1.一种基于元学习的小样本Wi‑Fi伪装攻击检测方法，其特征在于，包括以下步骤：

1)数据预处理：数据来自公开可用的AWID数据集，它包含了从真实网络环境中收集的大量Wi‑Fi伪装攻击流量数据；首先将网络流量特征转换为图像，并且图像通道数与网络协议分层框架的层数相一致，其次将数据标签进行one‑hot编码处理；

2)深度特征提取：使用卷积神经网络(CNN)处理数据，提取协议空间结构特征；为了提升特征学习性能，将原始特征和提取后的特征一同输入多个全连接层；

3)多个辅助网络的元知识转移：构建多个辅助网络分别从不同的历史Wi‑Fi伪装攻击检测(Wi‑Fiimpersonation attack detection，WAID)任务学习元知识并将知识迁移至新的存在小样本问题的WAID任务；具体包括以下过程：步骤301，构建WAID任务：针对不同的WAID任务Tt，构建几个辅助网络分别单独训练，其中θt表示第t个WAID任务的模型参数；然后将WAID任务定义为 其中T,N,K,Q分别表示任务的数量，类别数，支t

持集St数量，查询集Qt数量， 和Yi分别表示第t个WAID任务的数据样本和标签；一个WAID任务可以被认为是通过少量支持集样本 识别未知的Wi‑Fi伪装攻击其中 和 分别表示数据样本和标签；

步骤302，具体的训练过程如下：首先训练St，通过二元交叉损失函数获得分类损失L(θt)，aux

之后根据梯度下降法更新辅助网络G(θt) 中的参数θt′：其中，α和 分别表示元学习率和Tt的梯度；

将更新梯度 用于查询集Qt测试，通过计算损失L(θt′)获取Tt的元知识；

对于不同的Tt，元目标函数被定义为：

* *

从形式上看，使用梯度下降法来获得一个自我学习模型G(θ) ：* *

其中，β是元步长；之后使用G(θ) 对新的WAID任务Tnew进行少样本微调：其中，θ′new代表更新后网络G(θ′new)的参数， 表示Tnew＝{Xnew,Ynew}的损失，其中Xnew和Ynew分别表示新的测试样本和标签；最后，可以对新任务进行预测：其中，F(Xnew；θ′new)为全连接层特征；FCs()为全连接层映射函数；

4)方法评估：使用准确率(Accuracy)、精准率(Precision)、召回率(Recall)和F1_score来评估所述一种基于元学习的小样本Wi‑Fi伪装攻击检测方法的性能；具体包括以下步骤：步骤401，方法评价：数据来自公开可用的AWID数据集，它包含了从真实网络环境中收集的最大数量的Wi‑Fi网络数据；它包含四种类型：正常实例，假冒攻击，泛洪攻击和注入攻击，且在训练集中正常实例与攻击实例的比例为33：1：1：1.35；在训练阶段，从3个攻击类型中随机选择2个攻击类型和正常实例形成历史WAID任务；在测试阶段，使用正常样本和新的攻击类型组成新的WAID任务；将每个WAID任务定义为二分类任务，即对正常和新的异常进行分类；

步骤402，评价指标：为了定量地评估WAID任务的性能，使用准确率Acc、精准率Preci、召回率Rci和F1_score作为衡量标准：其中，TPi，TNi，FPi，FNi分别表示标签集中第i个标签的真阳性、真阴性、假阳性和假阴性。

2.如权利要求1所述的一种基于元学习的小样本Wi‑Fi伪装攻击检测方法，其特征在于，步骤1)所述的数据预处理包括：步骤101，数据预处理阶段，AWID数据集是一个基于IEEE802.11网络协议的网络流量数据集；首先使 为网络流量数据集，其中 表示M维原始特征， 表示进行one‑hot编码后的N维标签， 表示实数空间；

步骤102，将原始特征Xi输入c个卷积(conv)层通道，通过协议帧得到空间结构信息其中， h和w代表卷积通道 的长度和宽度；

通过上式可以将每一个流量Xi转换成一个c×h×w的图像，不同的协议帧具有不同的h和w，如果 其中H和W表示每个图像通道的均匀长度和宽度，需要添加多个“0”来保持H和W一致。

3.如权利要求2所述的一种基于元学习的小样本Wi‑Fi伪装攻击检测方法，其特征在于，步骤2)所述的深度特征提取包括以下过程：步骤201，将处理好的数据输入到卷积神经网络(CNN)，可以通过下式提取空间结构特S征fi：

其中，w'和b表示CNN参数θ的权重和偏差；

为了获取d维特征 应当考虑原始特征 以进一步提

高特征学习的性能；嵌入Xi作为辅助特征 并与 一起转换为全连接层特征F(Xi；θ)：

最后，使用多层卷积和全连接层映射函数FCs，可以得到WAID任务的攻击预测标签。

4.实施如权利要求1所述的基于元学习的小样本Wi‑Fi伪装攻击检测方法的系统，其特征在于，包括依次连接的数据预处理模块、深度特征提取模块、多个辅助网络的元知识转移模块、方法评估模块，其中，数据预处理模块，用于对数据进行预处理；数据来自公开可用的AWID数据集，它包含了从真实网络环境中收集的大量Wi‑Fi伪装攻击流量数据；首先将网络流量特征转换为图像，并且图像通道数与网络协议分层框架的层数相一致，其次将数据标签进行one‑hot编码处理；

深度特征提取模块，用于使用卷积神经网络(CNN)处理数据，提取协议空间结构特征；

为了提升特征学习性能，将原始特征和提取后的特征一同输入多个全连接层；

多个辅助网络的元知识转移模块，用于构建多个辅助网络分别从不同的历史Wi‑Fi伪装攻击检测(Wi‑Fiimpersonation attack detection，WAID)任务学习元知识并将知识迁移至新的存在小样本问题的WAID任务；具体包括以下过程：aux aux

步骤301，构建WAID任务：针对不同的WAID任务Tt，构建几个辅助网络G(θt) ＝{G(θt) |t∈T}分别单独训练，其中θt表示第t个WAID任务的模型参数；然后将WAID任务定义为其中T,N,K,Q分别表示任务的数量，类别数，支持集St数量，查t

询集Qt数量， 和Yi 分别表示第t个WAID任务的数据样本和标签；一个WAID任务可以被认为是通过少量支持集样本 识别未知的Wi‑Fi伪装攻击n

其中 和Yi分别表示数据样本和标签；

步骤302，具体的训练过程如下：首先训练St，通过二元交叉损失函数获得分类损失L(θt)，aux

之后根据梯度下降法更新辅助网络G(θt) 中的参数θt′：其中，α和 分别表示元学习率和Tt的梯度；

将更新梯度 用于查询集Qt测试，通过计算损失L(θt′)获取Tt的元知识；对于不同的Tt，元目标函数被定义为：* *

从形式上看，使用梯度下降法来获得一个自我学习模型G(θ) ：* *

其中，β是元步长；之后使用G(θ) 对新的WAID任务Tnew进行少样本微调：其中，θ′new代表更新后网络G(θ′new)的参数， 表示Tnew＝{Xnew,Ynew}的损失，其中Xnew和Ynew分别表示新的测试样本和标签；最后，可以对新任务进行预测：其中，F(Xnew；θ′new)为全连接层特征；FCs()为全连接层映射函数；

方法评估模块，用于评估一种基于元学习的小样本Wi‑Fi伪装攻击检测方法的性能；使用准确率(Accuracy)、精准率(Precision)、召回率(Recall)和F1_score来评估所述一种基于元学习的小样本Wi‑Fi伪装攻击检测方法的性能；具体包括以下步骤：步骤401，方法评价：数据来自公开可用的AWID数据集，它包含了从真实网络环境中收集的最大数量的Wi‑Fi网络数据；它包含四种类型：正常实例，假冒攻击，泛洪攻击和注入攻击，且在训练集中正常实例与攻击实例的比例为33：1：1：1.35；在训练阶段，从3个攻击类型中随机选择2个攻击类型和正常实例形成历史WAID任务；在测试阶段，使用正常样本和新的攻击类型组成新的WAID任务；将每个WAID任务定义为二分类任务，即对正常和新的异常进行分类；

步骤402，评价指标：为了定量地评估WAID任务的性能，使用准确率Acc、精准率Preci、召回率Rci和F1_score作为衡量标准：其中，TPi，TNi，FPi，FNi分别表示标签集中第i个标签的真阳性、真阴性、假阳性和假阴性。