无线校园网络钓鱼AP攻击检测技术研究

随着无线校园网络的发展和普及,无线钓鱼攻击更具有隐蔽性和破坏性。通过分析无线钓鱼攻击原理,结合准确性、稳定性、安全性和检测效率等因素提出3种钓鱼攻击AP检测技术:在服务端应用基于构建特定MAC管理帧的检测技术,在客户端应用基于路由跟踪和HDT算法的检测技术。综合使用多种检测技术可以提高检测能力,使无线校园网络保持高效稳定的运行状态,为师生提供安全可靠的服务。

无线网络钓鱼AP攻击检测技术研究

如今,随着时代的进步与发展,无线局域网的应用也在不断地推广与普及,有关无线网络的攻击方式也逐渐"丰富"起来。目前最普遍的一种攻击方式就是无线钓鱼AP,这种攻击方式的主要原理就是在主动以及被动的情况下诱使用户来主动的连接钓鱼AP,再将用户的个人隐私信息泄露出去。在这种情况下,一定要制作一种可以对AP攻击进行检测的方案,同时再利用TTL值的有关递减变化或者是对网关以及路由信息进行综合全面的分析,实现对AP的合法性的检测。

无线网络钓鱼AP攻击检测技术研究

随着无线局域网应用的普及,针对无线网络的攻击方式也逐渐增多。无线钓鱼AP攻击通过被动或主动方式诱使用户连接钓鱼AP,进而获取用户的敏感信息,是当前被滥用的攻击方式之一。针对这种情况,提出一种改进的钓鱼AP攻击检测方法,通过利用TTL值的递减变化,以及综合分析网关与路由信息,实现对AP的合法性检测。实验结果表明,该方法能够有效地检测无线钓鱼AP和无线中间人等攻击。

基于SDN防范的一种新型伪AP攻击

Wi-Fi逐步取代ADSL成为家庭组网首选的同时也使得以射频技术为基础、以路由设备为核心的无线局域网面临着突出的安全问题。结合信道开放引发的传统伪AP攻击与路由固件的溢出漏洞,提出一种更隐蔽的新型伪AP攻击方案。分布式控制网络架构下高耦合的数据层与转发层使得现有网络设备无比臃肿,为解决这一问题,斯坦福小组提出SDN网络架构。借助这一思想,提出了一种控制转发分离的安全策略。经过分析,该策略能够有效检测这种新型的伪AP攻击。

基于神经网络的Wi-Fi室内定位安全性问题研究

针对现有的基于深度学习的室内定位解决方案容易受到无线接入点AP攻击的问题,提出了基于卷积神经网络(CNN)的室内定位框架,构建了一种基于深度学习的Wi-Fi指纹室内安全定位系统(DS-LocCNN),使得多建筑和多楼层在面对恶意攻击时的定位精度得到了保证.通过在UJIIndoorLoc数据集上评估此系统,证明了所提出的DS-LocCNN能很好地抵御基于AP的恶意攻击,且在建筑级定位和楼层级定位上的成功率优于现有的解决方案.