At finde BSSID'er i en WiFi -scanning fra den samme fysiske router

Afkodning af flere BSSID'er: Kan vi linke dem til et adgangspunkt?

Forestil dig, at du scanner efter WiFi -netværk i et travlt lejlighedskompleks, og din enhed registrerer snesevis af signaler. 📡 Nogle af disse netværk deler den samme SSID, men fungerer på forskellige frekvenser, hvilket gør det udfordrende at bestemme, hvad der hører til den samme fysiske router. Denne situation er almindelig i dobbeltbånd routere, der udsender både 2,4 GHz og 5 GHz signaler under flere netværksnavne.

I en ideel verden ville der være en standardmetode til gruppe af BSSID'er, der stammer fra det samme adgangspunkt. Mens nogle producenter følger forudsigelige mønstre ved tildeling af MAC -adresser, er der ingen universel konvention. Manglen på en konsekvent identifikator betyder, at udviklere ofte tyr til statistisk analyse eller signalstyrke klynger for at gøre uddannede gæt.

Overvej for eksempel en hjemme -router, der udsender "Home" og "Home_Guest" netværk. Hvis begge netværk findes på 2,4 GHz og 5 GHz, betyder det, at fire forskellige BSSID'er vises i en scanning. Uden en indbygget måde at forbinde dem på, behandler din enhed hver som separate, selvom de stammer fra den samme router. 🤔

Denne artikel undersøger, om WiFi -standarden i sig selv giver en metode til at identificere, hvilke BSSIDS der kommer fra det samme fysiske adgangspunkt. Vi vil dykke ned i tekniske detaljer, mulige løsninger, og om en sådan gruppering endda er konceptuelt gennemførlig på tværs af forskellige operativsystemer.

Sådan identificeres BSSID'er fra den samme fysiske router

Gruppering af flere BSSID'er, der hører til den samme fysiske router, er en udfordring, fordi WiFi -netværk, der udsendes på forskellige frekvenser og SSID'er. I vores scripts brugte vi forskellige programmeringsteknikker til at analysere og klassificere BSSID'er baseret på deres MAC -adresse præfikser. I Python -scriptet blev det scapy bibliotek udnyttet til at scanne WiFi -netværk, hente BSSID -oplysninger og gruppe dem efter deres producentpræfiks. Dette giver os mulighed for at give et uddannet gæt om, hvilke BSSIDS stammer fra den samme enhed. På Android -siden brugte vi Wifimanager API til at udtrække BSSID -listen, gruppere netværk baseret på de første 8 tegn i deres MAC -adresser. Denne metode giver en pålidelig måde at kategorisere netværk uden at stole på producentspecifikke regler. 📡

Hovedideen bag vores scripts er, at de fleste routere genererer flere BSSID'er med lignende præfikser, når de udsendes på forskellige kanaler. For eksempel vil en dobbeltbånd router, der udsender "hjem" og "home_guest" på 2,4 GHz og 5GHz, sandsynligvis have BSSID'er som "AA: BB: CC: 11: 22: 33" og "AA: BB: CC: 11: 22:44 ". Vores kode udtrækker og analyserer den første del af hver MAC -adresse til at bestemme sandsynlige kampe. I Python opretter vi en ordbog, hvor nøgler er disse præfikser, hvilket sikrer, at alle BSSID'er, der deler det samme præfiks, er samlet. I Java bruger vi et hashmap for at opnå den samme klassificering. Denne metode fungerer godt i de fleste tilfælde, skønt nogle avancerede routere randomiserer BSSID -opgaver, hvilket gør det sværere at stole udelukkende på MAC -præfikser. 🔍

En vigtig del af vores scripts er effektivt at håndtere flere scanningsresultater. Da WiFi -netværk konstant skifter, kan gentagne scanninger muligvis give lidt forskellige resultater. For at forbedre nøjagtigheden, yderligere filtreringsteknikker som at sammenligne Signalstyrke kan bruges. Hvis to BSSID'er har lignende præfikser og detekteres med den samme signalintensitet på et givet sted, hører de sandsynligvis til det samme adgangspunkt. I Android lader WiFimanager API os hente resultaterne af realtidsscanningsresultater, som vi behandler på en struktureret måde ved hjælp af lister og hashmaps. På Python-baserede systemer kan vi bruge Scapys scanningsfunktion til at automatisere indsamlingen af ​​flere scanninger, hvilket øger nøjagtigheden af ​​vores klassificeringsalgoritme.

Mens vores tilgang ikke er idiotsikeret, giver den en solid ramme for gruppering af BSSID'er ved hjælp af dataanalyseteknikker. Fremtidige forbedringer kan omfatte maskinlæringsalgoritmer til at forfine klassificeringen baseret på historiske scanningsdata. Derudover kan den kommende WiFi 7 -standard muligvis introducere nye funktioner til at gøre BSSID -gruppering mere ligetil. For tiden tilbyder vores scripts en praktisk løsning for udviklere, der ønsker at analysere WiFi -miljøer mere effektivt og udtrække meningsfulde indsigt fra netværksscanninger.

import scapy.all as scapy
def scan_wifi():
    networks = scapy.WiFiScanner(iface="wlan0").scan()  # Adjust for your interface
    bssids = {net.BSSID: net for net in networks}
    grouped = group_by_router(bssids)
    return grouped
def group_by_router(bssids):
    router_map = {bssid[:8]: [] for bssid in bssids}
    for bssid, net in bssids.items():
        router_map[bssid[:8]].append(net)
    return router_map
print(scan_wifi())

import android.net.wifi.ScanResult;
import android.net.wifi.WifiManager;
import java.util.HashMap;
public class WifiScanner {
    public HashMap<String, List<ScanResult>> groupBSSIDs(List<ScanResult> scanResults) {
        HashMap<String, List<ScanResult>> grouped = new HashMap<>();
        for (ScanResult result : scanResults) {
            String key = result.BSSID.substring(0, 8);
            grouped.putIfAbsent(key, new ArrayList<>());
            grouped.get(key).add(result);
        }
        return grouped;
    }
}

Forståelse af BSSID -gruppering og skjulte udfordringer

Mens vores tidligere efterforskning fokuserede på gruppering af BSSID'er baseret på deres MAC -præfikser, er et andet vigtigt aspekt rollen som Wifi roaming. Mange moderne netværk, især i virksomhedsmiljøer, bruger flere adgangspunkter med den samme SSID for at sikre problemfri forbindelse. Dette betyder, at selvom forskellige AP'er deler en SSID, er deres BSSID'er unikke, hvilket gør identifikationen mere kompleks. I sådanne tilfælde bruger routere funktioner som 802.11K og 802.11V, som hjælper enheder med at strejfe mellem APS effektivt. Imidlertid angiver disse standarder ikke eksplicit, hvilke BSSID'er der hører til den samme fysiske router, da de er designet til kundeside-overlevering snarere end backend-identifikation.

En anden udfordring opstår med MAC -adresse randomisering. Mange moderne adgangspunkter og endda klientenheder implementerer tilfældige MAC -adresser for at forbedre privatlivets fred og sikkerhed. Dette kan forstyrre forsøg på at klassificere BSSID'er med MAC -præfiks, da enheder kan udsende dynamisk skiftende adresser. Nogle producenter bruger også forskellige MAC -tildelingsstrategier, hvilket gør en standardiseret grupperingsmetode vanskelig. En løsning involverer overvågning af beacon-rammeegenskaber, såsom leverandørspecifikke tags, som undertiden giver ekstra ledetråde om BSSID-forhold.

For en mere nøjagtig klassificering, maskinlæring teknikker kan introduceres. Ved at indsamle data fra flere WiFi -scanninger over tid og analysere mønstre i SSID'er, kanaler og signalstyrker, kan vi træne modeller for at forudsige, hvilke BSSIDS sandsynligvis hører til den samme router. Dette er især nyttigt i scenarier, hvor standardmetoder mislykkes, såsom i store bygninger med flere overlappende netværk. Efterhånden som teknologien udvikler sig, kan fremtidige WiFi -standarder indeholde mere eksplicitte måder at identificere og forbinde BSSID'er til fysiske routere, forenkle netværksstyring og sikkerhedsanalyse. 📡