[发明专利]一种无线网络可视化云监测平台

权利要求书

1.一种无线网络可视化云监测平台，其特征在于：包括系统硬件和系统软件，其中系统硬件包括树莓派、AirPcap、屏幕、AP定位器、AP定位服务器和AP定位模块；

所述树莓派是尺寸仅有信用卡大小的一个小型电脑，其作为运行搭载平台；

所述AirPcap作为适配器，AirPcap将捕获到的数据包传送至Wireshark平台，AirPcap主要功能是无线网络采集，通过屏幕控制采集的过程和展示采集的情况，利用树莓派将数据包通过MQTT协议传输到服务器；

所述AP定位器主要在媒体存取控制层MAC中扮演无线工作站及有线局域网络的桥梁，无线工作站可以快速且轻易地与网络相连，在实现WiFi定位，需要构建一个AP定位网络，提前在测试的区域内布置一定数量的AP定位器，在收集数据包的中心有一个AP定位服务器，对AP定位器传回来的信息进行分析处理；

所述AP定位模块主要实现对AP的定位功能，另外能通过扫描雷达形象显示需定位AP信号强度和方位，对AP的定位提供两种方式，一种是根据信号和角度进行计算的测量模式，另一种是通过移动位置观察信号的变化来进行预测的追踪模式，二者可通过定位模式转换按钮进行切换；

AP定位模块中安装有AP定位系统，AP定位系统原理是在覆盖无线局域网的地方，攻击者使用智能设备会周期性地发出信号，无线局域网访问点接收到信号后，将信号传送给AP服务器，AP服务器根据信号的强弱或信号到达时差判断出攻击者的位置，并通过电子地图显示具体位置；

所述系统软件包括Scapy、Sklearn、K-mean算法、SVM算法；

所述Scapy提供多种类别的交互式生成数据包或数据包集合、对数据包进行操作、发送数据包、包嗅探、应答和反馈匹配等功能，在系统中利用Scapy对抓取到的网络数据包进行解析和分析处理，实现抓取数据包的基本信息和协议分析等功能；

所述Sklearn是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归、降维、分类、聚类等方法；

所述K-mean算法是一种聚类算法，k均值的基本算法如下：首先，随机选择k个初始质心，其中k即所期望的簇的个数，每个点指派到最近的质心，而指派到一个质心的点集为一个簇，然后，根据指派到簇的点，更新每个簇的质心，重复指派和更新步骤，直到簇不发生变化，或等价地，直到质心不发生变化；

所述SVM算法是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题，SVM的的学习算法就是求解凸二次规划的最优化算法。

2.根据权利要求1所述的一种无线网络可视化云监测平台，其特征在于：所述AP定位系统主要由所述AP定位器和所述AP定位服务器两部分组成，所述AP定位服务器的监控管理中心，主要实现实时数据分析处理，分析管理攻击者的智能设备相关数据，通过控制中心的电子地图监视并及时显示区域内攻击者的位置，数据可同时存入云服务器中，监控人员可以通过计算机访问存储服务器查询攻击者的实时位置信息，报警信息及某段时间内的移动轨迹等。

3.根据权利要求1所述的一种无线网络可视化云监测平台，其特征在于：所述AP定位器类似于一种无线路由器，具有无线上网功能、扫描Wi-Fi终端功能、基于Web界面的管理功能、可显示Wi-Fi标签的报警功能、可以判断WiFi终端距离的远近、停留时间、可以作为WiFi热点、实现认证功能、识别WiFi手机硬件ID、记录WiFi手机在AP附近停留时间等功能。

4.根据权利要求1所述的一种无线网络可视化云监测平台，其特征在于：所述Sklearn具有以下特点：

(1)、简单高效的数据挖掘和数据分析工具；

(2)、能够在复杂环境中重复使用；

(3)、建立在NumPy、Scipy、MatPlotLib之上。

5.根据权利要求1所述的一种无线网络可视化云监测平台，其特征在于：所述SVM学习的的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面，对于线性可分的数据集来说，超平面有无穷多个，但是几何间隔最大的分离超平面却是唯一的。