基于WiFi-BLE信号被动嗅探的跨智能可携带设备关联方法

基于wifi-ble信号被动嗅探的跨智能可携带设备关联方法
技术领域
1.本发明涉及用户设备关联领域，尤其是涉及一种基于wifi-ble信号被动嗅探的跨智能可携带设备关联方法。


背景技术：

2.随着移动通信技术的发展和移动设备的普及，智能可携带设备已广泛存在于人们的生产生活中。人们通常使用的智能可携带设备主要包括移动智能终端(例如手机、平板等)和智能穿戴设备两类，为了对这两类设备进行有效地管控，需要对其进行关联，从而构建用户设备图谱。在关联两类设备后，可应用于设备相互认证、设备防盗窃等场景。
3.针对跨智能可携带设备关联方法目前还处于起步阶段，相关技术主要包括两类：一类是基于移动智能终端会安装智能穿戴设备的特定软件，通过对移动智能终端所产生的网络流量的分析，从而识别出相应的智能穿戴设备，但当该软件不产生网络流量时则无法进行关联；第二类是基于wifi信号和ble信号进行联合定位，但是其应用场景为用户移动智能终端的定位，需要用户主动安装相应的软件并部署大量无线ap热点或蓝牙定位信标beacon，采用定位技术实现关联，但由于定位精度有限会造成一定的误差，无法满足在多用户的情况下实现精准关联。因此，现有的方法存在假设要求过高的问题，均需要用户主动参与设备关联的过程，无法被动静默地采集数据实现精准的跨智能可携带设备关联。
4.考虑到移动智能终端通常使用wifi接入网络，而智能穿戴设备使用ble与移动智能终端进行连接。而且，通常情况下两类设备会随用户共同移动，从而导致wifi信号和ble信号强度变化相似。因此可以通过对两类无线信号强度变化情况的分析，从而关联两类设备。


技术实现要素：

5.如何高效、准确地对移动智能终端和智能穿戴设备进行关联，是一个急需解决的重要问题，通过设备关联可构建用户设备谱图，为设备管控提供有力的支撑。针对现有跨智能可携带设备关联方法假设要求高的问题，本发明在不需要用户主动参与的情况下，基于动态时间规整法对两类设备的wifi和ble信号强度变化相似性进行计算，从而关联两类设备。
6.为了实现上述目的，本发明的技术方案如下：一种基于wifi-ble信号被动嗅探的跨智能可携带设备关联方法，所述方法包括以下步骤：
7.(1)wifi-ble双信号嗅探：根据场地和设备属性进行嗅探设备的部署，确定嗅探设备的有效嗅探范围；
8.(2)基于多级滤波的信号处理：对采集的wifi和ble信号报文按设备地址进行分类并提取信号强度值，再利用多级滤波对信号强度值序列进行噪声过滤；
9.(3)基于动态时间规整的设备关联：对ble设备信号强度值序列进行随机重采样，使得不同ble设备信号采样率相近，再分别对wifi和ble两类信号强度值序列进行中心化处
理，然后利用动态时间规整法计算两类设备信号强度值序列的dtw距离，最后通过比较两类设备之间的dtw距离从而得出关联结果。
10.进一步的，步骤(1)wifi-ble双信号嗅探，具体包括：
11.(11)部署wifi信号和ble信号的嗅探设备。根据实际的嗅探环境，选择合适的位置以放置嗅探设备；
12.(12)确定设备的有效嗅探范围。对嗅探设备进行测试，判断其在当前嗅探环境下的有效嗅探范围，确定了有效嗅探范围之后，会使得后续的信号嗅探结果更加精准有效，还可以根据该范围部署更多的设备，从而扩大嗅探的覆盖范围。
13.进一步的，步骤(2)中的多级滤波方法包括：
14.(21)对嗅探获得的wifi和ble信号报文进行解析，按ip地址和蓝牙广播地址分别对移动智能终端和智能穿戴设备进行分类，然后抽取报文中的rss值和对应时间戳，形成rss序列；
15.(22)利用低通滤波butterworth滤波器和算术平均滤波对rss序列进行滤波，以减弱抖动噪声和冲击噪声的干扰，从而使得后续dtw值的计算更加精准。
16.进一步的，步骤(3)中的设备关联方法包括：
17.(31)从所有ble设备的rss序列集合中，任意选取其中的两个设备rss序列，计算采样率阈值；
18.(32)基于该采样率阈值，对rss数量较多的ble设备序列进行随机采样，使其采样率与另一个ble设备接近，再与目标wifi设备的rss序列计算dtw值，随机采样1000次后，取平均值作为最终的dtw值；
19.(33)对于rss数量较少的ble设备，直接计算其序列与目标wifi设备的rss序列的dtw值；
20.(34)比较两个dtw值，选择dtw值小的ble设备作为候选设备；
21.(35)针对n个ble设备，从中任意选择两个设备，则有c(n，2)种组合，得出c(n，2)个候选ble设备，形成候选ble设备序列，选择序列中的众数作为目标wifi设备的最终关联结果。
22.其中，所述步骤(32)、(33)中计算dtw值之前，对两序列进行中心化处理，即对序列中每一个rss值减去该序列rss值的均值，通过中心化操作可以避免由于不同设备rss均值的不同从而导致dtw值比较结果出现误差。
23.本发明与现有技术相比，优点如下：
24.1、不需要用户主动安装软件，在被动信号嗅探的场景下进行设备关联，更具有实际可行性；
25.2、利用低通滤波和算术平均滤波对信号序列进行处理，有效地减弱了噪声带来的干扰；
26.3、针对不同ble设备广播报文采样率不等且分布不均匀会影响dtw计算的问题，利用随机重采样和中心化处理，计算所得的dtw值使得关联结果更精准。
27.4、基于ble信号和wifi信号的动态变化一致性进行了智能穿戴设备和手机的关联，得到了较好的关联结果，可以有效协助监管部门实施设备管控。
附图说明
28.图1为本发明所述的基于被动信号嗅探的关联场景示意图；
29.图2为本发明所述的基于被动信号嗅探的关联方法流程图；
30.图3为本发明所述的wifi信号和ble广播信号数据包格式示意图；
31.图4为本发明所提出的基于动态时间规整的关联算法流程图。
具体实施方式
32.下面结合附图对本发明的具体实施方式进行详细阐述。
33.本实施例中提供一种基于wifi-ble信号被动嗅探的跨智能可携带设备关联方法，关联场景如图1所示，首先需要在场景中部署信号嗅探设备，并测试嗅探设备的有效嗅探范围，然后对wifi和ble两类信号进行嗅探，通过对嗅探得到的报文进行分析，抽取两类设备的信号强度值序列，然后利用多级滤波对信号序列进行处理，最后基于动态时间规整法计算两类信号序列的dtw值，从而实现wifi设备和ble设备的精准关联。
34.实施例1：如图2所示，所述基于wifi-ble信号被动嗅探的跨智能可携带设备关联方法包括三个步骤，分别是wifi-ble双信号嗅探、基于多级滤波的信号处理以及基于动态时间规整法的设备关联：，具体如下：
35.步骤(1)、wifi-ble双信号嗅探，
36.1.1部署wifi信号和ble信号的嗅探设备
37.本发明中所使用的wifi信号嗅探设备为ubuntu系统的笔记本和支持monitor模式的无线网卡，在使用无线网卡进行嗅探时，首先需要将无线网卡设置为monitor模式。然后，考虑到方便数据的抓取，可以固定嗅探场所中提供网络服务的无线路由器的信道，从而可以设置无线网卡的嗅探信道，最后利用tcpdump命令进行wifi信号的嗅探，具体命令为：tcpdump-i网卡名称-w保存文件名称；所使用的ble广播信号的嗅探设备为windows系统的电脑和nordic nrf51 dongle芯片，需要在wireshark软件中安装该芯片对应的插件，然后进行嗅探抓包。
38.在给定场景下，两类信号强度主要和用户设备与嗅探设备之间的距离相关，为了使得嗅探所得两类信号的强度变化趋势相同，两类信号的嗅探设备需要靠近布置，但由于设备大小以及信号干扰等限制，在本发明中，两类嗅探设备间隔为20厘米左右。为了减少场景中的物体对信号的干扰，嗅探设备一般会布置在较高的位置，考虑到部署的方便性，可以利用usb延长线连接电脑然后将无线网卡和nordic芯片部署在相应的位置。在节点布置中，我们发现，两类设备与嗅探节点的远近距离变化率越大，导致信号强度的变化率就越大，使得不同设备之间的信号差异性更加明显，从而可以提高关联精度。因此，在布置嗅探节点时，需要将嗅探节点尽量靠近用户移动方向所在直线。
39.1.2确定嗅探设备有效范围
40.在部署完嗅探设备之后，需要对嗅探设备进行测试，判断其在当前嗅探场景下的有效嗅探范围，即在该范围内测试所嗅探到的设备信号强度rss和设备之间的距离d的变化趋势较为符合公式：
41.rss＝a-10nlog(d)
42.其中，a为嗅探节点和用户设备相距1米时的信号强度，n是路径损耗指数。具体测
试方法为，用户以不同距离接近或远离嗅探节点，抽取嗅探所得rss值，作折线图从而观察其变化趋势是否符合公式。在确定嗅探设备的有效嗅探范围之后，可以通过部署多个嗅探节点，从而扩大嗅探的覆盖范围。
43.步骤(2)、基于多级滤波的信号处理，
44.2.1嗅探信号报文解析
45.在该步骤中，需要对嗅探所得的pcap报文进行解析，从而进行流量分类并获取wifi信号和ble广播信号中的rss序列和对应的时间戳。针对wifi信号，通过解析ip报文头，获得各设备的ip地址，从而按ip地址进行流量分类。然后通过解析radiotap报文头和pcap数据包头，获取设备rss值和对应的时间戳；针对ble广播信号，通过解析btle报文头，获得各设备的广播地址，从而按广播地址进行流量分类。然后通过解析ble报文头和pcap数据包头，获取设备的rss值和对应的时间戳。两类报文的数据包格式如图3所示。
46.2.2 rss序列多级滤波
47.在报文解析之后，每个设备则对应得到一个rss序列，由于周围环境以及用户移动等因素的影响，两类设备的rss序列都包含一些抖动噪声和冲击噪声，需要对其进行滤波。为了处理这些噪声，我们将现有的滤波方法进行了对比，包括算术平均滤波法、递推平均滤波法、中位值平均滤波法、加权递推平均滤波法、一阶滞后滤波法、限幅消抖滤波法、低通滤波法等。然后选择了先进行低通滤波，再进行算术平均滤波的方法。其中，低通滤波选择butterworth滤波器，该滤波器可以有效地过滤抖动噪声。在本发明的场景中，可以认为用户设备抖动幅度小且速度较快。可以设置butterworth滤波器的截止频率为0.3。由于采集的信号中还有一些冲击噪声需要处理，因此还需要进一步利用算术平均滤波法对数据进行处理，本发明设置参数取值为2，即对连续两个值计算平均值。
48.步骤(3)、基于动态时间规整法的设备关联，
49.在对两类设备信号滤波之后，需要计算比较两类设备信号强度变化相似度，本发明选择使用动态时间规整算法进行计算。结合图4，所述关联方法具体步骤如下：
50.3.1采样率阈值计算
51.从ble设备集合w中任意选择两个设备(wj，wk)，其对应的rss序列表示为比较两个序列的rss值数量，如果有采样率阈值为反之，
52.3.2随机采样
53.对rss值数量多的序列进行随机采样，不妨假设采样序列则为对序列中的每一个rss，生成一个0到1之间的随机数，当该随机数小于等于采样率阈值rate时，将该rss加入采样序列反之，则丢弃。遍历序列则得到采样序列
54.3.3计算dtw值
55.在得到采样序列之后，计算该序列和wifi设备集合中的待关联设备mi的rss值序列的dtw值，表示为在计算dtw值之前，需要对两序列进行中心化处理，即将单个rss序列的所有rss减去该序列的rss均值。重复3.2步骤
1000次，得到1000次采用序列，并计算1000次dtw值，取平均值作为的最终结果。
56.3.4比较dtw，得出单次关联结果
57.计算另一rss值数量较少的ble设备rss序列与待关联设备mi的rss序列的dtw值，同样的，需要进行中心化处理，表示为然后，比较和的大小，选择dtw值小的设备作为单次关联的结果。
58.3.5遍历设备集合，得出最终关联结果
59.从ble设备集合w中任意挑选2个设备，共有c(n，2)种组合，对于每一种组合，重复3.1至3.4步骤，对于每个待关联移动智能终端设备mi，则有c(n，2)个关联结果，选取关联结果列表中的众数作为与目标wifi设备最终的关联结果。
60.需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。