识别无线网络类型及模型训练的方法、装置及电子设备制造方法及图纸

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

【技术实现步骤摘要】
识别无线网络类型及模型训练的方法、装置及电子设备
本申请涉及计算机
，具体而言，涉及一种识别无线网络类型的方法、装置、计算机可读介质及电子设备。
技术介绍
无线网络是是指无需布线就能实现各种通信设备互联的网络。无线网络技术涵盖的范围很广，在实际生活中，通过建立远距离无线网络来传输语音和数据，或者通过近距离无线网络实现红外线及射频技术。无线网络按照其应用场所可以分为很多类型，而很多时候用户在连接无线网络时往往不能区分无线网络的类型，进而造成网络资源的浪费，或者威胁网络安全等问题。
技术实现思路
本申请的实施例提供了一种识别无线网络类型的方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以精确识别无线网络的类型，进而避免网络资源的浪费，或者威胁网络安全等问题发生。本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。根据本申请实施例的一个方面，提供了一种识别无线网络类型的方法，包括：获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；基于所述分类结果，确定所述无线网络的类型。根据本申请实施例的一个方面，提供了一种识别无线网络类型的模型训练方法，其特征在于，包括：获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的模型。根据本申请实施例的一个方面，提供了一种识别无线网络类型的装置，包括：获取单元，用于获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；提取单元，用于从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；分类单元，用于对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；确定单元，用于基于所述分类结果，确定所述无线网络的类型。在本申请的一些实施例中，基于前述方案，所述提取单元包括：处理单元，用于将所述属性信息进行编码处理，得到所述属性信息对应的第一特征向量；第一提取单元，用于基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征。在本申请的一些实施例中，基于前述方案，所述第一提取单元包括：第一降维单元，用于在所述多层感知网络的第一层网络中，对所述第一特征向量进行降维，得到第二特征向量；第二降维单元，用于在所述多层感知网络的第二层网络中，对所述第二特征向量进行降维，得到所述属性特征。在本申请的一些实施例中，基于前述方案，所述无线网络的属性信息包括以下信息中的至少一个：所述无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过所述无线网络的历史终端在第二时段内的活跃天数、终端连接所述无线网络的日均时长、同一终端连接所述无线网络的日均次数、以及周期内的连接重复率；所述处理单元包括：编码单元，用于对所述属性信息进行编码，得到编码信息；排布单元，用于根据排布顺序，对所述编码信息进行排布，得到所述第一特征向量。在本申请的一些实施例中，基于前述方案，所述识别无线网络类型的装置还包括：重复率单元，用于根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量。在本申请的一些实施例中，基于前述方案，所述提取单元包括：第一矩阵单元，用于根据所述固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；第二矩阵单元，用于基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵；线性变换单元，用于对所述第二矩阵进行线性变换，得到所述连接特征。在本申请的一些实施例中，基于前述方案，所述第二矩阵单元包括：第一卷积单元，用于将所述第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；第一池化单元，用于对所述第一卷积结果进行池化处理，得到中间矩阵；第二卷积单元，用于将所述中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；第二池化单元，用于对所述第二卷积结果进行池化处理，得到所述第二矩阵。在本申请的一些实施例中，基于前述方案，所述分类单元包括：融合单元，用于对所述属性特征和所述连接特征进行融合，得到所述网络综合特征；第一输入单元，用于将所述网络综合特征输入全连接层，得到输出向量；第二输入单元，用于将所述输出向量输入分类器中，得到所述分类结果。在本申请的一些实施例中，基于前述方案，所述获取单元包括：信息获取单元，用于获取所述无线网络的标识信息、连接所述无线网络的终端的标识信息；信息提取单元，用于根据所述无线网络的标识信息和所述终端的标识信息，从无线网络特征库中提取对应的信息，作为所述网络信息。在本申请的一些实施例中，基于前述方案，所述属性信息包括所述无线网络的文本特征；在本申请的一些实施例中，基于前述方案，所述获取单元包括：标识信息获取单元，用于获取所述无线网络的标识信息；分词单元，用于对所述标识信息进行分词，得到分词结果；扩充单元，用于根据词汇样本，对所述分词结果进行嵌入处理，得到扩充词汇；抽取单元，用于抽取所述扩充词汇中的关键词，得到所述文本特征。在本申请的一些实施例中，基于前述方案，所述无线网络的类型包括办公区无线网络和非办公区无线网络；所述识别无线网络类型的装置还包括：标注单元，用于若所述无线网络的类型为办公区无线网络，则提高所述无线网络的连接权限。根据本申请实施例的一个方面，提供了一种识别无线网络类型的模型训练装置，其特征在于，包括：样本获取单元，用于获取无线网络样本的样本信息；所述样本信息包括所述无线网络样本的配置和热度对应的属性样本、以及所述无线网络样本在周期时段内的连接情况对应的连接样本；样本输入单元，用于将所述属性样本输入第一网络中，得到属性特征，将所述连接样本输入第二网络中，得到连接特征；特征输入单元，用于将基于所述属性特征和所述连接特征得到的网络综合特征输入分类网络中，得到所述无线网络样本的分类结果；模型训练单元，用于基于所述分类结果和所述无线网络样本对应的类型标签，训练所述第一网络、所述第二网络以及所述分类网络，得到识别无线网络类型的本文档来自技高网...

【技术保护点】
1.一种识别无线网络类型的方法，其特征在于，包括：/n获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；/n从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；/n对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；/n基于所述分类结果，确定所述无线网络的类型。/n

【技术特征摘要】
1.一种识别无线网络类型的方法，其特征在于，包括：
获取待识别类型的无线网络的网络信息，所述网络信息包括所述无线网络在周期时段内的连接信息、以及所述无线网络的配置和热度对应的属性信息；
从所述连接信息对应的矩阵中提取所述无线网络的连接特征，从所述属性信息对应的特征向量中提取所述无线网络的属性特征；
对基于所述连接特征和所述属性特征得到的网络综合特征进行分类，得到分类结果；
基于所述分类结果，确定所述无线网络的类型。


2.根据权利要求1所述的方法，其特征在于，从所述属性信息对应的特征向量中提取所述无线网络的属性特征，包括：
将所述属性信息进行编码处理，得到所述属性信息对应的第一特征向量；
基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征。


3.根据权利要求2所述的方法，其特征在于，基于多层感知网络，提取所述第一特征向量中的特征，作为所述属性特征，包括：
在所述多层感知网络的第一层网络中，对所述第一特征向量进行降维，得到第二特征向量；
在所述多层感知网络的第二层网络中，对所述第二特征向量进行降维，得到所述属性特征。


4.根据权利要求2所述的方法，其特征在于，所述无线网络的属性信息包括以下信息中的至少一个：所述无线网络的加密信息、所覆盖区域范围内具有相同标识前缀的无线网络的数目、日均连接数量、第一时段内的连接数量、连接过所述无线网络的历史终端在第二时段内的活跃天数、终端连接所述无线网络的日均时长、同一终端连接所述无线网络的日均次数、以及周期内的连接重复率；
将所述属性信息进行编码处理，得到所述属性信息对应的第一特征向量，包括：
对所述属性信息进行编码，得到编码信息；
根据排布顺序，对所述编码信息进行排布，得到所述第一特征向量。


5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据第一数量除以第二数量得到的商，确定所述无线网络在所述周期内的连接重复率；
其中，所述第一数量为一周期内连接所述无线网络的终端的数量，所述第二数量为所述一周期及其相邻的至少两个周期内都连接所述无线网络的终端的数量。


6.根据权利要求1所述的方法，其特征在于，从所述连接信息对应的矩阵中提取所述无线网络的连接特征，包括：
根据固定时段内的单位时长，对所述连接信息中的连接数量进行排布，生成第一矩阵；
基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵；
对所述第二矩阵进行线性变换，得到所述连接特征。


7.根据权利要求6所述的方法，其特征在于，基于卷积神经网络对所述第一矩阵进行处理，得到第二矩阵，包括：
将所述第一矩阵输入第一数目的第一卷积核，得到第一卷积结果；
对所述第一卷积结果进行池化处理，得到中间矩阵；
将所述中间矩阵输入第二数目的第二卷积核，得到第二卷积结果；
对所述第二卷积结果进行池化处理，得到所述第二矩阵。


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

【专利技术属性】
技术研发人员：陈璐，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44