JP6992038B2 - 室内空間で用いられるネットワーク挙動検出器及びそのネットワーク挙動検出方法 - Google Patents

Description

本発明は、室内空間で用いられるネットワーク挙動検出器及びそのネットワーク挙動検出方法に関する。具体的には、本発明のネットワーク挙動検出器は、室内空間中の無線周波数信号を分析し、これにより室内空間中に不適切な無線ネットワーク挙動があるか否かを検出する。

無線通信技術の急速な成長に伴い、人々の生活には既に無線通信の各種アプリケーションで溢れかえっており、さらに人々の無線通信に対するニーズも日々増加している。無線通信機器の普及に伴って、情報とデータの共有及び散布はますます容易になっている。しかし、大多数の企業は、業務上の秘密又は会社データの流出を防ぐため、企業の建物内部に入る者に対し、携帯電話又はノートパソコンのカメラの使用を禁止し、ひいては有線ネットワークの隔離空間を構築している。

有線ネットワークの隔離空間は、ネットワークアクセス及びデータの伝達を有効に制御できるが、たとえ企業の建物内部で無線ネットワーク（例えば、Ｗｉ－Ｆｉ（登録商標）ネットワーク）を提供していなくても、企業ビルの周囲の建築物又は公共施設が提供する無線ネットワークを企業が確実に隔離することは困難である。このため、依然として企業の建物内部に入る者が意図的に外部の無線ネットワークを通じて情報又はデータをその他の場所に伝送することは可能である。

以上より、本分野において、室内空間中における不適切な無線ネットワーク挙動があるか否かを検出するためのネットワーク挙動検出システムが早急に必要とされている。

本発明は、室内空間中の無線周波数信号を分析することにより、室内空間中に不適切な無線ネットワーク挙動があるか否かを検出するネットワーク挙動検出システムの提供を目的としている。これにより、本発明のネットワーク挙動検出システムは、不適切な無線ネットワーク挙動を即時に発見でき、情報又はデータ流出防止のため、さらに進んで臨機応変に対処可能な対応策とすることができる。

上記目的を達成するため、本発明は、室内空間で用いられるネットワーク挙動検出器を開示し、これには無線周波数受信器、及びプロセッサを含む。当該プロセッサは、当該無線周波数受信器に電気的に接続されているとともに、以下の操作を実行するのに用いられる。当該無線周波数受信器により、当該室内空間中の複数の無線周波数信号を受信する。当該無線周波数信号を複数のデジタル信号に変換する。各当該デジタル信号のエネルギー値を計算する。当該デジタル信号のうち、当該エネルギー値が臨界値より小さいものをフィルタリングすることにより、複数の分析信号を生成する。各当該分析信号の複数のエネルギー特性値を採取することにより、特性データを生成する。及び、識別モデルにより当該特性データを分析することにより、識別結果を生成し、その中において、当該識別結果は複数のネットワーク挙動のうちの１つに対応する。

このほか、本発明はさらに、ネットワーク挙動検出器で用いられるネットワーク挙動検出方法を開示する。当該ネットワーク挙動検出器は、室内空間に設置される。当該ネットワーク挙動検出器は、無線周波数受信器及びプロセッサを含む。当該ネットワーク挙動検出方法は、当該プロセッサによって実行され、かつ下記の手順を含む。当該無線周波数受信器により、当該室内空間中の複数の無線周波数信号を受信する。当該無線周波数信号を複数のデジタル信号に変換する。各当該デジタル信号のエネルギー値を計算する。当該デジタル信号のうち、当該エネルギー値が臨界値より小さいものをフィルタリングすることにより、複数の分析信号を生成する。各当該分析信号の複数のエネルギー特性値を採取することにより、特性データを生成する。及び、識別モデルにより当該特性データを分析することにより、識別結果を生成し、その中において、当該識別結果は複数のネットワーク挙動のうちの１つに対応する。

図面及び後で説明する実施例を参照することにより、この技術分野における通常の知識を有する者（当業者）は、本発明のその他の目的、及び本発明の技術手段並びに実施形態を直ちに理解することができる。

本発明のネットワーク挙動検出器１の実施状況を示した図である。 ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて動画を伝送したときの測定結果である。 ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて写真を伝送したときの測定結果である。 ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じてオンライン動画を受信したときの測定結果である。 ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて、いかなるデータも伝送又は受信していないときの測定結果である。 ネットワーク挙動検出器１がデジタル信号変換ＤＳＴを実行することにより、測定した無線周波数信号ＲＳ１～ＲＳｎをデジタル信号ＤＳ１～ＤＳｎに変換することを示した図である。 デジタル信号ＤＳ１のイメージ図である。 ネットワーク挙動検出器１がデジタル信号ＤＳ１～ＤＳｎに対して、ノイズフィルタリングＮＦを実行することを示した図である。 特性データＦＤのイメージ図である。 ネットワーク挙動検出器１が特性データＦＤを識別モデルＩＭに入力することにより、識別結果ＩＲを生成することを示した図である。 識別モデルＩＭの生成を示す図である。 識別モデルＩＭの生成を示す図である。 本発明のネットワーク挙動検出器１のイメージ図である。 本発明のネットワーク挙動検出方法のフローチャートである。

以下、実施例を通じて本発明内容について説明する。本発明の実施例は、実施例で述べた特定の環境、応用または特殊な方法でなければ本発明を実施することができないというように本発明を制限するために用いるものではない。従って、実施例に関する説明は、本発明の目的を詳しく説明するためだけのものであり、本発明を制限するために用いるものではない。
以下の実施例及び図面内において、本発明と直接関係していない部品については省略し、図示していない。また図面内の各部品間のサイズ関係は単に容易に理解するためのものであり、実際の比率を制限するために用いているのではないことを説明しておかなければならない。

本発明の実施例１については、図１を参照されたい。図１は、本発明のネットワーク挙動検出器１の実施状況を示した図である。
ネットワーク挙動検出器１は、室内空間ＩＳ、特に、有線ネットワーク接続のみを提供する室内空間に適用される。例を挙げて言うと、室内空間ＩＳは、企業の建物内部の会議室であることができ、かつ訪問客又は企業の従業員による会議の情報又はデータの漏洩を防ぐため、当該会議室はネットワークアクセス及びデータの伝達を制御しやすいように、有線ネットワーク接続のみが提供されている。

室内空間ＩＳは、有線ネットワーク接続のみが提供されているが、周囲の環境で無線ネットワークが提供されている場合（例えば、周辺の建築物又は公共施設のネットワークのアクセスポイントＡＰにより無線ネットワークが提供されている）、訪問客又は企業の従業員のユーザー機器は、依然としてアクセスポイントＡＰに接続可能である。例を挙げて言うと、室内空間ＩＳにはユーザー機器３ａ、３ｂ、３ｃ、３ｄが存在し、そしてユーザー機器３ｄはアクセスポイントＡＰに接続されている。アクセスポイントＡＰは無線ＬＡＮ（例えば、Ｗｉ－Ｆｉネットワーク）を提供し、また各ユーザー機器３ａ、３ｂ、３ｃ、３ｄは、スマートフォン、タブレット端末、ノートパソコン又はＷｉ－Ｆｉ接続機能を有するユーザー機器のいずれであっても良い。

ユーザー機器３ｄがアクセスポイントＡＰに接続しているというネットワーク挙動を検出するため、本発明のネットワーク挙動検出器１は、室内空間ＩＳ内に設置され、これにより室内空間ＩＳ中の複数の無線周波数信号ＲＳ１～ＲＳｎを受信する。この中のｎは正の整数である。言い換えると、ネットワーク挙動検出器１は、室内空間ＩＳ中の特定の周波数帯上の信号を測定する。例を挙げて言うと、所属する技術分野における通常の知識を有する者（当業者）は、Ｗｉ－Ｆｉネットワークが２．４Ｇ周波数帯の範囲において複数のチャネル（Ｃｈａｎｎｅｌ）を有しており、例えば、１１のチャネルがあり、かつ各チャネルの帯域幅が２０ＭＨｚであることを理解することができる。
ネットワーク挙動検出器１は、当該チャネルのそれぞれに対し、測定を行うことが可能である。所属分野における通常の知識を有する者（当業者）は、ネットワーク挙動検出器１がＷｉ－Ｆｉネットワークのその他の周波数帯の範囲（例えば、５Ｇ周波数帯の範囲）又はその他の無線ネットワークシステムの無線周波数信号の測定にも使用可能であることを理解することができる。ゆえに、ここではこれ以上例を挙げて説明しないこととする。

本実施例においては、仮に、室内空間ＩＳにおいて、ユーザー機器３ｄだけがＷｉ－Ｆｉ機能を使用してアクセスポイントＡＰに接続しているものとする。図２～図５は、ネットワーク挙動検出器１が当該チャネルのうちの１つにおいて測定を行った測定結果を示している。その中で、横軸は周波数であり、縦軸は時間である。
図２は、ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて動画を伝送したときの測定結果である。図３は、ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて写真を伝送したときの測定結果である。図４は、ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じてオンライン動画を受信（例えば、ＹｏｕＴｕｂｅ（登録商標）動画鑑賞）したときの測定結果である。図５は、ユーザー機器３ｄにおいて、アクセスポイントＡＰを通じて、いかなるデータも伝送又は受信していないときの測定結果である。図５において、ネットワーク挙動検出器１が測定した無線周波数信号は、アクセスポイントＡＰが伝送した放送信号であることを説明しておかなければならない。図２から図５により、異なるネットワーク挙動が対応する無線周波数信号は、異なる伝送パターン（ｐａｔｔｅｒｎ）を有し、かつこれらの伝送パターンは明らかな差異性を有することがわかる。

本実施例において、各無線周波数信号ＲＳ１～ＲＳｎは、１つのチャネル上の無線周波数信号における単位時間区間を指し、また単位時間区間は直交周波数分割多重（Ｏｒｔｈｏｇｏｎａｌ ｆｒｅｑｕｅｎｃｙ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅｘｉｎｇ；ＯＦＤＭ）シンボル（ｓｙｍｂｏｌ）の時間の長さとすることができる。引き続いて、図６Ａに示すとおり、ネットワーク挙動検出器１がデジタル信号変換ＤＳＴを実行することにより、測定した無線周波数信号ＲＳ１～ＲＳｎを複数のデジタル信号ＤＳ１～ＤＳｎに変換する。例を挙げて言うと、デジタル信号ＤＳ１は、図６Ｂに示すとおりであることができ、その中で横軸は周波数であり、また縦軸はエネルギーの大きさ（基準はｄＢ）である。
ネットワーク挙動検出器１がデジタル信号変換ＤＳＴを実行するプロセスでは、時間領域上の無線周波数信号ＲＳ１についてサンプリング（ｓａｍｐｌｉｎｇ）を実行するとともに、１０２４ポイントの離散フーリエ変換（Ｄｉｓｃｒｅｔｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ；ＤＦＴ）の信号処理を実行し、これによりデジタル信号ＤＳ１を生成する。

説明しやすくするため、図７では、デジタル信号ＤＳ１～ＤＳｎをマトリックス図で表示している。各デジタル信号ＤＳ１～ＤＳｎは、１×１０２４次数のベクトルで表示できる。その後、ネットワーク挙動検出器１は、各デジタル信号ＤＳ１～ＤＳｎのエネルギー値（例えば、各ベクトルの全素子の平均値）を計算する。次に、ネットワーク挙動検出器１がデジタル信号ＤＳ１～ＤＳｎに対して、ノイズフィルタリングＮＦを実行し、これによりノイズのみを有するデジタル信号又はエネルギーが小さいデジタル信号をフィルタリングする。ノイズのみを有するデジタル信号をフィルタリングすることにより、分析の実行が必要な後続のデータ量を減少させることができ、またエネルギーが小さいデジタル信号をフィルタリングすることにより、室内空間ＩＳのユーザー機器が伝送又は受信したものではない信号を排除可能であることを理解することができる。

具体的には、ネットワーク挙動検出器１は、デジタル信号ＤＳ１～ＤＳｎの中でエネルギー値が臨界値より小さいものをフィルタリングすることにより、複数の分析信号ＡＳ１～ＡＳｍを生成する。このとき、ｍは正の整数であり、かつｎより小さい。
臨界値の設定は、ノイズのみを有するデジタル信号又はエネルギーが小さいデジタル信号をフィルタリングするためであるので、所属技術分野における通常の知識を有する者（当業者）は、臨界値の大きさが室内空間ＩＳの空間の大きさと互いに関係しているため、実際の操作上においては室内空間ＩＳの空間の大きさによって適切に臨界値を設定するものであることを理解することができる。前述のネットワーク挙動検出器１が各デジタル信号ＤＳ１～ＤＳｎのエネルギー値を計算するとは、各デジタル信号ＤＳ１～ＤＳｎの複数のサブキャリア（ｓｕｂｃａｒｒｉｅｒ）のエネルギー平均値、エネルギーピーク値最大値、又はデジタル信号ＤＳ１～ＤＳｎのエネルギー値を示すその他数値を計算することを指すが本発明はこれらに限定されない。

ネットワーク挙動検出器１は、スライディングウィンドウ（ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）ＳＷに基づき、Ｗ個のデジタル信号を何組かに分けてノイズフィルタリングＮＦを実行する。即ち、１個目のデジタル信号からＷ個目のデジタル信号までについて、まずノイズフィルタリングＮＦを実行し、次にＷ＋１個目のデジタル信号から２Ｗ個目のデジタル信号までについてノイズフィルタリングＮＦを実行し、以下これによって類推し、予め設定した数量の分析信号が得られるまで、例えば、ｍ個の分析信号ＡＳ１～ＡＳｍを収集するまで行う。Ｗは正の整数であり、かつその数値はスライディングウィンドウＳＷの長さに基づいて決定される。例を挙げて言うと、スライディングウィンドウＳＷは１ミリ秒（ｍｓ）であることができ、かつｍは１００であることができる。これにより、ネットワーク挙動検出器１は、１００個の分析信号ＡＳ１～ＡＳ１００を収集することができる。

後続について、ネットワーク挙動検出器１が１００個の分析信号ＡＳ１～ＡＳ１００を収集した場合を例として説明する。１００個の分析信号ＡＳ１～ＡＳ１００を得た後、ネットワーク挙動検出器１は、各分析信号ＡＳ１～ＡＳ１００の複数のエネルギー特性値を採取し、これにより特性データＦＤを生成する。当該エネルギー特性値は、最大値（ｍａｘｉｍｕｍ）、最小値（ｍｉｎｉｍｕｍ）、中央値（ｍｅｄｉａｎ）、平均値（ｍｅａｎ）、標準偏差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）及び総和（ｓｕｍ）のうち、少なくとも２つを含むことができるが、これらに限らないものとする。

図８に示すとおり、特性データＦＤは、各分析信号ＡＳ１～ＡＳ１００の当該エネルギー特性値を含む。この模範例において、当該エネルギー特性値が最大値、最小値、中央値、平均値、標準偏差及び総和を含む場合を例として説明する。
最大値ＡＳ１_ＭＡＸ、最小値ＡＳ１_ＭＩＮ、中央値ＡＳ１_ＭＥＤ、平均値ＡＳ１_ＭＥＡＮ、標準偏差ＡＳ１_ＳＴＤ及び総和ＡＳ１_ＳＵＭは、分析信号ＡＳ１の中から得たものである。最大値ＡＳ２_ＭＡＸ、最小値ＡＳ２_ＭＩＮ、中央値ＡＳ２_ＭＥＤ、平均値ＡＳ２_ＭＥＡＮ、標準偏差ＡＳ２_ＳＴＤ及び総和ＡＳ２_ＳＵＭは、分析信号ＡＳ２の中から得たものである。最大値ＡＳ３_ＭＡＸ、最小値ＡＳ３_ＭＩＮ、中央値ＡＳ３_ＭＥＤ、平均値ＡＳ３_ＭＥＡＮ、標準偏差ＡＳ３_ＳＴＤ及び総和ＡＳ３_ＳＵＭは、分析信号ＡＳ３の中から得たものである。以下これにより類推し、最大値ＡＳ１００_ＭＡＸ、最小値ＡＳ１００_ＭＩＮ、中央値ＡＳ１００_ＭＥＤ、平均値ＡＳ１００_ＭＥＡＮ、標準偏差ＡＳ１００_ＳＴＤ及び総和ＡＳ１００_ＳＵＭは、分析信号ＡＳ１００の中から得たものである。

引き続いて、図９に示すとおり、ネットワーク挙動検出器１は、特性データＦＤを識別モデルＩＭに入力するとともに、識別モデルＩＭにより特性データＦＤについて分析を実行する。これにより識別結果ＩＲを生成する。識別結果ＩＲは、複数のネットワーク挙動のうちの１つに対応する。
ネットワーク挙動は、前述の動画伝送、写真電送、オンライン動画受信又はその他の可能な伝送挙動の中のいずれであっても良い。これにより、識別結果ＩＲに基づいて、ネットワーク挙動検出器１は、不適切な無線ネットワーク挙動を即時に発見できるとともに、関連人員のユーザー機器に適時にアラートを発信し、又は通知情報を伝送することができる。これにより情報又はデータ流出防止のため、さらに進んで臨機応変に対処可能な対応策とすることができる。

本発明の実施例２については、図１０Ａ、図１０Ｂを参照されたい。本実施例では、実施例１の識別モデルＩＭがどのようにして生成されるか説明する。
まず、ネットワーク挙動検出器１は、室内空間ＩＳ中の複数の訓練無線周波数信号ＴＲＳ１～ＴＲＳＮを受信する。この中のＮは正の整数である。訓練無線周波数信号ＴＲＳ１～ＴＲＳＮは、ユーザー機器による既知のネットワーク挙動（例えば、動画伝送、写真電送、オンライン動画受信又はその他の可能なあらゆる伝送挙動）の実行によって生成される。言い換えると、ネットワーク挙動検出器１が既知のネットワーク挙動に対応する無線周波数信号を受信することにより、後続の機器学習モデルＭＬＭの訓練に用いるサンプル（ｓａｍｐｌｅ）の生成に供される。

引き続いて、ネットワーク挙動検出器１は、訓練無線周波数信号ＴＲＳ１～ＴＲＳＮを複数の訓練デジタル信号ＴＤＳ１～ＴＤＳＮに変換する。同様に、ネットワーク挙動検出器１は、各訓練デジタル信号ＴＤＳ１～ＴＤＳＮのエネルギー値を計算する。その後、ネットワーク挙動検出器１は、訓練デジタル信号ＴＤＳ１～ＴＤＳＮに対してノイズフィルタリングＮＦを実行することで、訓練デジタル信号ＴＤＳ１～ＴＤＳＮの中でエネルギー値が臨界値より小さい訓練デジタル信号をフィルタリングすることにより、複数の訓練分析信号ＴＡＳ１～ＴＡＳＭを生成する。このとき、Ｍは正の整数であり、かつＮより小さい。

同様に、ネットワーク挙動検出器１は、スライディングウィンドウＳＷ（例えば、１ミリ秒ｍｓ）に基づき、Ｗ個の訓練デジタル信号を何組かに分けてノイズフィルタリングＮＦを実行する。即ち、１個目の訓練デジタル信号からＷ個目の訓練デジタル信号までについて、まずノイズフィルタリングＮＦを実行し、次にＷ＋１個目の訓練デジタル信号から２Ｗ個目の訓練デジタル信号までについてノイズフィルタリングＮＦを実行し、以下これによって類推し、１００個の訓練分析信号ＴＡＳ１～ＴＡＳ１００を収集するまで行う。従って、ネットワーク挙動検出器１は、現時点において収集した１００個の訓練分析信号ＴＡＳ１～ＴＡＳ１００それぞれの当該エネルギー特性値（例えば、最大値、最小値、中央値、平均値、標準偏差及び総和）を採取することにより、訓練データＴＤ１を生成する。

引き続いて、ネットワーク挙動検出器１は、次の１００個の訓練分析信号ＴＡＳ１０１～ＴＡＳ２００を収集し、訓練分析信号ＴＡＳ１０１～ＴＡＳ２００それぞれの当該エネルギー特性値を採取することにより、別の訓練データＴＤ２を生成する。以下これによって類推し、ネットワーク挙動検出器１は、複数の訓練データＴＤ１～ＴＤｉを生成することができ、その中でｉは正の整数であり、かつ実際に必要な訓練データの個数に基づいて決定される。言い換えると、当該訓練分析信号の数量が予め設定した数量（例えば、１００）まで累積されたとき、ネットワーク挙動検出器１は、予め設定した数量の訓練分析信号の中から各訓練分析信号の当該エネルギー特性値を採取して１つの訓練データとする（即ち、訓練データＴＤ１～ＴＤｉの中の１つである）。

異なる既知のネットワーク挙動に対応する訓練無線周波数信号ＴＲＳ１～ＴＲＳＮを受信することによって、ネットワーク挙動検出器１は、異なる既知のネットワーク挙動に対応する訓練データＴＤ１～ＴＤｉを生成することができる。その後、ネットワーク挙動検出器１は、訓練データＴＤ１～ＴＤｉを機器学習モデルＭＬＭに入力することで、複数の識別結果ＩＲ１～ＩＲＭを生成することにより、機器学習モデルＭＬＭを訓練する。本実施例において、機器学習モデルは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）モデルとすることができ（但し、これに限定されない）、かつ訓練方式は監督式とすることができる（但し、これに限定されない）。
最後に、訓練後の機器学習モデルＭＬＭに基づき、ネットワーク挙動検出器１は識別モデルＩＭを生成する。言い換えると、上記方式により訓練した後の機器学習モデルＭＬＭは、本発明の識別モデルＩＭとすることができ、これにより、実施例１で述べたように、不適切な無線ネットワーク挙動を検出するのに用いられる。

本発明の実施例３は図１１に示すとおりであり、これは本発明の室内空間で用いられるネットワーク挙動検出器１のイメージ図である。ネットワーク挙動検出器１は、無線周波数受信器１１及びプロセッサ１３を含む。プロセッサ１３は、無線周波数受信器１１に電気的に接続されている。ネットワーク挙動検出器１は、ソフトウェア無線（Ｓｏｆｔｗａｒｅ Ｄｅｆｉｎｅｄ Ｒａｄｉｏ；ＳＤＲ）機器により実現できる。説明の簡略化の原則に基づき、ネットワーク挙動検出器１のその他の部品、例えば、ストレージ、ハウジング、電源モジュールなど本発明と関係のない部品は、すべて図中では省略し、図示していない。

実施例１に対応し、プロセッサ１３は、無線周波数受信器１１により室内空間中の複数の無線周波数信号を受信する。当該無線周波数信号は、無線ＬＡＮのチャネル（ｃｈａｎｎｅｌ）上から受信できる。その後、プロセッサ１３は、当該無線周波数信号を複数のデジタル信号に変換する（図６Ａに示したとおり）とともに、各デジタル信号のエネルギー値を計算する。
引き続いて、プロセッサ１３は、当該デジタル信号のうち、当該エネルギー値が臨界値より小さいものをフィルタリングし、これにより複数の分析信号を生成する（図７に示したとおりである）。各分析信号の当該エネルギー特性値は、最大値、最小値、中央値、平均値、標準偏差及び総和のうち、少なくとも２つを含むことができる。

当該分析信号を生成した後、プロセッサ１３は、各分析信号の複数のエネルギー特性値を採取し、これにより特性データを生成する（図８に示したとおりである）。その後、プロセッサ１３は、識別モデルにより特性データを分析し、これにより識別結果を生成する（図９に示したとおりである）。先に述べたのと同様に、識別結果は、複数のネットワーク挙動のうちの１つに対応することができる。

実施例において、プロセッサ１３は、スライディングウィンドウに基づき、当該デジタル信号のうち、エネルギー値が臨界値より小さいものをフィルタリングする（図７に示したとおりである）。

実施例において、室内空間における空間の大きさは、臨界値と互いに関係している。

実施例において、プロセッサ１３は、当該デジタル信号のうち、エネルギー値が臨界値より小さいものをフィルタリングし、これにより予め設定した数量の当該分析信号を得る。予め設定した数量は、実施例１で挙げたように１００とすることができる。

実施例において、各デジタル信号のエネルギー値は、複数のサブキャリア（ｓｕｂｃａｒｒｉｅｒ）のエネルギー平均値とすることができる。

実施例２に対応して、識別モデルは、プロセッサ１３が以下の操作を実行することに基づいて生成される。無線周波数受信器１１により、室内空間中の複数の訓練無線周波数信号を受信する。当該訓練無線周波数信号を複数の訓練デジタル信号に変換する。各訓練デジタル信号のエネルギー値を計算する。当該訓練デジタル信号のうち、エネルギー値が臨界値より小さいものをフィルタリングすることにより、複数の訓練分析信号を生成する。当該訓練分析信号の中から複数の訓練データを採取し、その中で当該訓練分析信号の数量が予め設定した数量まで累積されたとき、予め設定した数量の当該訓練分析信号の中から各訓練分析信号の当該エネルギー特性値を採取し、当該訓練データの中の１つとする。当該訓練データを機器学習モデルに入力し、これにより機器学習モデルを訓練する。及び、訓練後の機器学習モデルに基づいて、識別モデルを生成する。

実施例において、機器学習モデルは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）モデルとすることができる。

本発明の実施例４は、ネットワーク挙動検出方法について説明しており、そのフローチャートは図１２に示すとおりである。ネットワーク挙動検出方法は、ネットワーク挙動検出器（例えば、前述の実施例のネットワーク挙動検出器１）に適用される。ネットワーク挙動検出器は、室内空間に設置することができ、かつ無線周波数受信器及びプロセッサを含む。ネットワーク挙動検出方法は、プロセッサにより実行され、そこに含まれる手順を下記のとおり説明する。

まず、手順Ｓ１２０１において、無線周波数受信器により室内空間中の複数の無線周波数信号を受信する。手順Ｓ１２０３において、当該無線周波数信号を複数のデジタル信号に変換する。引き続いて、手順Ｓ１２０５において、各デジタル信号のエネルギー値を計算し、また手順Ｓ１２０７において、当該デジタル信号のうち、エネルギー値が臨界値より小さいものをフィルタリングし、これにより複数の分析信号を生成する。

その後、手順Ｓ１２０９において、各分析信号の複数のエネルギー特性値を採取し、これにより特性データを生成する。最後に、手順Ｓ１２１１において、識別モデルにより当該特性データを分析し、これにより識別結果を生成する。前述と同様に、識別結果は、複数のネットワーク挙動のうちの１つに対応することができる。

実施例において、当該無線周波数信号は、無線ＬＡＮのチャネル（ｃｈａｎｎｅｌ）上から受信する。

実施例において、各分析信号の当該エネルギー特性値は、最大値、最小値、中央値、平均値、標準偏差及び総和のうち、少なくとも２つを含む。

実施例において、本発明のネットワーク挙動検出方法は、さらに下記の手順を含む。スライディングウィンドウに基づき、当該デジタル信号のうち、当該エネルギー値が臨界値より小さいものをフィルタリングする。

実施例において、室内空間における空間の大きさは、臨界値と互いに関係している。

実施例において、本発明のネットワーク挙動検出方法は、さらに下記の手順を含む。当該デジタル信号のうち、エネルギー値が臨界値より小さいものをフィルタリングし、これにより予め設定した数量の当該分析信号を得る。

実施例において、各デジタル信号のエネルギー値は、複数のサブキャリア（ｓｕｂｃａｒｒｉｅｒ）のエネルギー平均値である。

実施例において、本発明の識別モデルは、以下の手順に基づいて生成される。無線周波数受信器により、室内空間中の複数の訓練無線周波数信号を受信する。当該訓練無線周波数信号を複数の訓練デジタル信号に変換する。各訓練デジタル信号のエネルギー値を計算する。当該訓練デジタル信号のうち、当該エネルギー値が臨界値より小さいものをフィルタリングすることにより、複数の訓練分析信号を生成する。
当該訓練分析信号の中から複数の訓練データを採取し、その中で当該訓練分析信号の数量が予め設定した数量まで累積されたとき、予め設定した数量の当該訓練分析信号の中から各訓練分析信号の当該エネルギー特性値を採取し、当該訓練データの中の１つとする。当該訓練データを機器学習モデルに入力し、これにより機器学習モデルを訓練する。及び、訓練後の機器学習モデルに基づいて、識別モデルを生成する。

実施例において、機器学習モデルは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）モデルである。

上記手順のほか、本発明のネットワーク挙動検出方法は、前述のすべての実施例において詳述したすべての操作を実行することができるとともに、対応するすべての機能を有する。所属技術分野における通常の知識を有する者（当業者）は、この実施例が前述のすべての実施例に基づき、どのようにしてこれらの操作を実行し、当該機能を有しているかを直接理解することができるため、ここでは贅述しない。

上記を要約すると、本発明は、室内空間中の無線周波数信号を分析することにより、不適切な無線ネットワーク挙動があるか否かを検出するので、不適切な無線ネットワーク挙動を即時に発見でき、情報又はデータ流出防止のため、さらに進んで臨機応変に対処可能な対応策とすることができる。

上記の実施例は単に本発明の実施形態の例を挙げるために、そして本発明の技術特性を詳しく説明するためだけに用いているものであり、決して本発明の保護の範疇を制限するために用いているものではない。またこの技術に詳しい者が容易に完成したいかなる変更または均等論の適用も、すべて本発明の主張の範囲に属し、かつ本発明の権利保護範囲は特許請求の範囲を基準とする。

１ ネットワーク挙動検出器
３ａ、３ｂ、３ｃ、３ｄ ユーザー機器
ＡＰ アクセスポイント
ＩＳ 室内空間
ＲＳ１～ＲＳｎ 無線周波数信号
ＤＳ１～ＤＳｎ デジタル信号
ＤＳＴ デジタル信号変換
ＮＦ ノイズフィルタリング
ＡＳ１～ＡＳｍ 分析信号
ＳＷ スライディングウィンドウ
ＦＤ 特性データ
ＡＳ１_ＭＡＸ～ＡＳ１００_ＭＡＸ 最大値
ＡＳ１_ＭＩＮ～ＡＳ１００_ＭＩＮ 最小値
ＡＳ１_ＭＥＤ～ＡＳ１００_ＭＥＤ 中央値
ＡＳ１_ＭＥＡＮ～ＡＳ１００_ＭＥＡＮ 平均値
ＡＳ１_ＳＴＤ～ＡＳ１００_ＳＴＤ 標準偏差
ＡＳ１_ＳＵＭ～ＡＳ１００_ＳＵＭ 総和
ＩＭ 識別モデル
ＩＲ、ＩＲ１～ＩＲＭ 識別結果
ＴＲＳ１～ＴＲＳＮ 訓練無線周波数信号
ＴＤＳ１～ＴＤＳＮ 訓練デジタル信号
ＴＡＳ１～ＴＡＳＭ 訓練分析信号
ＴＤ１～ＴＤｉ 訓練データ
ＭＬＭ 機器学習モデル
１１ 無線周波数受信器
１３ プロセッサ
Ｓ１２０１～Ｓ１２１１ 手順

Claims (18)

1. 室内空間で用いられるネットワーク挙動検出器であって、
   無線周波数受信器、及び、
   前記無線周波数受信器に電気的に接続されているプロセッサを含み、
   前記プロセッサは、前記無線周波数受信器により、前記室内空間中の複数の無線周波数信号を受信する、前記無線周波数信号を複数のデジタル信号に変換する、各前記デジタル信号のエネルギー値を計算する、前記デジタル信号のうち、前記エネルギー値が臨界値より小さいものをフィルタリングし、これにより複数の分析信号を生成する、各前記分析信号の複数のエネルギー特性値を採取し、これにより特性データを生成する、及び、識別モデルにより前記特性データを分析し、これにより識別結果を生成し、この中で前記識別結果は複数の不適切な無線ネットワーク挙動のうちの１つに対応する、という操作を実行するのに用いられる、
   室内空間で用いられるネットワーク挙動検出器。
2. 前記無線周波数信号が無線ＬＡＮのチャネル（ｃｈａｎｎｅｌ）上から受信される、請求項１に記載のネットワーク挙動検出器。
3. 各前記分析信号の前記エネルギー特性値は、最大値、最小値、中央値、平均値、標準偏差及び総和のうち少なくとも２つを含む、請求項１に記載のネットワーク挙動検出器。
4. 前記プロセッサがスライディングウィンドウ（ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）に基づき、前記デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングする、請求項１に記載のネットワーク挙動検出器。
5. 前記室内空間における空間の大きさは、前記臨界値と互いに関係している、請求項１に記載のネットワーク挙動検出器。
6. 前記プロセッサは、前記デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングし、これにより予め設定した数量の前記分析信号を得る、請求項１に記載のネットワーク挙動検出器。
7. 各前記デジタル信号の前記エネルギー値が複数のサブキャリア（ｓｕｂｃａｒｒｉｅｒ）のエネルギー平均値である、請求項１に記載のネットワーク挙動検出器。
8. 前記無線周波数受信器により、前記室内空間中の複数の訓練無線周波数信号を受信する、前記訓練無線周波数信号を複数の訓練デジタル信号に変換する、各前記訓練デジタル信号の前記エネルギー値を計算する、前記訓練デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングし、これにより複数の訓練分析信号を生成する、前記訓練分析信号の中から複数の訓練データを採取し、その中で前記訓練分析信号の数量が予め設定した数量まで累積されたとき、前記予め設定した数量の前記訓練分析信号の中から各前記訓練分析信号の前記エネルギー特性値を採取して前記訓練データの中の１つとする、前記訓練データを機器学習モデルに入力し、これにより前記機器学習モデルを訓練する、及び、訓練後の前記機器学習モデルに基づき、前記識別モデルを生成する、という各操作が前記プロセッサにより実行されることに基づいて、前記識別モデルが生成される、請求項１に記載のネットワーク挙動検出器。
9. 前記機器学習モデルは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）モデルである、請求項８に記載のネットワーク挙動検出器。
10. ネットワーク挙動検出器に用いられるネットワーク挙動検出方法であって、
    前記ネットワーク挙動検出器は室内空間に設置され、
    前記ネットワーク挙動検出器は無線周波数受信器及びプロセッサを含み、前記ネットワーク挙動検出方法は、前記プロセッサにより実行され、
    前記無線周波数受信器により、前記室内空間中の複数の無線周波数信号を受信する、
    前記無線周波数信号を複数のデジタル信号に変換する、
    各前記デジタル信号のエネルギー値を計算する、
    前記デジタル信号のうち、前記エネルギー値が臨界値より小さいものをフィルタリングし、これにより複数の分析信号を生成する、
    各前記分析信号の複数のエネルギー特性値を採取し、これにより特性データを生成する、及び、
    識別モデルにより前記特性データを分析し、これにより識別結果を生成し、この中で前記識別結果は複数の不適切な無線ネットワーク挙動のうちの１つに対応する、という手順を含む、
    ネットワーク挙動検出器に用いられるネットワーク挙動検出方法。
11. 前記無線周波数信号が無線ＬＡＮのチャネル（ｃｈａｎｎｅｌ）上から受信される、請求項１０に記載のネットワーク挙動検出方法。
12. 各前記分析信号の前記エネルギー特性値は、最大値、最小値、中央値、平均値、標準偏差及び総和のうち少なくとも２つを含む、請求項１０に記載のネットワーク挙動検出方法。
13. スライディングウィンドウ（ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）に基づき、前記デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングする、という手順を含む、請求項１０に記載のネットワーク挙動検出方法。
14. 前記室内空間における空間の大きさは、前記臨界値と互いに関係している、請求項１０に記載のネットワーク挙動検出方法。
15. 前記デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングし、これにより予め設定した数量の前記分析信号を得る、という手順を含む、請求項１０に記載のネットワーク挙動検出方法。
16. 各前記デジタル信号の前記エネルギー値が複数のサブキャリア（ｓｕｂｃａｒｒｉｅｒ）のエネルギー平均値である、請求項１０に記載のネットワーク挙動検出方法。
17. 前記無線周波数受信器により、前記室内空間中の複数の訓練無線周波数信号を受信する、前記訓練無線周波数信号を複数の訓練デジタル信号に変換する、各前記訓練デジタル信号の前記エネルギー値を計算する、前記訓練デジタル信号のうち、前記エネルギー値が前記臨界値より小さいものをフィルタリングし、これにより複数の訓練分析信号を生成する、前記訓練分析信号の中から複数の訓練データを採取し、その中で前記訓練分析信号の数量が予め設定した数量まで累積されたとき、前記予め設定した数量の前記訓練分析信号の中から各前記訓練分析信号の前記エネルギー特性値を採取し、前記訓練データの中の１つとする、前記訓練データを機器学習モデルに入力し、これにより前記機器学習モデルを訓練する、及び、訓練後の前記機器学習モデルに基づき、前記識別モデルを生成する、という手順に基づいて、前記識別モデルが生成される、請求項１０に記載のネットワーク挙動検出方法。
18. 前記機器学習モデルは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）モデルである、請求項１７に記載のネットワーク挙動検出方法。

Images