接入点的识别方法、装置及存储介质与流程

本申请涉及网络定位技术领域，特别涉及一种接入点的识别方法、装置及存储介质。

背景技术：

在网络定位技术领域，可以根据设备从周围的至少一个接入点接收到的网络信号的强度，以及预先存储的这至少一个接入点的位置信息，对设备进行定位。但是，由于接入点一般包括移动接入点和非移动接入点，且移动接入点是指手机等可移动的接入点，位置变化较为频繁，预先存储的位置信息与其实际位置信息可能存在误差，因此当设备周围包括移动接入点时，可能会影响定位准确度。基于此，在网络定位过程中，还需要从定位所需的接入点中识别出移动接入点，以对移动接入点进行过滤。

相关技术中，可以预先由技术人员获取大量接入点的mac(mediaaccesscontrol，媒体访问控制)地址，并对这些接入点的mac地址进行统计，找出被应用于移动接入点的mac地址的规律。之后，对于待识别的目标接入点，先获取目标接入点的mac地址，再判断目标接入点的mac地址是否符合预先统计的规律，如果符合，则确定目标接入点为移动接入点，若不符合，则确定目标接入点为非移动接入点。

但是，在商家为所出厂的接入点分配mac地址时，经常出现mac地址使用不规范的情况，导致一些原本应该分配给非移动接入点使用的mac地址，被分配给移动接入点使用，这样，将导致根据mac地址来识别移动接入点时容易出现识别误差，识别准确度较低。

技术实现要素：

本申请实施例提供了一种接入点的识别方法、装置及存储介质，可以用于解决相关技术中存在的根据mac地址来识别移动接入点时容易出现识别误差，识别准确度较低问题。所述技术方案如下：

一方面，提供了一种接入点的识别方法，所述方法包括：

获取目标接入点对应的网络标识；

从所述网络标识中提取所述网络标识的关键信息；

根据所述网络标识的关键信息，通过接入点分类模型，确定所述目标接入点的接入点类别，所述接入点类别为移动接入点或非移动接入点，所述接入点分类模型用于识别任一接入点的接入点类别。

可选地，所述从所述网络标识中提取所述网络标识的关键信息，包括：

对所述网络标识进行字符切分，得到字符切分结果；

从所述字符切分结果中筛选掉预设字符，得到所述网络标识的关键信息，所述预设字符包括无意义字符和指定符号。

可选地，所述根据所述网络标识的关键信息，通过接入点分类模型，确定所述目标接入点的接入点类别，包括：

根据所述网络标识的关键信息，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；

若所述概率大于概率阈值，则确定所述目标接入点为移动接入点；

若所述概率小于或等于所述概率阈值，则确定所述目标接入点为非移动接入点。

可选地，所述根据所述网络标识的关键信息，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率，包括：

将所述网络标识的关键信息作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；或者，

根据所述网络标识的关键信息，以及已存储的关键信息与网络标识类别的对应关系，确定所述网络标识所属的网络标识类别，将所述网络标识类别作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率。

可选地，所述根据所述网络标识的关键信息，通过接入点分类模型，确定所述目标接入点的接入点类别之前，还包括：

获取多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别；

根据所述多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述根据所述多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别，对待训练接入点分类模型进行训练，包括：

根据所述多个样本接入点对应的网络标识的关键信息，对所述多个样本接入点对应的网络标识进行聚类，得到多种网络标识类别；

根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别；

根据所述多种网络标识类别和所述多种网络标识类别对应的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述根据每种网络标识类别包括的至少一个网络标识对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别，包括：

根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别的移动接入点占比，所述接入点占比是指每种网络标识类别包括的至少一个网络标识分别对应的样本接入点中移动接入点的占比；

根据每种网络标识类别的移动接入点占比，确定每种网络标识类别对应的接入点类别。

可选地，所述根据每种网络标识类别的移动接入点占比，确定每种网络标识类别对应的接入点类别，包括：

若参考网络标识类别的移动接入点占比大于预设阈值，则确定所述参考网络标识类别对应的接入点类别为移动接入点，所述参考网络标识为所述多种网络标识类别中的任一种；

若参考网络标识类别的移动接入点占比小于或等于预设阈值，则确定所述参考网络标识类别对应的接入点类别为非移动接入点。

一方面，提供了一种接入点的识别装置，所述装置包括：

第一获取模块，用于获取目标接入点对应的网络标识；

提取模块，用于从所述网络标识中提取所述网络标识的关键信息；

确定模块，用于根据所述网络标识的关键信息，通过接入点分类模型，确定所述目标接入点的接入点类别，所述接入点类别为移动接入点或非移动接入点，所述接入点分类模型用于识别任一接入点的接入点类别。

可选地，所述提取模块用于：

对所述网络标识进行字符切分，得到字符切分结果；

从所述字符切分结果中筛选掉预设字符，得到所述网络标识的关键信息，所述预设字符包括无意义字符和指定符号。

可选地，所述确定模块包括：

第一确定单元，用于根据所述网络标识的关键信息，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；

第二确定单元，用于若所述概率大于概率阈值，则确定所述目标接入点为移动接入点；

第三确定单元，用于若所述概率小于或等于所述概率阈值，则确定所述目标接入点为非移动接入点。

可选地，所述第一确定单元用于：

将所述网络标识的关键信息作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；或者，

根据所述网络标识的关键信息，以及已存储的关键信息与网络标识类别的对应关系，确定所述网络标识所属的网络标识类别，将所述网络标识类别作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率。

可选地，所述装置还包括：

第二获取模块，用于获取多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别；

训练模块，用于根据所述多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述训练模块包括：

聚类单元，用于根据所述多个样本接入点对应的网络标识的关键信息，对所述多个样本接入点对应的网络标识进行聚类，得到多种网络标识类别；

第四确定单元，用于根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别；

训练单元，用于根据所述多种网络标识类别和所述多种网络标识类别对应的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述第四确定单元用于：

根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别的移动接入点占比，所述接入点占比是指每种网络标识类别包括的至少一个网络标识分别对应的样本接入点中移动接入点的占比；

根据每种网络标识类别的移动接入点占比，确定每种网络标识类别对应的接入点类别。

可选地，所述第四确定单元用于：

若参考网络标识类别的移动接入点占比大于预设阈值，则确定所述参考网络标识类别对应的接入点类别为移动接入点，所述参考网络标识为所述多种网络标识类别中的任一种；

若参考网络标识类别的移动接入点占比小于或等于预设阈值，则确定所述参考网络标识类别对应的接入点类别为非移动接入点。

一方面，提供了一种接入点的识别装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述任一项接入点的识别方法的步骤。

一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述任一项接入点的识别方法的步骤。

本申请实施例提供的技术方案带来的有益效果是：

本申请实施例中，通过获取目标接入点对应的网络标识，从网络标识中提取网络标识的关键信息，根据网络标识的关键信息，通过接入点分类模型，确定目标接入点是移动接入点还是非移动接入点，避免了根据mac地址来识别移动接入点时容易出现识别误差的问题，提高了识别准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1是本申请实施例提供的一种接入点分类模型的训练方法流程图；

图2是本申请实施例提供的一种接入点的识别方法的流程图；

图3是本申请实施例提供的一种模型训练和预测过程的流程图；

图4是本申请实施例提供的一种接入点的识别装置框图；

图5是本申请实施例提供的一种接入点的识别装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在对本申请实施例进行详细地解释说明之前，先对本申请实施例的实施环境予以说明。本申请实施例提供的方法应用于接入点的识别装置中，该识别装置可以为终端或服务器等。比如，终端为手机、平板电脑或计算机等，识别装置可以为网络定位系统的后台服务器。

需要说明的是，本申请实施例提供的接入点的识别方法是一种基于深度学习的识别方法，在对移动接入点进行识别之前，需要通过深度学习训练接入点分类模型，因此，为了便于理解本申请，先对该接入点分类模型的训练过程进行说明。

图1是本申请实施例提供的一种接入点分类模型的训练方法流程图，该方法应用于电子设备中，该电子设备可以为终端或服务器等，如图1所示，该方法包括如下步骤：

步骤101：获取多个样本接入点对应的网络标识的关键信息，以及多个样本接入点的接入点类别。

其中，该多个样本接入点为满足模型训练要求的接入点，用于对接入点分类模型进行训练。该接入点类别包括移动接入点和非移动接入点。移动接入点是指位置可移动的接入点，如车辆上设置的接入点或手机等。非移动接入点是指位置相对固定的接入点，如路由器等。

其中，每个样本接入点用于接入一个无线网络，每个样本接入点对应的网络标识是指每个样本接入点对应的无线网络的网络标识。比如，网络标识为ssid(servicesetidentifier，服务集标识)。网络标识的关键信息是指从网络标识中提取的主干信息，可以指示网络标识的核心内容。比如，网络标识的关键信息可以包括包括中文主干信息和/或英文主干信息。

作为一个示例，可以先获取多个样本接入点对应的网络标识，然后从每个样本接入点对应的网络标识中提取关键信息，得到多个样本接入点对应的网络标识的关键信息。

作为一个示例，从每个样本接入点对应的网络标识中提取关键信息的实现方式包括：对目标样本接入点对应的网络标识进行字符切分，得到字符切分结果；从字符切分结果中筛选掉预设字符，得到目标样本接入点对应的网络标识的关键信息。

其中，预设字符为预先设置的需要筛除的字符。比如，预设字符可以包括一些无意义字符和指定符号。比如，无意义字符可以为“的”、“了”等这种无实质含义的字符。预设符合可以为一些特殊符合，比如()、-，/，...等。

其中，多个样本接入点的接入点类别为这多个样本接入点的真实接入点类别。作为一个示例，为了提高接入点类别的准确度，这多个样本接入点的接入点类别可以人为确定得到。另外，获取得到这多个样本接入点的接入点类别之后，还可以对这多个样本接入点进行标注，得到这多个样本接入点的接入点类别标签，接入点类别标签用于指示样本接入点的接入点类别。

步骤102：根据多个样本接入点对应的网络标识的关键信息，以及多个样本接入点的接入点类别，对待训练接入点分类模型进行训练，得到接入点分类模型。

其中，该接入点分类模型用于识别任一接入点的接入点类别。例如，可以根据任一接入点对应的网络标识的关键信息，识别任一接入点的接入点类别。

其中，该接入点分类模型为深度学习模型。比如，该接入点分类模型可以为lr模型、cnn模型或rnn模型等。

本申请实施例中，根据多个样本接入点对应的网络标识的关键信息，以及多个样本接入点的接入点类别，对待训练接入点分类模型进行训练的操作可以包括以下几种实现方式：

第一种实现方式：将多个样本接入点对应的网络标识的关键信息，以及多个样本接入点的接入点类别直接作为训练数据，对待训练接入点分类模型进行训练。

具体地，可以将多个样本接入点对应的网络标识的关键信息作为待训练接入点分类模型的输入，得到多个样本接入点的训练类别，然后根据多个样本接入点的训练类别和接入点类别，确定类别误差，根据类别误差对待训练接入点分类模型的模型参数进行调整，将模型参数调整后的待训练接入点分类模型确定该接入点分类模型。

作为一个示例，可以根据类别误差，采用梯度下降法对待训练接入点分类模型的模型参数进行调整。示例的，该梯度下降法可以为随机梯度下降法。

作为一个示例，该训练数据还可以包括其他数据，比如，该训练数据还可以包括每个样本接入点的位置特征。比如，可以获取每个样本接入点的历史位置信息，根据每个样本接入点的历史位置信息，确定每个样本接入点的位置特征。

作为一个示例，该位置特征可以指示样本接入点的移动范围。比如，该位置特征可以用于指示样本接入点的移动半径，或者指示样本接入点的移动半径所处的移动半径区间。示例的，若样本接入点的移动半径大于第一阈值且小于第二阈值，则该样本接入点的位置特征为0；若样本接入点的移动半径大于或等于第二阈值，则该样本接入点的位置特征为1。其中，第一阈值和第二阈值可以预先设置，比如，第一阈值为5km，第二阈值为50km。

作为一个示例，该训练数据还可以包括该多个样本接入点中各种位置特征类别对应的样本接入点的数目。比如，可以对多个样本接入点的位置特征进行聚类，得到多种位置特征类别，确定每种位置特征类别包括的位置特征对应的样本接入点的数目。

作为一个示例，该训练数据还可以包括该多个样本接入点中移动接入点的占比，当然，该训练数据还可以包括样本接入点的其他特征，本申请实施例对此不做限定。

第二种实现方式：根据多个样本接入点对应的网络标识的关键信息，对多个样本接入点对应的网络标识进行聚类，得到多种网络标识类别；根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别；根据多种网络标识类别和多种网络标识类别对应的接入点类别，对待训练接入点分类模型进行训练，得到接入点分类模型。

比如，有些高铁上设置的接入点的网络标识通常包含关键信息“hza50”，则可以将包含hza50的网络标识聚类到一起，得到一种网络标识类别。

通过根据多个样本接入点对应的网络标识的关键信息，对多个样本接入点对应的网络标识进行聚类，可以将关键信息类似的网络标识聚类到一起，得到多种网络标识类别。之后，可以将网络标识类别和网络标识类别所属的接入点类别作为训练数据，来对待训练接入点分类模型进行训练。如此，训练得到的接入点分类模型可以识别每种网络标识类别对应的接入点的接入点类别。

作为一个示例，根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别时，可以将每种网络标识类别对应的接入点中占比较高的接入点类别，确定为每种网络标识类别对应的接入点类别。

比如，可以根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别的移动接入点占比，接入点占比是指每种网络标识类别包括的至少一个网络标识分别对应的样本接入点中移动接入点的占比；根据每种网络标识类别的移动接入点占比，确定每种网络标识类别对应的接入点类别。

比如，若参考网络标识类别的移动接入点占比大于预设阈值，则确定参考网络标识类别对应的接入点类别为移动接入点，参考网络标识为所述多种网络标识类别中的任一种；若参考网络标识类别的移动接入点占比小于或等于预设阈值，则确定参考网络标识类别对应的接入点类别为非移动接入点。

其中，预设阈值为预先设置的占比阈值，比如，预设阈值可以为50％、60％或70％等。

作为一个示例，每种网络标识类别对应的训练数据还可以包括每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的位置特征，每种位置特征类别对应的样本接入点的数目，以及移动接入点的占比中的一种或多种。当然，每种网络标识类别对应的训练数据还可以包括其他类别特征，本申请实施例对此不做限定。

在训练得到接入点分类模型之后，即可基于该接入点分类模型，对接入点所属的接入点类别进行识别。图2是本申请实施例提供的一种接入点的识别方法的流程图，该方法用于接入点的识别装置中。参见图2，该方法包括：

步骤201：获取目标接入点对应的网络标识。

其中，目标接入点为待识别的接入点。示例的，该目标接入点可以为待定位的设备周围的任一接入点，即定位所需的至少一个接入点中的任一接入点。

步骤202：从网络标识中提取网络标识的关键信息。

其中，网络标识的关键信息是指从网络标识中提取的主干信息，可以指示网络标识的核心内容。比如，网络标识的关键信息可以包括包括中文主干信息和/或英文主干信息。

作为一个示例，可以从该网络标识中提取每个样本接入点的关键信息的实现方式包括：对该网络标识进行字符切分，得到字符切分结果；从字符切分结果中筛选掉预设字符，得到该网络标识的关键信息。

其中，预设字符为预先设置的需要筛除的字符。比如，预设字符可以包括一些无意义字符和指定符号。比如，无意义字符可以为“的”、“了”等这种无实质含义的字符。预设符合可以为一些特殊符合，比如()、-，/，...等。

示例的，对某个高铁上的接入点的网络标识的关键信息进行提取，可以得到关键信息：hza50。

步骤203：根据网络标识的关键信息，通过接入点分类模型，确定目标接入点的接入点类别，接入点类别为移动接入点或非移动接入点，接入点分类模型用于识别任一接入点的接入点类别。

作为一个示例，可以先根据网络标识的关键信息，通过接入点分类模型，确定目标接入点属于移动接入点的概率，然后根据标接入点属于移动接入点的概率，确定目标接入点的接入点类别。

比如，若概率大于概率阈值，则确定目标接入点为移动接入点；若概率小于或等于概率阈值，则确定目标接入点为非移动接入点。其中，该概率阈值可以预先设置，比如，该概率阈值可以为0.5或0.6等，本申请实施例对此不做限定。

作为一个示例，根据网络标识的关键信息，通过接入点分类模型，确定目标接入点属于移动接入点的概率的操作可以包括以下两种实现方式：

第一种实现方式：将该网络标识的关键信息作为接入点分类模型的输入，通过接入点分类模型，确定目标接入点为移动接入点的概率。

第二种实现方式：根据网络标识的关键信息，以及已存储的关键信息与网络标识类别的对应关系，确定网络标识所属的网络标识类别，将网络标识类别作为接入点分类模型的输入，通过接入点分类模型，确定目标接入点为移动接入点的概率。

比如，若网络标识的关键信息为hza50，则可以确定该网络标识的类别为高铁网络标识类别，之后可以将网络标识类别作为接入点分类模型的输入，通过接入点分类模型，确定目标接入点为移动接入点的概率。

进一步地，还可以根据网络标识的关键信息，以及已存储的关键信息的格式与网络标识类别的对应关系，确定网络标识所属的网络标识类别。

作为一个示例，在对设备进行网络定位的过程中，可以根据设备从周围的至少一个接入点接收到的网络信号的强度，然后对该至少一个接入点中的每个接入点均按照图2实施例的方法进行识别，确定每个接入点的接入点类别，然后从该至少一个接入点中过滤掉移动接入点，并基于过滤后的接入点的信号强度和位置信息，对该设备进行定位。

请参考图3，图3是本申请实施例提供的一种模型训练和预测过程的流程图，如图3所示，在模型训练过程中，可以采集多个样本接入点的ssid，比如获取多个高铁接入点的ssid，以及从定位采集表中获取多个样本接入定的位置信息，然后对多个样本接入点的ssid进行字符切分和筛选，得到每个样本接入点对应的ssid的关键词，根据对应的关键词对多个样本接入点的ssid进行聚类，得到多个类别的ssid，再对每个类别的ssid对应的样本接入点进行特征提取，得到多个类别的ssid对应的特征和对应的接入点类别标签，将多个类别的ssid对应的特征和对应的接入点类别标签作为训练数据，对待训练接入点分类模型进行训练，得到训练好的接入点分类模型。在模型预测过程中，可以获取任一待识别的接入点对应的ssid的关键信息，根据待识别的接入点对应的ssid的关键信息，通过接入点分类模型，预测该接入点的接入点类别，以识别该接入点是否为移动接入点。

本申请实施例中，通过获取目标接入点对应的网络标识，从网络标识中提取网络标识的关键信息，根据网络标识的关键信息，通过接入点分类模型，确定目标接入点是移动接入点还是非移动接入点，避免了根据mac地址来识别移动接入点时容易出现识别误差的问题，提高了识别准确度。

图4是本申请实施例提供的一种接入点的识别装置框图，该装置包括第一获取模块401，提取模块402和确定模块403。

第一获取模块401，用于获取目标接入点对应的网络标识；

提取模块402，用于从所述网络标识中提取所述网络标识的关键信息；

确定模块403，用于根据所述网络标识的关键信息，通过接入点分类模型，确定所述目标接入点的接入点类别，所述接入点类别为移动接入点或非移动接入点，所述接入点分类模型用于识别任一接入点的接入点类别。

可选地，所述提取模块402用于：

对所述网络标识进行字符切分，得到字符切分结果；

从所述字符切分结果中筛选掉预设字符，得到所述网络标识的关键信息，所述预设字符包括无意义字符和指定符号。

可选地，所述确定模块403包括：

第一确定单元，用于根据所述网络标识的关键信息，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；

第二确定单元，用于若所述概率大于概率阈值，则确定所述目标接入点为移动接入点；

第三确定单元，用于若所述概率小于或等于所述概率阈值，则确定所述目标接入点为非移动接入点。

可选地，所述第一确定单元用于：

将所述网络标识的关键信息作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率；或者，

根据所述网络标识的关键信息，以及已存储的关键信息与网络标识类别的对应关系，确定所述网络标识所属的网络标识类别，将所述网络标识类别作为所述接入点分类模型的输入，通过所述接入点分类模型，确定所述目标接入点为移动接入点的概率。

可选地，所述装置还包括：

第二获取模块，用于获取多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别；

训练模块，用于根据所述多个样本接入点对应的网络标识的关键信息，以及所述多个样本接入点的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述训练模块包括：

聚类单元，用于根据所述多个样本接入点对应的网络标识的关键信息，对所述多个样本接入点对应的网络标识进行聚类，得到多种网络标识类别；

第四确定单元，用于根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别对应的接入点类别；

训练单元，用于根据所述多种网络标识类别和所述多种网络标识类别对应的接入点类别，对待训练接入点分类模型进行训练，得到所述接入点分类模型。

可选地，所述第四确定单元用于：

根据每种网络标识类别包括的至少一个网络标识分别对应的样本接入点的接入点类别，确定每种网络标识类别的移动接入点占比，所述接入点占比是指每种网络标识类别包括的至少一个网络标识分别对应的样本接入点中移动接入点的占比；

根据每种网络标识类别的移动接入点占比，确定每种网络标识类别对应的接入点类别。

可选地，所述第四确定单元用于：

若参考网络标识类别的移动接入点占比大于预设阈值，则确定所述参考网络标识类别对应的接入点类别为移动接入点，所述参考网络标识为所述多种网络标识类别中的任一种；

若参考网络标识类别的移动接入点占比小于或等于预设阈值，则确定所述参考网络标识类别对应的接入点类别为非移动接入点。

本申请实施例中，通过获取目标接入点对应的网络标识，从网络标识中提取网络标识的关键信息，根据网络标识的关键信息，通过接入点分类模型，确定目标接入点是移动接入点还是非移动接入点，避免了根据mac地址来识别移动接入点时容易出现识别误差的问题，提高了识别准确度。

需要说明的是：上述实施例提供的接入点的识别装置在识别接入点的类别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的接入点的识别装置与接入点的识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5是本申请实施例提供的一种接入点的识别装置500的结构示意图，该识别装置可以为终端或服务器等电子设备，该接入点的识别装置500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)501和一个或一个以上的存储器502，其中，所述存储器502中存储有至少一条指令，所述至少一条指令由所述处理器501加载并执行以实现上述各个方法实施例提供的接入点的识别方法。当然，该接入点的识别装置500还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该接入点的识别装置500还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性的实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述接入点的识别方法。

在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述接入点的识别方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。