热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

真实信号分析故事01|3G,你比4G少1G?

 篇首语:一直以来,无线信号频谱分析及溯源,都是TSCM专业物理安全检测中非常重要的一环,疏漏掉任何微弱的可疑信号都可能造成不可预料的后果,而现实中,实际情况可能会更加复杂。上个月,RC2在给一家跨国

 

篇首语:一直以来,无线信号频谱分析及溯源,都是TSCM专业物理安全检测中非常重要的一环,疏漏掉任何微弱的可疑信号都可能造成不可预料的后果,而现实中,实际情况可能会更加复杂。

上个月,RC2在给一家跨国企业提供物理安全检测服务时,RC2 TDU检测小组的无线专家,仅信号分析溯源就在CEO办公室里耗费近2个小时。

有感于目前国内普遍对检测能力不够理解,本期由RC2反窃密实验室的无线频谱专家南哥,带来第一篇科普小文:“3G,你比4G少1G?

声明:以下内容均为RC2 反窃密实验室原创图文,仅供交流与参考,行业齐红们请自重。

 

01 现在还有移动3G 信号吗

南哥:突然想起来3G刚开通的时候,实验室的小可爱在纠结了三大运营商的套餐之后,最终选了一个可以免费看移动电视的手机。

春暖花开,人见人爱。

近期有不少小伙伴被就地办公,趁着有空档期,有人赶紧翻出看短视频买的无线检测设备,决定给办公环境进行一次扫除。

咦?杨叔,南哥,现在还有移动3G的信号吗?这个什么号称乌克兰的检测设备上显示3G信号快满格了,怎么走哪儿亮哪儿啊?!

额,亲爱的达瓦里氏,哦不,这位同学,中国移动早在2020年,就宣布完成了3G退网,已经没移动3G信号了哦,如果真的有反而是需要警觉了。

至于是不是误报,嘿嘿,这就要聊聊设备原理了。

首先,此类设备并不是通过分析信号特征,而是通过分析信号占用了运营商的哪一段频率来判断GSM还是3G,或者LTE信号;

其次,每个国家、地区针对运营商都有不同的管理体系,由于我国对运营商开展了频谱重耕工作,所以这个舶来品就会出现严重的“水土不服”。

说到这里,告诉大家一个小秘密:

这类手持设备由于只监测运营商部分频段的信号,所以还会漏掉不少信号滴。

想起几年前,某大厂的安全部门同学,秀了一箱淘宝上购置的所谓反窃听检测设备,那些最高也就2K左右的民用品,在TSCM专家看起来,确实有些“惨不忍睹”。

值得庆幸的是,真正专业的,经过使馆级检测考验的手持设备,学员们都能在Level-2课程中亲手体验到:)

 

02 知道什么是频谱重耕吗?

给大家分享两张全球某知名设备供应商的自动监测信号频谱表。

嗯,报表看起来倒是很清晰的样子。

不过实际上,实测这段信号到底长啥样呢?

纳尼!?

设备报表告诉我:中间那个蓝胖子和右边那一堆蓝瘦子是一样的2G信号!?

中间那个蓝胖子明明是4G信号好嘛!

来都来了,

再多看一眼800MHz的中国电信CDMA信号嘛。

咦?

怎么又和剧本写的不一样?

啊!啊!啊!到底是什么信号?怎么办,客户正在旁边看着呢,让我在线搜个理由先

客户:咳咳,我读书少,你特么可别骗我!

RC2 友情提醒企业客户:单纯对照运营商频段判断是否2/3/4/5G的信号,是极其不负责任的外行行为。

尤其是周围环境中出现了通用信号的非常规用法,是难以通过对照频率划分表进行直接甄别的。

类似地,在开源无线安全学习中,对信号的有效解读一直都是研究员们最大的困惑。

这也是我们为何要在PPES-105/106专家课程里,专门加入深度学习手持频谱仪及室内信号定位的原因。

嘿嘿嘿,想到却看不到,看到却不知道,想不到能看到。

最后,大家猜猜看:

下面这个,又是什么信号呢?

——-END——-

杨叔:希望本篇可以提醒各位负责企业安全、内控、行政部门的朋友们,安全无小事,物理安全更是如此。

RC2衷心希望企业安全部门,在做好防疫防控措施保护好自身的前提下,能参考检测服务后的咨询建议,落实对商业环境的安全升级。


推荐阅读
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • Centos7.6安装Gitlab教程及注意事项
    本文介绍了在Centos7.6系统下安装Gitlab的详细教程,并提供了一些注意事项。教程包括查看系统版本、安装必要的软件包、配置防火墙等步骤。同时,还强调了使用阿里云服务器时的特殊配置需求,以及建议至少4GB的可用RAM来运行GitLab。 ... [详细]
  • 推荐系统遇上深度学习(十七)详解推荐系统中的常用评测指标
    原创:石晓文小小挖掘机2018-06-18笔者是一个痴迷于挖掘数据中的价值的学习人,希望在平日的工作学习中,挖掘数据的价值, ... [详细]
  • 深度学习中的Vision Transformer (ViT)详解
    本文详细介绍了深度学习中的Vision Transformer (ViT)方法。首先介绍了相关工作和ViT的基本原理,包括图像块嵌入、可学习的嵌入、位置嵌入和Transformer编码器等。接着讨论了ViT的张量维度变化、归纳偏置与混合架构、微调及更高分辨率等方面。最后给出了实验结果和相关代码的链接。本文的研究表明,对于CV任务,直接应用纯Transformer架构于图像块序列是可行的,无需依赖于卷积网络。 ... [详细]
  • 本文介绍了腾讯最近开源的BERT推理模型TurboTransformers,该模型在推理速度上比PyTorch快1~4倍。TurboTransformers采用了分层设计的思想,通过简化问题和加速开发,实现了快速推理能力。同时,文章还探讨了PyTorch在中间层延迟和深度神经网络中存在的问题,并提出了合并计算的解决方案。 ... [详细]
  • 本文介绍了在Python张量流中使用make_merged_spec()方法合并设备规格对象的方法和语法,以及参数和返回值的说明,并提供了一个示例代码。 ... [详细]
  • 本文介绍了Python语言程序设计中文件和数据格式化的操作,包括使用np.savetext保存文本文件,对文本文件和二进制文件进行统一的操作步骤,以及使用Numpy模块进行数据可视化编程的指南。同时还提供了一些关于Python的测试题。 ... [详细]
  • mapreduce数据去重的实现方法
    本文介绍了利用mapreduce实现数据去重的方法,同时还介绍了人工智能AI领域中常用的框架和工具,包括Keras、PyTorch、MXNet、TensorFlow和PaddlePaddle,并提供了深度学习实战的代码下载链接。 ... [详细]
  • GTX1070Ti显卡怎么样?GTX1070Ti显卡首发图赏+参数解读与拆解图
    先来简单回顾一下今年的显卡市场,nvidia自从发布了帕斯卡架构新品之后,可以说是一直都主宰着高端游戏显卡市场,虽说amd也憋了一个hbm2的vega64出来,然而即使是最高贵的水 ... [详细]
  • 建立分类感知器二元模型对样本数据进行分类
    本文介绍了建立分类感知器二元模型对样本数据进行分类的方法。通过建立线性模型,使用最小二乘、Logistic回归等方法进行建模,考虑到可能性的大小等因素。通过极大似然估计求得分类器的参数,使用牛顿-拉菲森迭代方法求解方程组。同时介绍了梯度上升算法和牛顿迭代的收敛速度比较。最后给出了公式法和logistic regression的实现示例。 ... [详细]
  • Window10+anaconda+python3.5.4+ tensorflow1.5+ keras(GPU版本)安装教程 ... [详细]
  • 本博文基于《Amalgamationofproteinsequence,structureandtextualinformationforimprovingprote ... [详细]
  • 【论文】ICLR 2020 九篇满分论文!!!
    点击上方,选择星标或置顶,每天给你送干货!阅读大概需要11分钟跟随小博主,每天进步一丢丢来自:深度学习技术前沿 ... [详细]
  • OCR:用字符识别方法将形状翻译成计算机文字的过程Matlab:商业数学软件;CUDA:CUDA™是一种由NVIDIA推 ... [详细]
author-avatar
good7758
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有