基于无线设备时空轨迹融合分析的人员肖像刻画方法

技术领域

本发明涉及电磁空间安全领域，具体的说，是涉及一种基于无线设备时空轨迹融合分析的人员肖像刻画方法。

背景技术

随着无线通信技术的飞速发展，对讲机、无人机、wifi路由、蓝牙等无线通讯设备大量出现在生产和生活中，由于无线空间的开放性，因此通过场所内电磁信号传递敏感消息难以检测及防护。

当前对于场所内的入侵检测大致可以分为三类：一是基于主机的入侵检测，该方案通常在重点检测的主机上安装检测系统，数据源自于主机，如日志文件、审计等，通过监视与分析主机中的上述文件即可检测到入侵；二是基于网络的入侵检测，该方案使用原始网络包作为数据源，通常利用一个运行在随机模式下网络适配器来实时监视并分析网络的所有通信业务，通常使用模式、表达式或字节匹配等；三是启发式特征检测，通常根据正常的数据流背景来检测入侵行为。

现有的技术方案主要针对传统的网络空间安全手段，不能克服对网络协议等的依赖，无法对利用开放的电磁空间传输信息的攻击手段进行检测，有予以改善的必要。

发明内容

针对上述现有技术中的不足，本发明提供一种利用大数据和深度学习技术深度挖掘设备行为模式，端到端的解决方案减少了特征构建，提高了工作效率，提高了系统安全性的基于无线设备时空轨迹融合分析的人员肖像刻画方法。

本发明所采取的技术方案是：

一种基于无线设备时空轨迹融合分析的人员肖像刻画方法，包括如下步骤：

步骤s100，开始；

步骤s101，判别设备是否属于数据库，是跳转步骤s108，否则跳转步骤s102；

步骤s102，异常告警，采集设备信息记录到数据库；

步骤s103，采集设备ID身份标识信息；

步骤s104，记录设备活动时间段及空间区域；

步骤s105，去趋势相关分析；

步骤s106，大数据及深度学习；

步骤s107，设备活动时空轨迹刻画；

步骤s108，大数据设备指纹库；

步骤s109，判别设备轨迹是否正常，设备轨迹正常，跳转步骤s110；设备轨迹不正常，跳转步骤s111；

步骤s110，异常告警；

步骤s111，结束。

优选的，通过扫描WIFI和蓝牙信号，获取无线设备的WIFISSID和蓝牙SSID；

通过抓取手机随机接入等过程获取手机的IMIS号码和无人机的MAC地址；

利用现有的位置服务，如GPS、基站定位或Wi-Fi定位，获取与每个收集到的无线设备ID相关联的位置数据；

记录时间戳，将设备的位置与特定的时间相关联。

将收集到的数据存储到数据库或其他数据存储系统中，以便进行后续处理和分析。

优选的，位置数据是经度、纬度坐标或者建筑物内的楼层信息。

优选的，利用收集到的位置数据和时间戳，对无线设备的位置和轨迹进行标定；

使用机器学习或统计方法建立设备ID与位置、时间和轨迹之间的关联模型。

优选的，在进行去趋势相关分析之前，对数据进行预处理，包括去除数据中的噪声、处理缺失值或异常值。

优选的，使用包括移动平均、线性回归、指数平滑方法计算数据趋势，确认数据的长期趋势；

通过从原始数据中减去趋势，计算得到残差；

使用统计方法包括(基于阈值的方法、异常分数、离群点检测算法)或机器学习算法来检测异常记录；一旦异常记录被检测出来，选择将其删除或进行进一步的分析和处理。

优选的，利用机器学习算法融合设备出现的时间、轨迹，实现对特定人员或人群的标定，并与大数据库中的时空轨迹进行比对，对时空轨迹的异常无线设备的进行告警。

使用插值法等补充缺失值，使用统计方法或离群点监测算法识别和处理异常值，以及删除重复值；

采用线性回归计算数据的趋势；原始数据减去趋势获的残差，使用阈值的方法监测异常记录；

在删除异常数据和保持数据完整性之间做出权衡，确定是否对异常点进行清洗。重复上述步骤，直到得到满意的数据清洗结果。

优选的，选择循环神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)的深度学习模型来挖掘设备行为模式；

使用准备好的数据集，将数据分为训练集、验证集和测试集；

利用训练集对深度学习模型进行训练，并使用验证集进行模型的调优和超参数选择；

使用测试集对训练好的深度学习模型进行评估和验证；

评估指标根据具体问题选择，包括：准确率、精确率、召回率、F1分数；

使用训练好的深度学习模型对新的设备数据进行模式挖掘和异常检测。

将人员的时空轨迹数据和无线设备的信号数据进行融合；

通过时间戳和设备ID进行数据匹配和合并构建人物肖像：

根据融合的时空轨迹数据，使用机器学习和数据挖掘技术，如聚类分析、序列模式挖掘，建立人物肖像；

通过对时空轨迹数据的分析和建模，可以识别人员的活动模式、行为习惯等，从而构建人物肖像。

本发明相对现有技术的有益效果：

本发明基于无线设备时空轨迹融合分析的人员肖像刻画方法，基于设备固有的ID信息，无需设备安装检测软件；收集人员和无线设备的相关数据，包括人员的位置轨迹数据(如GPS数据或基站定位数据)、无线设备的信号数据(如WIFI和蓝牙数据)以及人员和无线设备之间的关联信息；对收集到的数据进行预处理和清洗。这可能包括去除噪声、处理缺失值、纠正数据格式等。时空轨迹融合：将人员的时空轨迹数据和无线设备的信号数据进行融合；通过时间戳和设备ID进行数据匹配和合并构建人物肖像：根据融合的时空轨迹数据，使用机器学习和数据挖掘技术，如聚类分析、序列模式挖掘，建立人物肖像。通过对时空轨迹数据的分析和建模，可以识别人员的活动模式、行为习惯等，从而构建人物肖像。

建立人员与无线设备的映射关系：通过分析融合后的时空轨迹数据和设备信号数据，建立人员与无线设备的映射关系；基于设备的ID和人员的标识符进行匹配和关联。通过这种映射关系，追踪人员与特定无线设备之间的互动和关系。

将人物肖像和人员与无线设备的映射关系进行可视化和分析；使用可视化工具和技术，如地图可视化、时间轴可视化等，展示人员的移动轨迹、活动模式以及与无线设备的关系；通过数据分析和挖掘，可以获取更深入的洞察和理解。

本发明基于无线设备时空轨迹融合分析的人员肖像刻画方法，利用大数据和深度学习技术深度挖掘设备行为模式，端到端的解决方案减少了特征构建，提高了工作效率，提高了系统安全性。

附图说明

图1是基于无线设备时空轨迹融合分析的人员肖像刻画方法的控制流程图。

具体实施方式

以下参照附图及实施例对本发明进行详细的说明：

如图1，一种基于无线设备时空轨迹融合分析的人员肖像刻画方法，包括如下步骤：

步骤s100，开始；

步骤s101，判别设备是否属于数据库，是跳转步骤s108，否则跳转步骤s102；

步骤s102，异常告警，采集设备信息记录到数据库；

步骤s103，采集设备ID身份标识信息；

步骤s104，记录设备活动时间段及空间区域；

步骤s105，去趋势相关分析；

步骤s106，大数据及深度学习；

步骤s107，设备活动时空轨迹刻画；

步骤s108，大数据设备指纹库；

步骤s109，判别设备轨迹是否正常，设备轨迹正常，跳转步骤s110；设备轨迹不正常，跳转步骤s111；

步骤s110，异常告警；本发明作用于电磁空间安全领域，用于场所设备的检测，异常告警的作用在于通知检查人员场所有风险，并通过检测装置查找到异常设备，人为排除风险。本发明算法的产生的装置，仅用于检测，不控制被检测的设备。

步骤s111，结束。

优选的，通过扫描WIFI和蓝牙信号，获取无线设备的WIFISSID和蓝牙SSID；

通过抓取手机随机接入等过程获取手机的IMIS号码和无人机的MAC地址；

利用现有的位置服务，如GPS、基站定位或Wi-Fi定位，获取与每个收集到的无线设备ID相关联的位置数据；

记录时间戳，将设备的位置与特定的时间相关联。

将收集到的数据存储到数据库或其他数据存储系统中，以便进行后续处理和分析。

优选的，位置数据是经度、纬度坐标或者建筑物内的楼层信息。

优选的，利用收集到的位置数据和时间戳，对无线设备的位置和轨迹进行标定；

使用机器学习或统计方法建立设备ID与位置、时间和轨迹之间的关联模型。

优选的，在进行去趋势相关分析之前，对数据进行预处理，包括去除数据中的噪声、处理缺失值或异常值。

优选的，使用包括移动平均、线性回归、指数平滑方法计算数据趋势，确认数据的长期趋势；

通过从原始数据中减去趋势，计算得到残差；

使用统计方法包括(基于阈值的方法、异常分数、离群点检测算法)或机器学习算法来检测异常记录；一旦异常记录被检测出来，选择将其删除或进行进一步的分析和处理。异常记录存在误判，如果是误判，则删除，如果时真实的异常记录，则需要进一步的溯源等操作。

优选的，利用机器学习算法融合设备出现的时间、轨迹，实现对特定人员或人群的标定，并与大数据库中的时空轨迹进行比对，对时空轨迹的异常无线设备的进行告警。

大数据库中一条一条数据信息包含，出现时间和位置，多条数据具有多个时间位置，组合起来形成轨迹。信息不匹配或偏离正常轨迹则告警，正常轨迹是通过对正常数据进行采集、学习得到。

使用插值法等补充缺失值，使用统计方法或离群点监测算法识别和处理异常值，以及删除重复值；

采用线性回归计算数据的趋势；原始数据减去趋势获的残差，使用阈值的方法监测异常记录；

在删除异常数据和保持数据完整性之间做出权衡，确定是否对异常点进行清洗。重复上述步骤，直到得到满意的数据清洗结果。

优选的，选择循环神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)的深度学习模型来挖掘设备行为模式；

使用准备好的数据集，将数据分为训练集、验证集和测试集；准备好就是预先采集的，按照本身需要的数据进行数据集的采集，或者采取公开的数据集。

利用训练集对深度学习模型进行训练，并使用验证集进行模型的调优和超参数选择；

使用测试集对训练好的深度学习模型进行评估和验证；

评估指标根据具体问题选择，包括：准确率、精确率、召回率、F1分数；

使用训练好的深度学习模型对新的设备数据进行模式挖掘和异常检测。大数据挖掘，深度学习自己学习，避免了人工参与。

将人员的时空轨迹数据和无线设备的信号数据进行融合；

通过时间戳和设备ID进行数据匹配和合并构建人物肖像：

根据融合的时空轨迹数据，使用机器学习和数据挖掘技术，如聚类分析、序列模式挖掘，建立人物肖像；

通过对时空轨迹数据的分析和建模，可以识别人员的活动模式、行为习惯等，从而构建人物肖像。

本发明基于无线设备时空轨迹融合分析的人员肖像刻画方法，基于设备固有的ID信息，无需设备安装检测软件；收集人员和无线设备的相关数据，包括人员的位置轨迹数据(如GPS数据或基站定位数据)、无线设备的信号数据(如WIFI和蓝牙数据)以及人员和无线设备之间的关联信息；对收集到的数据进行预处理和清洗。这可能包括去除噪声、处理缺失值、纠正数据格式等。时空轨迹融合：将人员的时空轨迹数据和无线设备的信号数据进行融合；通过时间戳和设备ID进行数据匹配和合并构建人物肖像：根据融合的时空轨迹数据，使用机器学习和数据挖掘技术，如聚类分析、序列模式挖掘，建立人物肖像。通过对时空轨迹数据的分析和建模，可以识别人员的活动模式、行为习惯等，从而构建人物肖像。

建立人员与无线设备的映射关系：通过分析融合后的时空轨迹数据和设备信号数据，建立人员与无线设备的映射关系；基于设备的ID和人员的标识符进行匹配和关联。通过这种映射关系，追踪人员与特定无线设备之间的互动和关系。

将人物肖像和人员与无线设备的映射关系进行可视化和分析；使用可视化工具和技术，如地图可视化、时间轴可视化等，展示人员的移动轨迹、活动模式以及与无线设备的关系；通过数据分析和挖掘，可以获取更深入的洞察和理解。

本发明基于无线设备时空轨迹融合分析的人员肖像刻画方法，利用大数据和深度学习技术深度挖掘设备行为模式，端到端的解决方案减少了特征构建，提高了工作效率，提高了系统安全性。

以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。