💗博主介绍：✌全网粉丝20W+,CSDN全栈领域优质创作者，博客之星、掘金/华为云/阿里云等平台优质作者,计算机毕设实战导师。目前专注于大学生项目实战开发,讲解,毕业答疑辅导，欢迎高校老师/同行前辈交流合作✌
💗主要服务内容：免费功能设计、选题定题、开题报告、任务书、程序开发、论文编写和辅导、论文降重、程序讲解、答辩辅导等，欢迎咨询~
👇🏻 精彩专栏 推荐订阅👇🏻
计算机毕业设计精品项目案例（持续更新，值得收藏！）✅
2026-2027年计算机毕业设计选题推荐：计算机专业毕业设计题目大全✅
全网最全计算机毕业设计选题推荐：计算机毕设选题指导及避坑指南✅
🌟文末获取源码+数据库+文档🌟
感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以和学长沟通，希望帮助更多的人

一.项目概述

针对无线局域网易遭受恶意 AP 劫持、ARP 欺骗、WiFi 暴力破解等网络攻击，传统单一规则检测方式存在误报率高、未知威胁识别能力不足、无法自动化处置风险等问题，本文设计并实现一套基于规则引擎与多机器学习模型融合的无线网络入侵检测与反制系统。系统以 Python 为开发语言，采用 Django+DRF 搭建前后端分离 Web 管理架构，借助 Scapy 工具完成 802.11 无线数据包抓取与特征提取，通过 XGBoost 梯度提升树与 CNN-LSTM 深度学习模型构建双 AI 检测模块，结合自定义安全规则形成双重检测机制。系统可自动完成流量数据采集、数据预处理、攻击类型判别、风险等级量化分级，并依据高、中、低风险等级执行虚假应答、流量限流、强制断连等差异化反制策略。同时集成白名单管控、操作日志审计、安全数据可视化、RBAC 权限管理等辅助功能，有效降低无线环境下网络入侵带来的安全隐患。测试结果表明，本系统对常见 WiFi 攻击具备较高识别准确率，可实现威胁检测、风险评估、自动防御的闭环安全管控，对小型无线局域网安全防护具备实际应用价值。

---

二.开发技术栈

2.1 核心框架

技术	版本	用途说明
Python	3.12.10	后端开发语言与脚本运行环境
Django	4.2.29	核心 Web 框架，负责模型、路由、配置和后台能力
Django REST framework	3.14.0	RESTful API 开发框架
django-cors-headers	4.3.1	跨域访问控制

2.2 数据库相关

技术	版本	用途说明
MySQL	8.0（项目配置）	核心关系型数据库，存储业务主数据
mysqlclient	2.2.4	Django 的 MySQL 驱动
Django ORM	集成于 Django 4.2.29	对象关系映射与查询封装
JSONField	集成于 Django 4.2.29	承载摘要、证据、指标、原始载荷等复杂结构

2.3 数据处理与分析

技术	版本	用途说明
numpy	1.26.4	数值计算与特征向量处理
pandas	2.3.2	训练数据集处理与分析
tqdm	4.67.1	训练脚本进度展示
Pillow	10.4.0	验证码图片生成与图像处理

2.4 机器学习与深度学习核心

技术	版本	用途说明
scikit-learn	1.7.2	随机森林等经典机器学习模型训练与推理
xgboost	3.1.2	梯度提升树攻击分类模型
torch	2.8.0+cu128	CNN+LSTM 深度学习模型训练与推理
torchvision	0.23.0+cu128	PyTorch 配套组件，支持训练环境完整性

2.5 训练结果可视化

技术	版本	用途说明
matplotlib	3.10.7	绘制损失曲线、混淆矩阵等训练结果图
seaborn	0.13.2	统计图形增强展示

2.6 安全与认证

技术	版本	用途说明
djangorestframework-simplejwt	5.3.1	Access / Refresh Token 认证与刷新
PyJWT	2.8.0	JWT 编解码支持
Django Auth	集成于 Django 4.2.29	密码哈希、认证和权限基类
自定义 RBAC	项目内实现	基于 sys_user / sys_role / sys_permission 的权限控制

---

三.系统分析

3.1 功能性需求分析

本无线网络入侵检测与反制系统面向局域网WiFi无线环境设计，核心目标是自动采集无线报文流量，通过规则引擎+多机器学习深度学习模型双重检测识别ARP欺骗、WiFi暴力破解、恶意伪AP三类典型无线入侵攻击，完成风险量化分级、自动化策略反制、实时安全告警与全流程操作审计，整体划分为7大核心功能模块，逐一拆解功能性需求如下：

3.1.1 用户权限与系统管理模块需求

1.多角色账号管理
系统划分超级管理员与普通查看用户两类角色：管理员拥有全部配置、检测、反制、策略编辑权限；普通用户仅可查看告警记录、检测报表，无法执行风险处置与系统参数修改。
2. RBAC细粒度权限控制
支持新增/编辑/删除系统用户、自定义角色、绑定菜单与接口权限；所有后台登录、策略修改、手动触发反制、模型重置操作写入操作审计日志，记录操作人员、操作时间、客户端IP、请求参数。
3. 登录安全管控
登录页展示图形验证码，验证码5分钟自动失效；采用JWT无状态登录，支持手动退出登录一键作废令牌；连续多次密码错误锁定账号，抵御暴力破解后台系统。

3.1.2 无线流量采集与数据预处理模块需求

1.采集任务生命周期管理
管理员可手动创建流量采集任务，自定义任务名称、采集来源、数据包类型；支持启动、暂停、终止采集任务，查看任务运行状态、采集数据包总条数。
2. 原始流量样本导入存储
支持模拟无线流量样本批量导入系统，原始报文、MAC地址、BSSID、SSID、认证日志完整存入数据库security_traffic_sample表，支持单条样本详情溯源查看。
3. 自动化数据清洗预处理（核心需求）
对原始流量数据包执行标准化预处理操作：

• 去重：剔除重复捕获的相同报文，避免重复计算干扰检测结果；
• 去噪：过滤信号干扰乱码报文、无效空数据包、协议异常碎片包；
• 特征提取：自动归一化IP、MAC、采集时间、信号强度、认证结果等关键字段；
• 预处理结果持久化：统计去重数量、去噪数量、有效特征条数，生成预处理归档记录，绑定对应采集任务ID，实现数据清洗过程可追溯。

3.1.3 规则引擎威胁检测模块需求

1.可配置检测规则库管理
后台可视化配置三类攻击检测规则：ARP欺骗规则（同一IP绑定多个MAC触发）、WiFi认证暴力破解规则（单MAC多次密码错误阈值触发）、恶意AP规则（相同SSID多个BSSID伪基站触发）；支持规则启用/禁用、修改触发阈值、编辑规则说明。
2. 批量执行规则检测
选择已完成预处理的流量任务，一键启动规则检测服务；系统自动遍历清洗后特征，匹配预设阈值判定攻击类型，生成规则命中详情、攻击置信度、攻击证据快照。
3. 规则检测结果归档
每条规则检测结果关联采集任务、预处理记录、命中规则编号，将rule_hits规则详情存入JSON字段，支持后台分页查询、按攻击类型筛选、导出检测记录。

3.1.4 AI智能模型检测模块需求

1.多算法模型统一注册管理
搭建模型注册表，录入随机森林、XGBoost、CNN+LSTM三种检测模型信息，记录模型存储路径、训练时间、准确率指标、启用状态；支持管理员启用/停用任意AI模型，实现检测算法一键切换。
2. 机器学习模型检测（RF/XGBoost）
对结构化统计流量特征做向量化处理，调用训练好的随机森林、XGBoost梯度提升树模型完成多分类推理，输出正常流量/ARP欺骗/暴力破解/恶意AP四类判定结果与置信度分值。
3.CNN+LSTM深度学习时序检测
加载PyTorch训练的CNN-LSTM混合神经网络，CNN提取流量空间特征、双向LSTM捕捉无线流量时间序列波动特征，针对隐蔽性强的慢速扫描、分步式伪AP攻击做深度识别。
4. AI检测结果持久化
保存使用模型名称、推理置信度、输入特征向量快照、预测攻击类别，与规则检测结果存入同一张检测结果表，形成“规则+AI”双检测交叉验证体系。

3.1.5 风险等级评估模块需求

1.攻击分值量化计算
综合规则检测置信度与AI模型推理置信度，取最大值作为最终attack_score攻击分值（0~1浮点区间），分值越高威胁等级越高；无有效检测结果时默认赋值0.5兜底计算。
2. 三级风险自动分级判定
严格按照阈值划分风险等级：

• 低风险（Low）：攻击分值＜0.4，轻微偶然异常、协议误报，无实质入侵危害；
• 中风险（Medium）：0.4 ≤ 攻击分值 ＜ 0.75，频繁试探、少量认证失败、可疑周边AP扫描；
• 高风险（High）：攻击分值 ≥ 0.75，明确ARP欺骗、大规模暴力破解、恶意钓鱼伪AP。

3.白名单优先级覆盖机制
若攻击源MAC/IP设备命中管理员配置的信任白名单，无论计算出多高攻击分值，强制降级判定为低风险，杜绝合法办公设备被误拦截。
4.风险评估记录可追溯
每一次评估生成独立风险评估单据，关联上游检测结果ID，记录分值、等级、白名单命中状态、判定依据，支持后台检索导出。

3.1.6 分级自动反制策略管控模块需求

1.反制策略模板配置
管理员后台新增、编辑反制策略，绑定对应风险等级，设置处置动作、反制持续执行时长（60s~120s可自定义）、策略启用状态。系统内置7种标准化处置动作，不同风险等级绑定差异化强度：

• 低风险：fake_response 虚假协议应答，仅日志记录留痕，不做流量阻断；
• 中风险：rate_limit_block 源设备连接限流、请求频率压制，柔性干预不中断业务；
• 高风险：traffic_block流量全盘拦截、force_disconnect强制WiFi终端下线、封堵攻击源IP/MAC。

2.自动化策略匹配与执行
风险评估完成后系统自动匹配已启用的等级策略，先校验白名单，白名单设备直接跳过反制；未命中白名单则执行预设处置动作，记录反制执行状态（已执行/执行失败）、执行起止时间、处置动作类型。
3.反制执行全生命周期管理
所有反制操作生成执行日志，关联风险评估ID、策略ID、目标攻击设备标识，支持查看历史处置记录、统计高风险阻断次数。

3.1.7 安全告警与可视化监控模块需求

1.实时分级告警推送
高/中/低风险判定完成后自动生成安全告警记录存入security_alert表，标记告警级别、攻击类型、攻击源、处置状态；高风险告警高亮置顶展示，提醒管理员紧急处置。
2. 告警闭环处理
管理员可在后台对告警执行“标记已处理”操作，系统记录处理人、处理时间，形成威胁发现→自动反制→人工确认闭环管理。
3. 系统大盘数据可视化
首页仪表盘聚合统计：今日告警总数、高风险攻击次数、已执行反制条数、有效流量采集任务数；采用统计卡片+数据表格形式展示全部检测记录、风险评估清单、反制执行报表，支持按时间、攻击类型、风险等级多维度筛选查询。

3.2 核心模型与服务需求

3.2.1 三大核心AI检测模型训练与推理服务需求

（1）随机森林分类模型服务需求

1.数据集加载：读取wireless_intrusion_samples.csv无线攻击样本数据集，完成特征筛选、缺失值填充、特征归一化，将4类流量标签做数值编码；
2. 数据集划分：按照75%训练集、25%测试集自动拆分，保证测试样本独立用于模型效果验证；
3. 模型训练配置：基于scikit-learn搭建多分类随机森林，输出分类概率与预测类别，计算准确率、混淆矩阵等评估指标；
4. 模型持久化与在线推理：训练完成保存模型文件至服务器目录，系统检测任务调用时动态加载模型，对预处理后的结构化流量特征实时推理输出攻击类型与置信度；
5. 性能基准要求：基线测试集6条样本下准确率达到100%，作为轻量化快速检测基线模型，适合算力较低环境部署。

（2）XGBoost梯度提升树模型服务需求

1.特征工程复用随机森林数据集预处理逻辑，构造相同维度流量特征向量；
2. 超参数固定配置：决策树数量300棵、树最大深度5、学习率0.08、L2正则化抑制过拟合，提升模型泛化能力；
3. 训练与评估：串行迭代优化残差误差，测试集验证分类效果，输出精确率、召回率、F1综合评分，生成可视化混淆矩阵；
4. 线上调用服务：与随机森林共用模型注册表，可由管理员自由切换，作为机器学习方案高精度补充模型，规则检测失效时提供兜底识别能力；
5. 性能基准：同测试样本集准确率100%，相比随机森林对少量离群异常特征识别鲁棒性更强。

（3）CNN+LSTM混合深度学习模型服务需求

1.数据集时序重构：将离散无线流量数据包按设备会话拼接为时序序列，构造CNN一维卷积输入格式，完成样本标签独热编码；
2. 网络结构搭建：一维CNN层提取流量局部空间特征，双向LSTM层建模报文随时间变化的时序依赖关系，Softmax输出层完成4分类攻击判定；
3. 训练超参数约束：迭代轮次Epoch=30、批次BatchSize=16、Adam优化器学习率0.001，损失函数采用多分类负对数似然损失；
4. 训练过程可视化：自动绘制Loss损失下降曲线、准确率变化曲线、测试集混淆矩阵，保存完整.pt格式模型权重文件；
5. 推理服务调用：后端Django封装PyTorch推理接口，接收序列化时序特征张量，前向传播输出每一类攻击概率置信度；
6. 性能基准与迭代优化：基线版本测试集准确率66.67%，预留数据增强、超参数调优、数据集扩容优化接口，用于后续提升深度学习模型识别精度；
7. 适用场景：针对短时连续脉冲式攻击、渐进式恶意AP搭建等传统机器学习难以捕捉的时序异常行为做深度检测。

3.2.2 七大核心后台业务微服务拆分需求

为保证系统高内聚低耦合，后端按照单一职责拆分为独立Django App服务，各服务接口化调用、互不侵入：
1.流量采集与预处理服务
负责采集任务生命周期管理、原始数据包入库、批量去重去噪清洗、特征标准化、预处理记录归档，为下游检测服务输出干净可用数据集。
2. 规则引擎检测服务
加载后台配置的检测规则参数，遍历预处理后流量特征执行阈值匹配，输出规则命中列表、攻击证据、规则置信度，作为确定性已知攻击第一道检测屏障。
3. AI模型调度推理服务
统一管理模型注册表，封装RF、XGBoost、CNN+LSTM三种模型加载、特征转换、批量推理公共方法，接收检测任务入参返回AI判定结果与置信度，实现模型调用代码统一收口。
4. 风险评估打分服务
接收规则检测结果与AI检测双置信度，计算综合攻击分值，匹配三级风险阈值，执行白名单优先级覆盖逻辑，生成标准化RiskAssessment评估单据。
5. 反制策略执行服务
根据风险等级查询启用的反制策略，校验白名单过滤，执行对应处置动作，记录反制执行状态、执行时长、操作对象，形成完整处置流水。
6. 安全告警推送服务
监听风险评估完成事件，自动插入告警数据表，提供告警列表查询、告警状态已处理更新接口，为前端监控大盘提供统计数据源。
7. 系统权限与审计服务
封装RBAC权限校验、登录JWT签发与黑名单失效、操作日志全局拦截写入、验证码生成校验公共工具类，为所有接口提供安全底层支撑。

3.2.3 系统非功能性约束需求

1.模型与检测可靠性需求
采用规则+机器学习+深度学习三重检测融合架构，交叉校验降低漏报、误报概率；白名单强制兜底，避免生产环境误封正常无线终端；所有判定过程留证据快照，支持人工复核溯源。
2. 可扩展迭代需求
规则引擎支持新增更多无线攻击类型（如WiFi信道洪水攻击、KRACK漏洞攻击）；模型注册表可接入SVM、LightGBM、Transformer等新算法；反制策略可扩充更多处置动作，模块化架构无需重构主干代码。
3. 运行稳定性需求
Redis缓存减轻数据库压力，批量插入优化海量流量入库性能；模型加载限制相对路径，降低部署环境差异导致的启动异常；后端接口增加参数校验、异常捕获，保证单模块崩溃不导致整体系统宕机。
4. 部署便捷性需求
提供Windows一键启动批处理脚本，自动安装依赖、执行数据库迁移、并行启动前后端；生产环境适配Nginx+Gunicorn标准Linux部署方案，适配毕业设计演示与实际服务器上线两种场景。

四.系统总体设计

4.1 体系结构设计

系统主要分为数据采集方面数据预处理方面，然后去噪特征规则化，然后使用随机森林算法以及LSTM和CNN算法进行模型训练，然后进风险评估，架构图如下。

4.2数据预处理设计

数据预处理方面主要包含了去重，与去噪没然后进行规则化检测特征，下面是流程图。

4.3 风险特征检测与反制模块设计

下面是风险特征检测与反制模块设计，主要对高风险，低风险，以及中风险进行设计，下面是流程图。

4.3.1特征规则检测模块设计

特征规则化流程主要是进行了核心业务接口的层的，接入接口，然后对认证的管理员开发，以及提取样本，然后预处理，然后识别检测的攻击类型，最后生成流量特征，匹配监控安全策略。

4.3.2 AI 智能检测模块

该模块主要使用加载AI模块，进行策略的选择，先后 AI模块，然后加载模型，智能检测。

4.3.3攻击等级判定模块

下面是等级的判定，以0.8分的数据为分界点，然后高风险中风险评分。

4.4策略管控模块

下面是策略管控模块，对不同的风险值进行判定，根据不同的分数，进行自动匹配。

4.5模型训练

下面LSTM与CNN模型训练的流程，先后进行归一化处理数据，然后进行连接层设计，进行优化参数，然后进行评估指标设计。

五.部分效果展示

5.1 管理员功能

5.1.1 管理员登录

系统提供统一管理员身份认证入口，基于账号密码与验证码完成合法性校验与权限鉴权。支持会话管控、异常拦截与强制下线，保障后台高危操作安全可控。

5.1.2 无线数据采集

模块支持无线流量任务创建、样本导入与原始流量采集，自动提取设备特征、信号强度、报文统计等关键信息。提供任务全生命周期管理与日志留存，为后续检测分析提供标准化数据源。

5.1.3 数据预处理

系统对原始流量样本执行去重、去噪、缺失填充与特征归一化，清洗无效干扰数据。自动统计清洗指标并生成处理记录，为规则检测与AI模型推理提供高质量特征数据。

5.1.4 特征规则检测

通过预设安全规则匹配流量特征，精准识别ARP欺骗、暴力破解、恶意AP等典型无线攻击。支持规则自定义配置、启停管理与阈值修改，实现高效、可追溯的确定性威胁检测。

5.1.5 AI 智能检测

集成随机森林、XGBoost、CNN-LSTM多类智能模型，对标准化流量特征进行自动推理分类。结合机器学习与深度学习优势，与规则引擎形成双检测架构，提升复杂攻击识别能力。

5.1.6 攻击等级判定

系统根据检测置信度计算攻击评分，依据阈值自动划分高、中、低三级风险等级。分级结果为后续差异化反制策略匹配提供量化依据，实现风险标准化评估。

5.1.7 反制策略

系统依据风险等级自动匹配分级反制策略，涵盖虚假应答、限流封禁、流量拦截与强制断开等处置方式。支持策略自定义配置、时长调整与状态管理，实现威胁自动化闭环处置。

5.1.8 白名单管理

白名单模块维护可信设备与合法AP信息，对授信设备豁免高强度反制、降级风险判定。有效规避网络误判误伤，提升系统检测与处置的稳定性与准确率。

5.1.9 安全日志

系统全程记录采集、检测、反制、配置等所有后台操作，留存操作人、时间、IP与行为详情。实现全流程安全审计与问题溯源，满足系统运维与安全合规需求。

5.1.10 可视化图表

前端可视化面板聚合展示攻击类型、风险分布、检测统计与反制数据。支持多维度筛选、实时刷新与数据导出，直观呈现全网无线安全态势，辅助管理员决策。

5.2 普通用户功能

5.2.1 用户登录

普通用户通过账号密码结合验证码完成身份校验，验证通过后进入用户权限界面。系统区分管理员与普通用户权限，实现页面与功能权限隔离。

5.2.2 检测记录

集中展示规则检测与AI智能检测的全部结果，包含攻击类型、置信度、判定依据与检测时间。支持检索、查看详情与数据导出，便于用户追溯网络异常行为。

5.2.3 反制记录

汇总展示系统所有自动化反制执行日志，记录风险等级、处置动作、目标设备与执行状态。支持查询与导出，方便用户复盘威胁处置效果与系统运行状态。

5.2.4 安全报表

系统按日、周、月自动统计攻击分布、检测准确率、反制成功率等核心指标。以图表+表格形式展示并支持导出，形成标准化网络安全汇总报告。

5.2.5 实时告警

针对中、高风险攻击事件实时生成告警信息，展示攻击类型、风险等级与攻击源。支持告警状态处理与闭环管理，实现威胁发现、提醒、处置的完整安全流程。

六.部分代码实现

6.1 项目开发核心技术难点说明

难点 1：混杂无线流量下多类型入侵攻击精准识别
无线信道存在干扰噪声、广播报文冗余、正常业务流量与攻击流量高度交织问题，ARP 欺骗、恶意 AP 劫持、WiFi 暴力破解等攻击特征差异性大，单一规则检测漏报误报率较高。同时公开无线入侵标注数据集稀缺、样本分布不均衡，传统机器学习模型泛化能力受限。
本系统构建规则引擎 + AI 双检测架构，利用 Scapy 解析 802.11 帧提取时序、报文频次等特征，融合 XGBoost 与 CNN-LSTM 模型挖掘深层流量规律，通过样本加权、数据增强缓解过拟合，有效提升复杂无线网络环境下威胁识别准确率。
难点 2：多任务并发下算力负载与异步调度优化
系统并行运行无线实时抓包、深度学习模型推理、反制指令下发、前端可视化刷新、日志持久化多项任务，AI 推理占用服务器 GPU 与 CPU 资源较高，易出现接口阻塞、抓包进程卡顿、页面响应延迟等问题。
项目基于 Django REST Framework 前后端分离架构解耦业务，将流量解析、模型推理、策略执行交由异步任务处理，对检测结果、统计报表增加缓存机制，批量合并日志写入操作，在保证入侵检测实时性的同时降低系统整体算力开销。

6.2 无线网络入侵检测核心代码

def traffic_attack_detect(pcap_file):
    # 解析802.11无线数据包并提取多维流量特征
    packet_list = scapy_all.rdpcap(pcap_file)
    feat_arr = extract_wifi_feature(packet_list)

    # CNN-LSTM模型推理判定攻击类型与置信度
    with torch.no_grad():
        pred_out = model(torch.from_numpy(feat_arr).unsqueeze(0))
        score = F.softmax(pred_out, dim=1)
        pred_idx = torch.argmax(score, dim=1).item()

    # 计算风险等级并匹配自动反制策略
    conf = score[0][pred_idx].item()
    risk_level = get_risk_rank(conf)
    auto_execute_countermeasure(pred_idx, risk_level)

    return {"attack": ATTACK_TYPE[pred_idx], "confidence": conf, "level": risk_level}

源码及文档获取

文章下方名片联系我即可~
大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻
精彩专栏推荐订阅：在下方专栏👇🏻

最新计算机毕业设计选题篇-选题推荐
小程序毕业设计精品项目案例-200套
Java毕业设计精品项目案例-200套
Python毕业设计精品项目案例-200套
大数据毕业设计精品项目案例-200套
💟💟如果大家有任何疑虑，欢迎在下方位置详细交流。