一种无线认证方法及其系统与流程

本发明涉及通信技术领域，尤其涉及一种无线认证方法及其系统。

背景技术：

无线技术是一种短距离无线传输技术，由于其传输速度较快，有效距离也比较长，因此广泛应用于办公场地和家庭中。具有无线功能的终端接入无线AP(Access Point，接入点)后，由无线AP对无线终端进行认证，在认证通过后，允许无线终端访问互联网。

目前，无线AP对无线终端的认证方式主要是用户名+密码的认证方式，即无线终端接入无线AP时，向无线AP上报用于进行身份认证的用户名和密码，若无线AP对接收到的用户名和密码认证通过，则表示该无线终端具有使用无线网络的权限，允许其访问互联网；否则，表示该无线终端不具有使用无线网络的权限，限制其访问互联网。在有些家庭无线系统中，无线终端只需向无线AP上报密码，由无线路由器根据本地已存储的用户名和接收到的密码进行认证。但是这种认证方式需要用户手动输入密码，较为繁琐，用户体验比较差。

技术实现要素：

针对上述问题，本发明提供了一种无线认证方法及其系统，有效解决了现有无线认证方法使用过程中较为繁琐的技术问题。

本发明提供的技术方案如下：

一种无线认证方法，包括通信连接的移动终端和无线AP，所述无线认证方法中包括：

S1 移动终端检测自身动作的物理数据；

S2 移动终端对获取的物理数据进行动作切割；

S3 移动终端与无线AP共同对切割得到的动作进行分类；

S4 无线AP根据分类的结果得到对应的待认证密码并对其进行无线认证。

在本技术方案中，移动终端对用户甩动/移动终端的动作进行分割，并联合无线AP自动判断出待认证密码，以此无线AP根据该待认证密码进行无线认证，若比对成功，则完成无线认证，允许用户接入。这样，用户在进行无线认证的过程中，不再需要通过手动的方式输入待认证密码，只需甩动移动终端，让移动终端发生预设动作即可，简单方便，为用户提供便利，提高用户体验。

进一步优选地，在步骤S1之前还包括：

S01 设定预设动作的方向参数；

S02 设定预设动作的阈值参数，所述阈值参数包括：移动终端发生动作时的加速度、角速度以及移动距离；

S03 建立动作切割训练网络，并根据步骤S01和步骤S02中设定的参数对其进行有监督训练，所述动作切割训练网络中包括：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层；

S04 建立姿势预测网络并对其进行有监督训练，所述姿势预测网络为一深度网络；

S05 将训练好的姿势预测网络拆分为第一姿势预测网络和第二姿势预测网络；

S06 设定预设动作与待认证密码之间的关联关系，其中，一个动作对应至少一位待认证密码。

在本技术方案中，在进行无线认证之前，首先对移动终端和无线AP进行配置，包括设定预设动作的相关参数及预设动作与待认证密码之间的关联关系，建立动作切割训练网络及姿势预测网络等，以此移动终端根据配置信息判断移动终端发送发生了预设动作，提供无线认证的依据。

进一步优选地，步骤S1具体为：通过移动终端内置的传感器检测移动终端动作过程中的物理数据；

步骤S2具体为：移动终端将步骤S1获取的物理数据输入训练好的动作切割实施网络，实现对获取的物理数据进行动作切割，其中，所述动作切割实施网络中包括：数据层、第一全连接层、激活层以及第二全连接层；

步骤S3具体为：将步骤S2中切割得到的动作数据输入移动终端中的第一姿势预测网络得到特征值并将其发送至无线AP，无线AP将得到的特征值输入第二姿势预测网络实现对动作的分类。

在本技术方案中，移动终端中采用动作切割实施网络对获取到的物理数据进行动作切割，之后将切割得到的动作数据输入第一姿势预测网络；接着讲第一姿势预测网络计算得到的特征值输入第二姿势预测网络，以此实现动作进行归类，大大提高了移动终端中对自身动作判断的准确性。另外，移动终端和无线AP之间进行通信的过程中，移动终端将计算出的特征值发送至无线AP，由特征值由切割得到的动作数据计算而来，具备不确定性，不易伪造，相较于移动终端直接将待认证密码发送至无线AP中来说，大大提高数据传输过程中的安全性能。

进一步优选地，在步骤S4中具体包括：

S41 无线AP根据S05中设定的预设动作与待认证密码之间的关联关系及步骤S3中分类得到的动作得到相应的待认证密码；

S42 无线AP将接收到的待认证密码与预设密码进行比对，完成移动终端的无线认证。

进一步优选地，在动作切割训练网络和动作切割实施网络中，所述激活层为ReLU(Rectified linear unit)层；和/或，

在姿势预测网络中，所述姿势预测网络中包括：数据层、多个卷积层以及全连接层的多层卷积神经网络，还包括SoftMax分类器；所述SoftMax分类器根据多层卷积神经网络输出的特征值对动作进行分类。

本发明还提供了一种无线认证系统，包括移动终端通信连接的无线AP，其中，

移动终端，用于检测自身动作的物理数据、用于对获取的物理数据进行动作切割以及用于联合无线AP对切割得到的动作进行分类；

无线AP还用于根据分类的结果得到对应的待认证密码并对其进行无线认证。

在本技术方案中，移动终端对用户甩动/移动终端的动作进行分割，并联合无线AP自动判断出待认证密码，以此无线AP根据该待认证密码进行无线认证，若比对成功，则完成无线认证，允许用户接入。这样，用户在进行无线认证的过程中，不再需要通过手动的方式输入待认证密码，只需甩动移动终端，让移动终端发生预设动作即可，简单方便，为用户提供便利，提高用户体验。

进一步优选地，所述移动终端中包括：

数据获取模块，用于获取移动终端动作过程中的物理数据；

动作切割模块，用于对数据获取模块获取到的物理数据进行动作切割；

第一动作分类模块，用于对动作切割模块切割得到的动作进行处理得到特征值；

数据发送模块，用于将第一动作分类模块得到的特征值发送至无线AP；

所述无线AP中包括：

信息接收模块，用于接收移动终端发送的特征值；

第二动作分类模块，用于根据信息接收模块接收的特征值对其进行分类；

密码获取模块，用于根据第二动作分类模块分类的结果得到对应的待认证密码；

密码验证模块，用于对密码获取模块获取的待认证密码进行认证。

进一步优选地，在移动终端中还包括：

第一配置模块，用于设定预设动作与待认证密码之间的关联关系、设定预设动作的方向参数以及设定预设动作的阈值参数，所述阈值参数包括：移动终端发生动作时的加速度、角速度以及移动距离；

网络训练模块，用于建立动作切割训练网络，并根据配置模块中设定的参数对其进行有监督训练，所述动作切割训练网络中包括：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层；及用于建立姿势预测网络并对其进行有监督训练，所述姿势预测网络为一深度网络；

网络切割模块，用于将网络训练模块训练好的姿势预测网络拆分为第一姿势预测网络和第二姿势预测网络。

在本技术方案中，在进行无线认证之前，首先对移动终端和无线AP进行配置，包括设定预设动作的相关参数及预设动作与待认证密码之间的关联关系，建立动作切割训练网络及姿势预测网络等，以此移动终端根据配置信息判断移动终端发送发生了预设动作，提供无线认证的依据。

进一步优选地，在动作切割模块中，将数据获取模块获取的物理数据输入训练好的动作切割实施网络，实现对获取的物理数据进行动作切割，其中，所述动作切割实施网络中包括：数据层、第一全连接层、激活层以及第二全连接层；

在第一动作分类模块中，用于将动作切割模块切割得到的动作数据输入移动终端中的第一姿势预测网络得到特征值；

在第二动作分类模块中，用于将得到的特征值输入第二姿势预测网络实现切割得到的动作的分类。

在本技术方案中，移动终端中采用动作切割实施网络对获取到的物理数据进行动作切割，之后将切割得到的动作数据输入第一姿势预测网络；接着讲第一姿势预测网络计算得到的特征值输入第二姿势预测网络，以此实现动作进行归类，大大提高了移动终端中对自身动作判断的准确性。另外，移动终端和无线AP之间进行通信的过程中，移动终端将计算出的特征值发送至无线AP，由特征值由切割得到的动作数据计算而来，具备不确定性，不易伪造，相较于移动终端直接将待认证密码发送至无线AP中来说，大大提高数据传输过程中的安全性能。

进一步优选地，在动作切割训练网络和动作切割实施网络中，所述激活层为ReLU层；和/或，

在姿势预测网络中，所述姿势预测网络中包括：数据层、多个卷积层以及全连接层的多层卷积神经网络，还包括SoftMax分类器；所述SoftMax分类器根据多层卷积神经网络输出的特征值对动作进行分类。

在本技术方案中，在姿势预测网络对获取到的物理数据进行了特征提取之后，让多层卷积神经网络自己学习挑选输入的特征组合得到特征向量给分类器分类以得到最好的分类效果。相较于传统的人工选择输入特征、经过组合后得到一个输出特征向量后给分类器进行分类更智能化，实现更加精确地分类效果。且在该多层卷积神经网络中将特征提取部分和分类识别部分衔接在一起，其中特征学习部分隐式进行，大部分集中在该多层卷积神经网络的中间隐含层，即在训练训练样本集的同时，进行特征学习，免去了繁琐的手动提取特征和设计特征的过程，简化了流程，节约时间。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对上述特性、技术特征、优点及其实现方式予以进一步说明。

图1为本发明中无线认证方法一种实施方式流程示意图；

图2为本发明中无线认证方法另一种实施方式流程示意图；

图3为本发明中无线认证系统示意图。

图4为本发明中移动终端示意图；

图5为本发明中无线AP示意图。

附图标号说明：

100-无线认证系统，110-移动终端，120-无线AP，111-数据获取模块，112-动作切割模块，113-第一动作分类模块，114-数据发送模块，121-信息接收模块，122-第二动作分类模块，123-密码获取模块，124-密码验证模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

如图1所示为本发明提供的无线认证方法，具体包括通信连接的移动终端和无线AP，从图中可以看出，在该无线认证方法中包括：S1移动终端检测自身动作的物理数据；S2移动终端对获取的物理数据进行动作切割；S3移动终端与无线AP共同对切割得到的动作进行分类；S4无线AP根据分类的结果得到对应的待认证密码并对其进行无线认证。

具体，在该无线认证方法中，移动终端对用户甩动/移动终端的动作进行分割，并联合无线AP自动判断出待认证密码，以此无线AP根据该待认证密码进行无线认证，若比对成功，则完成无线认证，允许用户接入。更具体来说，上述移动终端可以为智能手机、平板电脑等，在这里不做具体限定。

基于此，在步骤S1之前还包括：S01设定预设动作的方向参数；S02设定预设动作的阈值参数，阈值参数包括：移动终端发生动作时的加速度、角速度以及移动距离；S03建立动作切割训练网络，并根据步骤S01和步骤S02中设定的参数对其进行有监督训练，动作切割训练网络中包括：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层；S04建立姿势预测网络并对其进行有监督训练，姿势预测网络为一深度网络；S05将训练好的姿势预测网络拆分为第一姿势预测网络和第二姿势预测网络；S06设定预设动作与待认证密码之间的关联关系，其中，一个动作对应至少一位待认证密码。

具体，对于预设动作，可以为甩动的动作也可以为移动的动作，如左右甩动一次关联数字1，上下甩动一次关联数字0；又如，顺时针移动一圈关联数字2，逆时针移动一圈关联数字3等。再有，一个动作可以关联一位待认证码，也可以关联两位待认证码，根据实际情况进行设定；如，左右甩动一次关联数字01，上下甩动一次关联数字23等，在此不做具体限定。

对于预设动作的方向参数，在一种实施方式中，以移动终端显示屏为坐标轴，横向为x轴，纵向为y轴，垂直显示屏为z轴，将沿x轴甩动设定为左右甩动，关联数字1；将沿y轴甩设定为上下甩动，关联数字0；将xy平面内顺时针移动一圈关联数字2；将xy平面内逆时针移动一圈关联数字3等，以此类推。

对于预设动作的阈值参数，至少包括：移动终端发生动作时的加速度、角速度以及移动距离。在一种具体实施方式中，设定移动终端左右甩动/上下甩动的移动距离阈值设定为0.2m(米)、加速度为0.1m/s²，以此类推。要说明的是，这里我们对上述预设关联关系、方向参数以及阈值参数均不作具体限定，可以根据实际情况进行设定。在实际应用中，通过移动终端内置的加速度计和陀螺仪获取移动终端甩动/移动的物理数据。

对于动作切割训练网络，包括但不限于：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层(Euclidean Loss层)。在对该动作切割网络进行有监督的训练时，将原始数据输入数据层，在Euclidean Loss层使用label(已知数据)进行回归，以此，通过训练，使得整个动作切割训练网络的误差(loss)最小。具体来说，在这个过程中，输入的原始数据可以为任意数据，当然也可以是本发明中使用到的移动终端的动作的物理数据；在Euclidean Loss层使用的label为输入的原始数据的正确切割结果。在一个实例中，假定该动作切割训练网络支持4个字母的组合，即则切割点位3个，若输入的数据为用户手动书写的ABCD，则Euclidean Loss层使用的label即为正确的A、B、C、D的书写方式，以此对该动作切割训练网络进行训练，直到误差最小，完成训练。最后，要说明的是，上述激活层为ReLU层，当然还可以为其他激活函数，根据实际情况而定。

对于姿势预测网络，其具体为一深度网络。在一个实例中，该姿势预测网络中包括：数据层、多个卷积层以及全连接层的多层卷积神经网络，还包括SoftMax分类器；SoftMax分类器根据多层卷积神经网络输出的特征值对动作进行分类。在使用该姿势预测网络之前对其进行有监督训练，以提高该姿势预测网络最终分类的准确度。具体，在训练的过程中，输入的原始数据可以为任意数据，当然也可以是本发明中使用到的移动终端的动作的物理数据，具体不做限定。在对该姿势预测网络训练好之后，将其拆分为第一姿势预测网络和第二姿势预测网络，其中，第一姿势预测网络与动作训练切割网络置于移动终端中，第二姿势预测网络置于无线AP中。至于第一姿势预测网络和第二姿势预测网络拆分的程度，这里我们不做具体限定，根据实际情况而定，如，在一个实例中，第一姿势预测网络为由数据层、多个卷积层以及全连接层构成的多层卷积神经网络，第二姿势预测网络为SoftMax分类器。

基于此，该无线认证方法具体为：S1通过移动终端内置的传感器检测移动终端动作过程中的物理数据；S2移动终端将步骤S1获取的物理数据输入训练好的动作切割实施网络，实现对获取的物理数据进行动作切割，其中，该动作切割实施网络中包括：数据层、第一全连接层、激活层以及第二全连接层；S3将步骤S2中切割得到的动作数据输入移动终端中的第一姿势预测网络得到特征值并将其发送至无线AP，无线AP将得到的特征值输入第二姿势预测网络实现对动作的分类；S4无线AP根据分类的结果得到对应的待认证密码并对其进行无线认证。

具体，在工作过程中，移动终端内置的传感器检测到物理数据之后，将其输入动作切割实施网络，在第二全连接层得到各动作之间的切割点，得到各动作；之后，将得到的各动作的参数输入第一姿势预测网络得到特征值；之后，将得到的特征值发送至无线AP；无线AP接收到特征值，将其输入第二姿势预测网络输出各动作类别的预测概率，将最大预测概率的类别作为预测到的类别，得到最终结果；之后，根据预测的关联关系得到相应的待认证密码并对其进行认证。

对上述实施方式进行改进得到本实施方式，如图2所示，在该实施方式中，该无线认证方法中包括：S1移动终端检测自身动作的物理数据；S2移动终端对获取的物理数据进行动作切割；S3移动终端与无线AP共同对切割得到的动作进行分类；S4无线AP根据分类的结果得到对应的待认证密码并对其进行无线认证；S41无线AP根据S05中设定的预设动作与待认证密码之间的关联关系及步骤S3中分类得到的动作得到相应的待认证密码；S42无线AP将接收到的待认证密码与预设密码进行比对，完成移动终端的无线认证。

具体，在工作过程中，移动终端内置的传感器检测到物理数据之后，将其输入动作切割实施网络，在第二全连接层得到各动作之间的切割点，得到各动作；之后，将得到的各动作的参数输入第一姿势预测网络得到特征值；之后，将得到的特征值发送至无线AP；无线AP接收到特征值，将其输入第二姿势预测网络输出各动作类别的预测概率，将最大预测概率的类别作为预测到的类别，得到最终结果；最后，无线AP根据预测的关联关系得到相应的待认证密码并将其与预设密码进行比较，若得到的待认证密码与预设密码一致，则比对成功，完成无线认证，允许用户接入网络；否则，认证失败，不允许用户接入网络。由这一过程中，移动终端与无线AP之间传输的是特征值，其实第一姿势预测网络根据切割好的动作数据计算而来，并无实际的物理意义，难以伪造，以此提高数据传输过程中的安全性能；另外，发送的特征值数据量非常小，不会消耗无线资源。

在一实例中，假定无线密码为0011，且数字0关联左右甩动智能手机，数字1关联上下甩动智能手机。在姿势预测网络中，将左右甩动设定为0类，将上下甩动设定为1类，将其他姿势设定为2类。

在进行无线认证之前在智能手机上安装了一个能够对自身甩动动作进行认证的终端应用；当用户携带智能手机进入无线区域之后，将智能手机的无线开关打开，关联上无线AP。之后，用户先后上下甩动智能手机两次、左右甩动智能手机两次。

智能手机中的应用APP通过内置的加速度计和陀螺仪检测用户的动作，并将检测到的物理数据输入动作切割实施网络对物理数据进行切割；之后，将切割好的动作输入第一姿势预测网络得到相应的特征值并将其发送无线AP，无线AP接收到特征值之后将其输入第二姿势预测网络实现对对动作的归类。若检查到类别2，则认证失败；若检查到的类别都是0和1，则将预测到的类别组成序列，得到待认证密码。

得到待认证密码之后，无线AP将其与预设密码进行比对，若比对成功，则说明认证成功，无线AP放行该智能手机，允许其连接互联网；否则，认证失败，要求用户重新进行认证。

如图3所示为本发明提供无线认证系统，从图中可以看出，在该无线认证系统100中包括移动终端110通信连接的无线AP120，其中，移动终端110，用于检测自身动作的物理数据、用于对获取的物理数据进行动作切割以及用于联合无线AP120对切割得到的动作进行分类；无线AP120还用于根据分类的结果得到对应的待认证密码并对其进行无线认证。

在工作过程中，移动终端110检测自身动作的物理数据之后对其进行动作切割，之后，结合无线AP120对切割得到的动作进行分类，并根据分类的结果得到对应的待认证密码并对其进行无线认证。

更具体来说，如图4所示，在移动终端110中包括：数据获取模块111、动作切割模块112、第一动作分类模块113以及数据发送模块114，其中，动作切割模块112与数据获取模块111连接，第一动作分类模块113与动作切割模块112连接，数据发送模块114与第一动作分类模块113连接。在工作过程中，首先，通过数据获取模块111获取移动终端110动作过程中的物理数据；之后，动作切割模块112对数据获取模块111获取到的物理数据进行动作切割；接着，第一动作分类模块113对动作切割模块112切割得到的动作进行处理得到特征值；最后，数据发送模块114将第一动作分类模块113得到的特征值发送至无线AP120。

如图5所示，在无线AP120中包括：信息接收模块121、第二动作分类模块122、密码获取模块123以及密码验证模块124，其中，第二动作分类模块122与信息接收模块121连接，密码获取模块123与第二动作分类模块122连接，密码验证模块124与密码获取模块123连接。在工作过程中，首先，信息接收模块121接收移动终端110中数据发送模块114发送的特征值；之后，第二动作分类模块122根据信息接收模块121接收的特征值对其进行分类；接着，密码获取模块123根据第二动作分类模块122分类的结果得到对应的待认证密码；最后，密码验证模块124对密码获取模块123获取的待认证密码进行认证，完成移动终端110的无线认证。

进一步来说，在移动终端110中还包括：第一配置模块，用于设定预设动作与待认证密码之间的关联关系、设定预设动作的方向参数以及设定预设动作的阈值参数，阈值参数包括：移动终端110发生动作时的加速度、角速度以及移动距离；

具体，对于预设动作，可以为甩动的动作也可以为移动的动作，如左右甩动一次关联数字1，上下甩动一次关联数字0；又如，顺时针移动一圈关联数字2，逆时针移动一圈关联数字3等。再有，一个动作可以关联一位待认证码，也可以关联两位待认证码，根据实际情况进行设定；如，左右甩动一次关联数字01，上下甩动一次关联数字23等，在此不做具体限定。

对于预设动作的方向参数，在一种实施方式中，以移动终端110显示屏为坐标轴，横向为x轴，纵向为y轴，垂直显示屏为z轴，将沿x轴甩动设定为左右甩动，关联数字1；将沿y轴甩设定为上下甩动，关联数字0；将xy平面内顺时针移动一圈关联数字2；将xy平面内逆时针移动一圈关联数字3等，以此类推。

对于预设动作的阈值参数，至少包括：移动终端110发生动作时的加速度、角速度以及移动距离。在一种具体实施方式中，设定移动终端110左右甩动/上下甩动的移动距离阈值设定为0.2m(米)、加速度为0.1m/s²，以此类推。要说明的是，这里我们对上述预设关联关系、方向参数以及阈值参数均不作具体限定，可以根据实际情况进行设定。在实际应用中，通过移动终端110内置的加速度计和陀螺仪获取移动终端110甩动/移动的物理数据。

另外，还包括网络训练模块，用于建立动作切割训练网络，并根据配置模块中设定的参数对其进行有监督训练，动作切割训练网络中包括：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层；及用于建立姿势预测网络并对其进行有监督训练，姿势预测网络为一深度网络；网络切割模块，用于将网络训练模块训练好的姿势预测网络拆分为第一姿势预测网络和第二姿势预测网络。

对于动作切割训练网络，包括但不限于：数据层、第一全连接层、激活层、第二全连接层以及欧氏损失层(Euclidean Loss层)。在对该动作切割网络进行有监督的训练时，将原始数据输入数据层，在Euclidean Loss层使用label(已知数据)进行回归，以此，通过训练，使得整个动作切割训练网络的误差(loss)最小。具体来说，在这个过程中，输入的原始数据可以为任意数据，当然也可以是本发明中使用到的移动终端110的动作的物理数据；在Euclidean Loss层使用的label为输入的原始数据的正确切割结果。在一个实例中，假定该动作切割训练网络支持4个字母的组合，即则切割点位3个，若输入的数据为用户手动书写的ABCD，则Euclidean Loss层使用的label即为正确的A、B、C、D的书写方式，以此对该动作切割训练网络进行训练，直到误差最小，完成训练。最后，要说明的是，上述激活层为ReLU层，当然还可以为其他激活函数，根据实际情况而定。

对于姿势预测网络，其具体为一深度网络。在一个实例中，该姿势预测网络中包括：数据层、多个卷积层以及全连接层的多层卷积神经网络，还包括SoftMax分类器；SoftMax分类器根据多层卷积神经网络输出的特征值对动作进行分类。在使用该姿势预测网络之前对其进行有监督训练，以提高该姿势预测网络最终分类的准确度。具体，在训练的过程中，输入的原始数据可以为任意数据，当然也可以是本发明中使用到的移动终端110的动作的物理数据，具体不做限定。在对该姿势预测网络训练好之后，网络切割模块将其拆分为第一姿势预测网络和第二姿势预测网络，其中，第一姿势预测网络与动作训练切割网络置于移动终端110中，第二姿势预测网络置于无线AP120中。至于第一姿势预测网络和第二姿势预测网络拆分的程度，这里我们不做具体限定，根据实际情况而定，如，在一个实例中，第一姿势预测网络为由数据层、多个卷积层以及全连接层构成的多层卷积神经网络，第二姿势预测网络为SoftMax分类器。

基于此，在动作切割模块112中，将数据获取模块111获取的物理数据输入训练好的动作切割实施网络，实现对获取的物理数据进行动作切割，其中，动作切割实施网络中包括：数据层、第一全连接层、激活层以及第二全连接层；在第一动作分类模块113中，用于将动作切割模块112切割得到的动作数据输入移动终端110中的第一姿势预测网络得到特征值；在第二动作分类模块122中，用于将得到的特征值输入第二姿势预测网络实现切割得到的动作的分类。

具体，在工作过程中，移动终端110中的数据获取模块111检测到物理数据之后，在动作切割模块112中将其输入动作切割实施网络，在第二全连接层得到各动作之间的切割点，得到各动作；之后，在第一动作分类模块113中将得到的各动作的参数输入第一姿势预测网络得到相应的特征值，并将其发送至无线AP120。无线AP120接收到该特征值之后，在第二动作分类模块122中将特征值输入第二姿势预测网络，实现对动作的分类，最终输出各动作类别的预测概率，将最大预测概率的类别作为预测到的类别，得到最终结果；之后，密码获取模块123根据预测的关联关系得到相应的待认证密码并将其对其进行认证，若待认证密码与预设密码一致，则比对成功，完成无线认证，允许用户接入网络；否则，认证失败，不允许用户接入网络。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。