Backbone network devices
-
- 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)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了基于多重验证的无线通信控制方法及应用其的无线路由器，其中无线路由器内设有处理器、存储器和计算机可读存储介质，通过处理器执行计算机可读存储介质写入的程序，实现构建基于基于注意力机制的空洞卷积神经网络，从多种不同用户标签中提取单个密钥的特征信息，利用注意力残差块提取密钥，充分利用单个密钥特征信息之间的相关性，使得加密更加严谨，使无线通信的传输更加稳定。
Description
技术领域
本发明属于无线通信技术领域，具体涉及基于多重验证的无线通信控制方法及应用其的无线路由器。
背景技术
随着科技不断地发展，无线路由器逐渐应用于越来越广泛的领域，但随之而来的问题也逐渐增加，无线路由器在不同端口传输的安全性成为信息传输的重中之重，而如何保证信息在传输过程中的完整性，以及在泄露后的不可破译，成为如今急需解决的问题。
多通道电子密钥加密，凭借其真随机和被截获后的无法复原的属性成为数据加密的重要手段，将多通道电子密钥加密与无线路由器安全传输如何结合的同时，并保证传输效率，因此，亟需一种切实可行的方法将多通道电子密钥加密应用于无线路由器传输领域。
发明内容
本发明的目的在于克服现有技术的不足，提供基于多重验证的无线通信控制方法及应用其的无线路由器。
为实现上述技术方案，本发明一种基于多重验证的无线通信控制方法，包括以下步骤：
步骤1：选择通信密钥并搭建用户标签，训练通信密钥；
步骤2：选择训练数据集和测试数据集，并增强训练数据集通信密钥，扩充训练数据集通信密钥；
步骤3：将步骤2得到的训练数据集通信密钥进行1/N比例下采样处理，得到对应的单独通信密钥，其中N为缩放因子；
步骤4：将步骤2得到的训练数据集通信密钥裁剪成H×W的密钥组，将步骤3到的单独通信密钥裁剪成H/N×W/N的密钥组；
步骤5：将步骤4得到的两种密钥组分别作为完整通信密钥和单独通信密钥样本，生成HDF5的训练数据集文件；
步骤6：设计基于注意力机制的空洞卷积神经网络，具体如下：
6.1：设计基于注意力机制的空洞卷积模块
基于注意力机制的空洞卷积模块是由一个空洞卷积层和一个注意力块端对端连接组成，空洞卷积层的输出端连接注意力块的输入端，同时空洞卷积层的输出端与注意力块的输出端相乘，构成基于注意力机制的空洞卷积模块的输出；
6.2：设计多通道基于注意力机制的空洞卷积模块
多通道基于注意力机制的空洞卷积模块由m个不同空洞卷积系数d1、d2、…dm的基于注意力机制的空洞卷积模块及特征融合模块组成，m个空洞卷积模块以并联的方式连接，且它们的输出端都连接于特征融合模块；
6.3：设计注意力残差块
注意力残差块由一个残差块和一个注意力块端对端连接组成，残差块的输出端连接注意力块输入端，同时残差块的输出端与注意力块的输出端相乘，构成注意力残差块的输出；
6.4：构建多通道特征提取模块
多通道特征提取模块由多通道基于注意力机制的空洞卷积模块和注意力残差块端对端连接组成；
6.5：设计基于注意力机制的空洞卷积神经网络
基于注意力机制的空洞卷积神经网络由四部分组成，分别是输入模块、深层特征提取模块、上采样模块和输出模块，其中：
输入模块和输出模块都是由卷积核尺寸大小为3×3的卷积层组成，深层特征提取模块是由n个步骤6.4多通道特征提取模块和一个卷积层串联组成，并以残差的方式连接而成；
上采样模块是由多协议加密指令卷积组成；
步骤7：训练基于注意力机制的空洞卷积神经网络，具体如下：
7.1：设置损失函数，以此最小化重建的通信密钥与对应单独通信密钥的损失值来估计网络参数；
7.2：选择优化算法，对空洞卷积神经网络进行迭代训练；
7.3：选择密钥使用度的重合性重建评价指标来客观评价基于注意力机制的空洞卷积神经网络模型的重建性能，其中重合性表示测试目的或测试得到的结果；
7.4：设置步骤6.2中多通道基于注意力机制的空洞卷积模块的m和d1、d2、…dm的值；
7.5：设置训练参数，包括训练的学习率、迭代次数和批训练样本值；
7.6：用步骤5生成的HDF5训练数据集文件按照步骤6.5设置的参数，训练基于注意力机制的空洞卷积神经网络，生成网络模型；
7.7：使用测试数据集对步骤7.6得到的网络模型进行测试，记录通信密钥重建性能指标值；然后返回步骤7.4，设置不同的m和d1、d2、…dm值，继续训练并测试，最后，保存最高的通信密钥重建性能指标值对应的一组m和d1、d2、…dm值，并以此得到最终的基于注意力机制的空洞卷积神经网络模型；
步骤8：将单独通信密钥输入到上述基于注意力机制的空洞卷积神经网络模型中，输出得到重建后的完整通信密钥；
步骤9：匹配用户标签和重建后的通信密钥，完成密钥匹配，进行数据传输。
进一步地：所述步骤1中，还包括构建通信密钥，具体为：1、通过发送导频到对端再测量信道的某些特征来获取两者之间的无线信道随着时间的变化值；2、将测量值用不同的量化方法转换成为一串密钥比特；3、应用一种信息调和协议纠正两端生成的密钥比特的差异；4、执行比特转换来强化密钥，增大密钥的熵并且模糊窃听者在上一个信息调和步骤中能获取的局部信息。
进一步地：在所述步骤1中，用户标签搭建如下：1、分析用户数据，包括分析用户基本信息数据和兴趣领域数据，其中，基本信息数据包括但不限于用户姓名、性别和用户画像；2、将用户基本信息数据、初始输入信息归集到原始数据；3、将原始数据进行数据统计分析后归集进入事实标签；4、将事实标签进行建模分析后归集进入模型标签；5、将模型标签进行模型预测后归集到预测标签。
进一步地：所述步骤9具体包括以下步骤：
S91：用户输入重建后的密钥；
S92：对比用户输入结果，若输入结果正确，进入步骤S93，若输入结果错误，则返回步骤S91；
S93：输入结束并进行数据互通。
一种无线路由器，包括一个或多个存储器，用于存储指令；以及一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行一种基于多重验证的无线通信控制方法。
进一步的，还包括计算机可读存储介质，所述计算机可读存储介质包括
程序，当所述程序被处理器运行时，执行一种基于多重验证的无线通信控制方法。
与现有技术相比，本发明的有益效果是：
（1）与传统卷积层相比，基于注意力机制的空洞卷积模块在没有增加过多参数和计算量的情况下拥有更大的感受野，能够提取更多的单个密钥的特征信息，并利用注意力块充分提取通信密钥的信息；
（2）多通道基于注意力机制的空洞卷积模块有m个不同空洞卷积系数的基于注意力机制的空洞卷积模块来对单个密钥进行特征提取，充分利用单个密钥特征信息之间的相关性提取到更多的特征信息。同时多通道基于注意力机制的空洞卷积模块能对不同通道的特征信息进行融合；
（3）注意力残差块可以对多通道基于注意力机制的空洞卷积模块获得的特征进行再次深度提取，获得更多的通信密钥信息，使得重建的完整通信密钥拥有强的安全性，使数据传输更加稳定。
附图说明
图1为本发明的空洞卷积的立体3D可视化模型示意图；
图2为本发明的空洞残差卷积块示意；
图3为本发明的用户标签建模图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域技术人员在没有付出创造性劳动的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。
参阅图1-3，本发明提供的一种无线路由器，包括一个或多个存储器，用于存储指令；以及一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行一种基于多重验证的无线通信控制方法。
进一步的，还包括计算机可读存储介质，所述计算机可读存储介质包括
程序，当所述程序被处理器运行时，执行一种基于多重验证的无线通信控制方法。
上述无线路由器运行的具体步骤为：
步骤1：选择通信密钥并搭建用户标签，训练通信密钥；
步骤2：选择训练数据集和测试数据集，并增强训练数据集通信密钥，扩充训练数据集通信密钥；
步骤3：将步骤2得到的训练数据集通信密钥进行1/N比例下采样处理，得到对应的单独通信密钥，其中N为缩放因子；
步骤4：将步骤2得到的训练数据集通信密钥裁剪成H×W的密钥组，将步骤3到的单独通信密钥裁剪成H/N×W/N的密钥组；
步骤5：将步骤4得到的两种密钥组分别作为完整通信密钥和单独通信密钥样本，生成HDF5的训练数据集文件；
步骤6：设计基于注意力机制的空洞卷积神经网络，具体如下：
6.1：设计基于注意力机制的空洞卷积模块
基于注意力机制的空洞卷积模块是由一个空洞卷积层和一个注意力块端对端连接组成，空洞卷积层的输出端连接注意力块的输入端，同时空洞卷积层的输出端与注意力块的输出端相乘，构成基于注意力机制的空洞卷积模块的输出；
6.2：设计多通道基于注意力机制的空洞卷积模块
多通道基于注意力机制的空洞卷积模块由m个不同空洞卷积系数d1、d2、…dm的基于注意力机制的空洞卷积模块及特征融合模块组成，m个空洞卷积模块以并联的方式连接，且它们的输出端都连接于特征融合模块；
6.3：设计注意力残差块
注意力残差块由一个残差块和一个注意力块端对端连接组成，残差块的输出端连接注意力块输入端，同时残差块的输出端与注意力块的输出端相乘，构成注意力残差块的输出；
6.4：构建多通道特征提取模块
多通道特征提取模块由多通道基于注意力机制的空洞卷积模块和注意力残差块端对端连接组成；
6.5：设计基于注意力机制的空洞卷积神经网络
基于注意力机制的空洞卷积神经网络由四部分组成，分别是输入模块、深层特征提取模块、上采样模块和输出模块，其中：
输入模块和输出模块都是由卷积核尺寸大小为3×3的卷积层组成，深层特征提取模块是由n个步骤6.4多通道特征提取模块和一个卷积层串联组成，并以残差的方式连接而成；
上采样模块是由多协议加密指令卷积组成；
步骤7：训练基于注意力机制的空洞卷积神经网络，具体如下：
7.1：设置损失函数，以此最小化重建的通信密钥与对应单独通信密钥的损失值来估计网络参数；
7.2：选择优化算法，对空洞卷积神经网络进行迭代训练；
7.3：选择密钥使用度的重合性重建评价指标来客观评价基于注意力机制的空洞卷积神经网络模型的重建性能，其中重合性表示测试目的或测试得到的结果；
7.4：设置步骤6.2中多通道基于注意力机制的空洞卷积模块的m和d1、d2、…dm的值；
7.5：设置训练参数，包括训练的学习率、迭代次数和批训练样本值；
7.6：用步骤5生成的HDF5训练数据集文件按照步骤6.5设置的参数，训练基于注意力机制的空洞卷积神经网络，生成网络模型；
7.7：使用测试数据集对步骤7.6得到的网络模型进行测试，记录通信密钥重建性能指标值；然后返回步骤7.4，设置不同的m和d1、d2、…dm值，继续训练并测试，最后，保存最高的通信密钥重建性能指标值对应的一组m和d1、d2、…dm值，并以此得到最终的基于注意力机制的空洞卷积神经网络模型；
步骤8：将单独通信密钥输入到上述基于注意力机制的空洞卷积神经网络模型中，输出得到重建后的完整通信密钥；
步骤9：匹配用户标签和重建后的通信密钥，完成密钥匹配，进行数据传输。
此外，在所述步骤1中，还包括构建通信密钥，具体为：1、通过发送导频到对端再测量信道的某些特征来获取两者之间的无线信道随着时间的变化值；2、将测量值用不同的量化方法转换成为一串密钥比特；3、应用一种信息调和协议纠正两端生成的密钥比特的差异；4、执行比特转换来强化密钥，增大密钥的熵并且模糊窃听者在上一个信息调和步骤中能获取的局部信息。在所述步骤1中，用户标签搭建如下：1、分析用户数据，包括分析用户基本信息数据、测试次数数据、测试用时数据和兴趣领域数据；2、将用户基本信息数据、初始输入信息归集到原始数据；3、将原始数据进行数据统计分析后归集进入事实标签；4、将事实标签进行建模分析后归集进入模型标签；5、将模型标签进行模型预测后归集到预测标签。
所述步骤9具体包括以下步骤：
S91：用户输入重建后的密钥；
S92：对比用户输入结果，若输入结果正确，进入步骤S93，若输入结果错误，则返回步骤S91；
S93：输入结束并进行数据互通。
以上仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于多重验证的无线通信控制方法，其特征在于：包括以下步骤：
步骤1：用户设置通信密钥并搭建用户标签，训练通信密钥；
步骤2：选择训练数据集和测试数据集，并增强训练数据集通信密钥，扩充训练数据集通信密钥；
步骤3：将步骤2得到的训练数据集通信密钥进行1/N比例下采样处理，得到对应的单独通信密钥，其中N为缩放因子；
步骤4：将步骤2得到的训练数据集通信密钥裁剪成H×W的密钥组，将步骤3到的单独通信密钥裁剪成H/N×W/N的密钥组；
步骤5：将步骤4得到的两种密钥组分别作为完整通信密钥和单独通信密钥样本，生成HDF5的训练数据集文件；
步骤6：设计基于注意力机制的空洞卷积神经网络，具体如下：
6.1：设计基于注意力机制的空洞卷积模块
基于注意力机制的空洞卷积模块是由一个空洞卷积层和一个注意力块端对端连接组成，空洞卷积层的输出端连接注意力块的输入端，同时空洞卷积层的输出端与注意力块的输出端相乘，构成基于注意力机制的空洞卷积模块的输出；
6.2：设计多通道基于注意力机制的空洞卷积模块
多通道基于注意力机制的空洞卷积模块由m个不同空洞卷积系数d1、d2、…dm的基于注意力机制的空洞卷积模块及特征融合模块组成，m个空洞卷积模块以并联的方式连接，且它们的输出端都连接于特征融合模块；
6.3：设计注意力残差块
注意力残差块由一个残差块和一个注意力块端对端连接组成，残差块的输出端连接注意力块输入端，同时残差块的输出端与注意力块的输出端相乘，构成注意力残差块的输出；
6.4：构建多通道特征提取模块
多通道特征提取模块由多通道基于注意力机制的空洞卷积模块和注意力残差块端对端连接组成；
6.5：设计基于注意力机制的空洞卷积神经网络
基于注意力机制的空洞卷积神经网络由四部分组成，分别是输入模块、深层特征提取模块、上采样模块和输出模块，其中：
输入模块和输出模块都是由卷积核尺寸大小为3×3的卷积层组成，深层特征提取模块是由n个步骤6.4多通道特征提取模块和一个卷积层串联组成，并以残差的方式连接而成；
上采样模块是由多协议加密指令卷积组成；
步骤7：训练基于注意力机制的空洞卷积神经网络，具体如下：
7.1：设置损失函数，以此最小化重建的通信密钥与对应单独通信密钥的损失值来估计网络参数；
7.2：选择优化算法，对空洞卷积神经网络进行迭代训练；
7.3：选择密钥使用度的重合性重建评价指标来客观评价基于注意力机制的空洞卷积神经网络模型的重建性能，其中重合性表示测试目的或测试得到的结果；
7.4：设置步骤6.2中多通道基于注意力机制的空洞卷积模块的m和d1、d2、…dm的值；
7.5：设置训练参数，包括训练的学习率、迭代次数和批训练样本值；
7.6：用步骤5生成的HDF5训练数据集文件按照步骤6.5设置的参数，训练基于注意力机制的空洞卷积神经网络，生成网络模型；
7.7：使用测试数据集对步骤7.6得到的网络模型进行测试，记录通信密钥重建性能指标值；然后返回步骤7.4，设置不同的m和d1、d2、…dm值，继续训练并测试，最后，保存最高的通信密钥重建性能指标值对应的一组m和d1、d2、…dm值，并以此得到最终的基于注意力机制的空洞卷积神经网络模型；
步骤8：将单独通信密钥输入到上述基于注意力机制的空洞卷积神经网络模型中，输出得到重建后的完整通信密钥；
步骤9：匹配用户标签和重建后的通信密钥，完成密钥匹配，进行数据传输。
2.根据权利要求1所述的一种基于多重验证的无线通信控制方法，其特征在于：所述步骤1中，还包括构建通信密钥，具体为：1、通过发送导频到对端再测量信道的某些特征来获取两者之间的无线信道随着时间的变化值；2、将测量值用不同的量化方法转换成为一串密钥比特；3、应用一种信息调和协议纠正两端生成的密钥比特的差异；4、执行比特转换来强化密钥，增大密钥的熵并且模糊窃听者在上一个信息调和步骤中能获取的局部信息。
3.根据权利要求1所述的一种基于多重验证的无线通信控制方法，其特征在于：在所述步骤1中，用户标签搭建如下：1、分析用户数据，包括分析用户基本信息数据和兴趣领域数据，其中，基本信息数据包括但不限于用户姓名、性别和用户画像；2、将用户基本信息数据、初始输入信息归集到原始数据；3、将原始数据进行数据统计分析后归集进入事实标签；4、将事实标签进行建模分析后归集进入模型标签；5、将模型标签进行模型预测后归集到预测标签。
4.根据权利要求1所述的一种基于多重验证的无线通信控制方法，其特征在于：所述步骤9具体包括以下步骤：
S91：用户输入重建后的密钥；
S92：对比用户输入结果，若输入结果正确，进入步骤S93，若输入结果错误，则返回步骤S91；
S93：输入结束并进行数据互通。
5.一种无线路由器，其特征在于：
包括一个或多个存储器，用于存储指令；以及
一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行如权利要求1至4中任意一项所述的一种基于多重验证的无线通信控制方法。
6.根据权利要求5所述的一种无线路由器，其特征在于：还包括计算机可读存储介质，所述计算机可读存储介质包括
程序，当所述程序被处理器运行时，如权利要求1至4中任意一项所述的一种基于多重验证的无线通信控制方法被执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310344410.7A CN116056074A (zh) | 2023-04-03 | 2023-04-03 | 基于多重验证的无线通信控制方法及应用其的无线路由器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310344410.7A CN116056074A (zh) | 2023-04-03 | 2023-04-03 | 基于多重验证的无线通信控制方法及应用其的无线路由器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116056074A true CN116056074A (zh) | 2023-05-02 |
Family
ID=86125907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310344410.7A Pending CN116056074A (zh) | 2023-04-03 | 2023-04-03 | 基于多重验证的无线通信控制方法及应用其的无线路由器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116056074A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990116A (zh) * | 2021-04-21 | 2021-06-18 | 四川翼飞视科技有限公司 | 基于多注意力机制融合的行为识别装置、方法和存储介质 |
| CN114238546A (zh) * | 2022-02-24 | 2022-03-25 | 四川科星引擎教育科技有限责任公司 | 一种基于空洞卷积的自适应认知诊断测试设备及方法 |
| CN114390519A (zh) * | 2022-02-18 | 2022-04-22 | 网络通信与安全紫金山实验室 | 一种无线信道密钥生成方法、装置、设备及存储介质 |
| CN115439751A (zh) * | 2022-09-22 | 2022-12-06 | 桂林理工大学 | 一种融合多注意力的高分辨率遥感影像道路提取方法 |
-
2023
- 2023-04-03 CN CN202310344410.7A patent/CN116056074A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990116A (zh) * | 2021-04-21 | 2021-06-18 | 四川翼飞视科技有限公司 | 基于多注意力机制融合的行为识别装置、方法和存储介质 |
| CN114390519A (zh) * | 2022-02-18 | 2022-04-22 | 网络通信与安全紫金山实验室 | 一种无线信道密钥生成方法、装置、设备及存储介质 |
| CN114238546A (zh) * | 2022-02-24 | 2022-03-25 | 四川科星引擎教育科技有限责任公司 | 一种基于空洞卷积的自适应认知诊断测试设备及方法 |
| CN115439751A (zh) * | 2022-09-22 | 2022-12-06 | 桂林理工大学 | 一种融合多注意力的高分辨率遥感影像道路提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107743103B (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
| CN107506822B (zh) | 一种基于空间融合池化的深度神经网络方法 | |
| Zhang et al. | A unified multi-task semantic communication system for multimodal data | |
| CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
| Zhu et al. | Network latency estimation for personal devices: A matrix completion approach | |
| Chen et al. | Coulumb fluid, Painlevé transcendents, and the information theory of MIMO systems | |
| Shao et al. | Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing | |
| CN109285111A (zh) | 一种字体转换的方法、装置、设备及计算机可读存储介质 | |
| CN107566383B (zh) | 一种有限网络带宽约束下的高维时空场数据实时传输方法 | |
| CN113067653B (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
| Xia et al. | Domain fingerprints for no-reference image quality assessment | |
| CN115935372A (zh) | 一种基于图嵌入和双向门控图神经网络的漏洞检测方法 | |
| CN116056074A (zh) | 基于多重验证的无线通信控制方法及应用其的无线路由器 | |
| Zhang et al. | Sonar image quality evaluation using deep neural network | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| CN117692254A (zh) | 一种虚拟电厂多阶段apt攻击检测方法 | |
| CN117667749A (zh) | 一种模糊测试用例优化方法及系统 | |
| CN105682141B (zh) | 基于邻居辅助的无线传感器网络数据采集方法 | |
| CN115604131B (zh) | 一种链路流量预测方法、系统、电子设备及介质 | |
| Xu et al. | Mobile edge generation-enabled digital twin: Architecture design and research opportunities | |
| CN109525598A (zh) | 一种基于变分混合的无线传感网深度容错压缩方法及系统 | |
| CN116189048A (zh) | 一种基于深度神经网络和自注意力机制的非接触心率检测方法和系统 | |
| Lai et al. | Characterizing complex flows using adaptive sparse dynamic mode decomposition with error approximation | |
| CN112115637B (zh) | Noma系统模型构建、优化方法、电子设备、存储介质 | |
| CN114238546A (zh) | 一种基于空洞卷积的自适应认知诊断测试设备及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |
|
| RJ01 | Rejection of invention patent application after publication |