چگونه به نقشه Wardriving داده ها با Jupyter نوت بوک

با Wigle WiFi برنامه در حال اجرا بر روی یک تلفن آندروید یک هکر می تواند کشف و نقشه نزدیکی هر شبکه از جمله کسانی که ایجاد شده توسط چاپگرها و دیگر دستگاه های ناامن. به طور پیش فرض ابزار برای تجزیه و تحلیل داده های به دست آمده می تواند به سقوط کوتاه از آنچه که یک هکر نیاز دارد اما با وارد کردن wardriving داده به Jupyter نوت بوک, ما می توانید نقشه همه Wi-Fi دستگاه های ما روبرو می شوند و تکه تکه از طریق داده ها را با سهولت.

با تشکر از کم هزینه, Android گوشی های هوشمند مجهز به GPS و Wi-Fi سنسور wardriving بدست راحت تر از همیشه. با 60 دلار گوشی های هوشمند آندروید و Wigle WiFi این امکان را به نقشه زمان و مکان است که شما مواجه می شوند هر یک از Wi-Fi و یا بلوتوث دستگاه با cellular data برج پرتاب در برای اندازه گیری خوبی.

داده های تولید شده توسط wardriving می تواند بسیار با ارزش است. هنوز ابزار برای تجزیه و تحلیل داده ها که به طور خودکار همچنین می توانید با این مشکل از افشای شبکه های شما جمع آوری شده توسط چاپ و نشر آنها را به یک پایگاه داده مانند Wigle.net.

در [ ]: واردات پاندا به عنوان pd واردات چینه # (https://pypi.python.org/pypi/folium) df = pd.read_csv('/کاربران/skickar/محبوبیت/WigleWifi_20190723192904.csv', حائل = ',', encoding='latin-1', هدر=1) mymap = چینه.نقشه( location=[ df.CurrentLatitude.ميانگين () df.CurrentLongitude.ميانگين() ], zoom_start=12) #چینه.PolyLine(df[['عرض','طول جغرافیایی']].ارزش color="red" وزن=2.5, opacity=1).add_to(mymap) برای coord در df[['CurrentLatitude','CurrentLongitude', 'SSID', 'Type', 'مک']].ارزش: اگر (coord[3] == 'وای فای'): چینه.CircleMarker(location=[coord[0],coord[1]], radius=1 color='red' پنجره=["SSID:", coord[2], "BSSID:", coord[4]]).add_to(mymap) #mymap # را نشان می دهد نقشه خطی در Jupyter اما طول می کشد تا عرض کامل mymap.ذخیره('testone.html') # موجب صرفه جویی در یک فایل html برای نمایش در زیر

چه داده ها می آید از Wardriving?

هنگامی که شما در مورد فکر می کنم اطلاعات شما می توانید از wardriving یک زن و شوهر از نمونه های مفید پاپ. برای یک, آن را آسان برای پیدا کردن دستگاه های چاپگر دوربین های امنیتی و یا IoT دستگاه هایی که ایجاد خود را از Wi-Fi را. یکی دیگر از قطعه ای از داده های گرفته شده در حالی که wardriving نوع امنیت یک دستگاه است که با استفاده از آن را آسان به درایو را از طریق شهرستان و طرح محل دقیق هر تکه تکه کردن و یا به شدت آسیب پذیر شبکه.

یکی دیگر از مزایای تجزیه و تحلیل wardriving داده است که توانایی برای تعیین چه نوع از دستگاه ها در یک منطقه داده می شود. هر تولید کننده دارای یک آدرس MAC منحصر به فرد پیشوند است که اسیر است در طول wardriving اجازه می دهد یک هکر برای شناسایی تولید کننده از هر پخش Wi-Fi دستگاه. برای یک هکر توانایی برای به دست آوردن یک تصویر از Wi-Fi و بلوتوث و تلفن همراه سیگنال های فقط با گرفتن گوشی های هوشمند آندروید در نزدیکی هدف این است که یک مزیت بزرگ است.

برش از طریق داده ها با Jupyter & پانداها

Wardriving به ما می دهد بسیاری از اطلاعات مفید اما مانند تجزیه و تحلیل هر گونه داده های بزرگ مجموعه الگوهای می تواند پنهان در زیر تعداد زیادی از بی ربط داده است. مرتب سازی از طریق آن می تواند درد اما خوشبختانه Wigle.net و Wigle WiFi برنامه آن را ممکن است برای انجام برخی از تجزیه و تحلیل داده ها بدون هیچ گونه کار در همه. اگر شما نمی خواهید برای آپلود wardriving ضبط به یک پایگاه داده مانند Wigle.net شما می توانید دسترسی به بسیاری از همان ابزار به کاوش و طرح داده ها از طریق Jupyter نوت بوک.

Jupyter نوت بوک پایتون مبتنی بر ابزار برای تجزیه و تحلیل مجموعه داده های بزرگ و آن را اجازه می دهد تا ما را به در داده ها از wardriving به نقشه و تفسیر با این حال ما دوست داریم. امروز ما خواهید بود به خواندن در یک فایل CSV از Wigle WiFi و توطئه اطلاعات در مورد شبکه های ما مشاهده روی نقشه. خطر انجام این کار خودمان است که ما می تواند به اجرا خطا زمانی که ما منبع داده های از دست رفته و یا غیر منتظره ارزش ساخت تمیز کردن داده های ما یک بخش ضروری از کار کردن با آن در خود ما است.

برای پاک کردن یک مجموعه داده برای تجزیه و تحلیل ما نیاز به نوشتن برخی از کد به شکار کردن مزاحم ارزش مانند "null" نتایج که در آن هیچ مطلب را نجات داد به عنوان این باعث خواهد شد هر گونه تلاش برای نقشه های این مجموعه به شکست است. ما همچنین نوشتن کد برای فیلتر کردن لیست بر اساس نوع سیگنال بنابراین ما می تواند تمرکز بر شبکههای Wi-Fi و چشم پوشی از بلوتوث و تلفن همراه خوانش. در نهایت ما نیز یاد بگیرند که برای فیلتر کردن غیر منتظره شخصیت های سیار "?" شخصیت در مختصات GPS که باعث برداری نتایج به شکست است.

آنچه شما نیاز دارید

Jupyter نوت بوک رایگان است و فقط نیاز به پایتون را نصب کنید که می تواند انجام شود به سرعت از طریق پایتون بسته, مدیر پیپ. گذشته از آن, شما نیاز به Wigle فای در حال اجرا بر روی یک تلفن آندروید.

مرحله 1: بعد از دانلود دیتا از Wigle

را به تصرف خود wardriving داده ها شما می توانید اجرا Wigle WiFi برنامه بر روی هر گوشی های هوشمند آندروید. از آنجا, شما هم می توانید با ارسال داده های خود را به Wigle.net و یا صادرات فایل CSV از گوشی های هوشمند خود را به طور مستقیم.

در Wigle WiFi برنامه, شما باید گزینه خود را به صادرات داده ها به عنوان یک فایل CSV در "پایگاه داده" بخش. هنگامی که شما انجام این کار, شما می توانید با ارسال فایل خود را از طریق ایمیل و Dropbox به و یا هر روش دیگر شما می خواهم.

اگر شما تا به صادرات داده ها به طور مستقیم از Wigle فای شما می توانید به مرحله 2 زیر. من توصیه که شما را به صادرات-از-Wigle-Wifi-به طور مستقیم از مسیر به دلیل برخی از تفاوت در راه است که اطلاعات ارائه شده است.

در غیر این صورت برو به Wigle.net و ورود به سیستم با نام کاربری و رمز عبور. اگر شما یکی را نداشته باشند برای ثبت نام و سپس لینک خود را Wigle فای برنامه برای شما Wigle.net حساب. هنگامی که شما ها داده های خود را, آن را باید با تمام توان ذخیره و تحت همان Wigle.net حساب بنابراین شما می توانید آن را بازیابی بعد.

اگر شما داده های ذخیره شده به عنوان یک فایل KML شما می توانید آن را تبدیل آنلاین با استفاده از یک KML به CSV تبدیل وب سایت, اما شما ممکن است به کار با داده های به دست آمده متفاوت با توجه به راه تبدیل خروجی داده ها. به همین دلیل توصیه می شود به استفاده از یک فایل CSV صادر می شود به طور مستقیم از Wigle WiFi نرم افزار.

Step 2: دانلود Jupyter نوت بوک

هنگامی که ما دریافت داده های CSV ما نیاز Jupyter نوت بوک شروع به حفاری را از طریق آن. انجام این کار آسان است از هر سیستم با پایتون نصب شده است. شما می توانید به سادگی آن را نصب کنید از طریق Pip مدیر بسته با دستورات زیر.

~$ python3 -m pip install --ارتقاء پیپ مورد نیاز در حال حاضر به تاریخ: پیپ در /usr/lib/python3/dist-بسته (20.0.2) ~$ python3 -m pip نصب jupyter مورد نیاز در حال حاضر راضی

اگر شما با استفاده از پایتون 2 شما می توانید با اجرای دستورات زیر اگر چه Python3 توصیه می شود.

~$ python -m pip install --ارتقاء پیپ
~$ python -m pip نصب jupyter

یک بار Jupyter نصب شده است, ما می توانیم آن را راه اندازی با اجرای دستور زیر در یک پنجره ترمینال.

~$ jupyter نوت بوک [I 01:09:37.432 NotebookApp] JupyterLab فرمت لود شده از /Library/Frameworks/Python.چارچوب/نسخه/3.6/lib/python3.6/site-packages/jupyterlab
[I 01:09:37.432 NotebookApp] JupyterLab نرم افزار دایرکتوری /Library/Frameworks/Python.چارچوب/نسخه/3.6/به اشتراک گذاری/jupyter/آزمایشگاه
[I 01:09:37.436 NotebookApp] خدمت نوت بوک از دایرکتوری محلی: /Users/skickar
[I 01:09:37.436 NotebookApp] این Jupyter نوت بوک در حال اجرا در:
[I 01:09:37.436 NotebookApp] http://localhost:8888/?token=270764925ebaf4b0cefee2d0d4e742387c460ae76ff52277
[I 01:09:37.436 NotebookApp] استفاده از کنترل-C برای جلوگیری از این سرور و تعطیل تمام دانه (دو بار به جست و خیز تایید).
[C 01:09:37.444 NotebookApp] برای دسترسی به نوت بوک باز کردن این فایل در مرورگر:
file:///Users/skickar/Library/Jupyter/runtime/nbserver-58428-open.html و یا کپی و چسباندن یکی از این آدرس ها: http://localhost:8888/?token=270764925ebaf4b0cefee2d0d4e742387c460ae76ff52277

یک پنجره مرورگر باز باید شما نمایش صفحه منو برای Jupyter نوت بوک. از اینجا, شما می توانید انتخاب کنید جدید پایتون 3 و نوت بوک را شروع کنید.

مرحله 3: وارد کردن داده CSV

در ما خالی نوت بوک اولین وظیفه ما خواهد بود برای وارد کردن داده CSV به dataframe. یک dataframe است چگونه پایتون پانداهای کتابخانه دستگیره داده و آن را به یک فرمت همه کاره برای تجزیه و تحلیل اطلاعات است.

برای اولین بار به استفاده از پانداهای ما نیاز به واردات آن است. اگر شما در حال حاضر نیست آن را داشته باشد شما با نصب آن می توانید با تایپ کردن در python3 -m pip نصب پانداها یک پنجره ترمینال.

برای کار با پانداها بیشتر به راحتی در پایتون ما واردات پاندا به عنوان "pd" در Jupyter و آدرس آن را که راه را برای بقیه از ما کد. واردات پاندا و نامگذاری آن "pd" به نظر می رسد مثل این:

در [ ]: واردات پاندا به عنوان pd

بعدی ما نیاز به اضافه کردن نقشه برداری ما کتابخانه چینه. اگر شما آن را ندارید شما می توانید آن را نصب کنید با python3 -m pip نصب چینه در یک پنجره ترمینال. ما در Jupyter نوت بوک, اضافه کردن خط بعدی به واردات چینه.

در [ ]: واردات چینه

پس از چینه وارد شده است ما را ما CSV فایل و تبدیل آن به یک dataframe به نام "df" با استفاده از ساخته شده است در pd.read_CSV تابع. در داخل این تابع ما نیز مشخص حائل (چگونه ما جدا کردن داده ها) و نوع را پشتیبانی می کند.

در نهایت ما به شما مجموعه ای از "هدر" برای ردیف 1 به جای به طور پیش فرض ردیف 0 Wigle WiFi اطلاعاتی در مورد این دستگاه اطلاعات دستگیر شد و در ردیف 0.

قرار داده و همه با هم کد ما به واردات .فایل CSV به نظر می رسد مثل این:

در [ ]: df = pd.read_csv('/YOUR_FILE.csv', حائل = ',', encoding='latin-1', هدر=1)

در [ ]: واردات پاندا به عنوان pd واردات چینه df = pd.read_csv('/کاربران/skickar/محبوبیت/WigleWifi_20190723192904.csv', حائل = ',', encoding='latin-1', هدر=1)

برای تایید است که شما را خوانده ام در داده ها به درستی, شما می توانید نمونه 10 ردیف از dataframe با "df.نمونه(10)" فرمان.

به عنوان ما می توانید ببینید ما Wigle فای داده های وارد شده است اما شامل Wi-Fi و بلوتوث و داده تلفن همراه دستگاه. ما نیاز به تمیز کردن نامربوط سیگنال نوع از اطلاعات ما قبل از ما ادامه خواهد داد.

گام 4: تمیز کردن سیگنال نوع

به عنوان ما می توانید از نمونه ما داده ما هنوز ردیف است که نشان دهنده cellular data برج ها و دستگاه های بلوتوث. برای حذف این ما نیاز به جستجو از طریق ما dataframe و حذف هر چیزی که ما نمی خواهیم باشد.

برای شروع نقشه ما, ما نیاز به تنظیم وسط مپ و سطح زوم. ما انجام این کار با در نظر گرفتن میانگین از همه عرض و طول جغرافیایی در مجموعه داده. نسبتا کوچک مجموعه باید آن را خوب کار می کنند اما اگر داده های ما شامل هر null و یا غیر منتظره ارزش آن را نمی خواهد طرح به درستی و ما ممکن است نیاز به کد در مرکز نقشه با مختصات.

ما ایجاد یک نقشه به نام "mymap" و سپس مجموعه ای از مرکز نقشه و زوم سطح است که ما مجموعه ای را به 12.

در [ ]: mymap = چینه.نقشه( location=[ df.CurrentLatitude.ميانگين () df.CurrentLongitude.ميانگين() ], zoom_start=12)

پس از تنظیم محل ما می توانید تصمیم بگیرید که ارزش های ما علاقه مند هستید. اول ما را به عنوان خوانده شده در ارزش های ما هستند که CurrentLatitude, CurrentLongitude SSID نوع و مک. ما خواهید بود با استفاده از این زمان طول و عرض و طول زمان به رها کردن یک نشانگر بر روی نقشه ما تولید SSID و مک آدرس شبکه برای ایجاد یک پاپ تا زمانی که ما بر روی نشانگر و نوع به بررسی کنید که اطلاعات متعلق به یک شبکه Wi-Fi و Bluetooth در دستگاه است.

ما شروع به حلقه ما برای تمیز کردن داده های ما با یک "برای" بیانیه است. از آنجا که ما در حال نقشه برداری مختصات من با استفاده از متغیر "coord" برای هر ردیف, اما شما می توانید با استفاده از هر متغیر را حس می کند.

در [ ]: mymap = چینه.نقشه( location=[ df.CurrentLatitude.ميانگين () df.CurrentLongitude.ميانگين() ], zoom_start=12) برای coord در df[['CurrentLatitude','CurrentLongitude', 'SSID', 'Type', 'مک']].ارزش:

در حال حاضر ما در نوشتن بخشی از حلقه ما فیلتر است که داده های ما. ما فهرست پنج قطعه از داده ها: طول و عرض جغرافیایی, طول جغرافیایی, SSID, نوع, و مک آدرس. این نمایه به عنوان coord[0] از طریق coord[4]چرا که شاخص از 0 شروع می شود. برای بررسی اگر یک ردیف از یک اتصال Wi-Fi دستگاه و یا چیزی است که ما نمی خواهیم به نقشه ما می توانید در coord[3]یا "نوع" متغیر برای بررسی اگر آن را برابر با WIFI.

در [ ]: اگر (coord[3] == 'وای فای'):

هر چیزی که با این وضعیت پس از آن می تواند نقشه برداری به عنوان فیلتر ما باید از بین بردن هر نتیجه ای که نمی آیند از Wi-Fi. ما با استفاده از چینه.CircleMaker تابع به بار طول و عرض جغرافیایی از نشانگر به طرح است که باید coord[0] و coord[1]و پس از آن ما را تعیین شعاع و رنگ نشانگر.

آخرین بخش از نشانگر به مجموعه "پنجره" درست است که تعیین خواهد کرد چه اطلاعاتی پاپ تا زمانی که ما بر روی نشانگر. در پنجره field ما برچسب داده ها و سپس تصویب در coord[2] و coord[4] ارزش است که باید SSID و BSSID.

در [ ]: چینه.CircleMarker(location=[coord[0],coord[1]], radius=1 color='red' پنجره=["SSID:", coord[2], "BSSID:", coord[4]]).add_to(mymap)

همه با هم کد ما باید شبیه به این.

در [ ]: mymap = چینه.نقشه( location=[ df.CurrentLatitude.ميانگين () df.CurrentLongitude.ميانگين() ], zoom_start=12) برای coord در df[['CurrentLatitude','CurrentLongitude', 'SSID', 'Type', 'مک']].ارزش: اگر (coord[3] == 'وای فای'): چینه.CircleMarker(location=[coord[0],coord[1]], radius=1 color='red' پنجره=["SSID:", coord[2], "BSSID:", coord[4]]).add_to(mymap)

گام 5: صرفه جویی در نقشه به فایل HTML

در حال حاضر که ما به رسم داده های ما, ما می توانیم ایجاد یک فایل HTML با آن است. برای انجام این کار ما این کد را اضافه کنید.

در [ ]: mymap.ذخیره('testone.html')

مطبوعات "اجرای" را فشار دهید برای تولید یک فایل HTML حاوی نقشه.

شما می توانید باز کردن و در نتیجه فایل HTML در هر مرورگر برای دیدن نتیجه.

مرحله 6: صفحه نمایش نقشه در Iframe

برای نمایش نقشه در ما Jupyter نوت بوک, ما می توانیم آن را باز کنید در یک iframe. شما می توانید ظاهرا هم فقط نوع نام خود را در نقشه اما من مشکلی با این رندر به درستی در حالی که فریم همیشه کار می کنند.

برای باز کردن یک iframe ما می توانید از کد زیر استفاده کنید.

در [ ]: %%HTML <iframe width="60%" height="450" src="testone.html"></iframe>

اجرای مطبوعات به نمایش iframe ما رسم نقشه در Jupyter نوت بوک.

گام 7: حذف مقادیر Null & '?' شخصیت های

یک مسئله مشترک ما روبرو می شوند خالی است زمینه داده که می تواند داده های بسیاری غیر ممکن است به طرح. این تبدیل خواهد شد بسیار مشکل بزرگتر زمانی که ما کار با مجموعه داده های بزرگ.

برای باز کردن و تمیز بسیار زیادی از مجموعه داده Wigle فای, ما برای اولین بار باز کردن فایل CSV به عنوان طبیعی است.

در [ ]: df = pd.read_csv('/کاربران/skickar/محبوبیت/biglots.csv', حائل = ',', encoding='latin-1', هدر=1)

سپس ما ایجاد یک لیست خالی به نام "معتبر" برای برگزاری همه از نتایج است که عبور از فیلتر ما و استفاده از فیلتر ما قبل از پاک کردن هر نتیجه ای که Wi-Fi است. هر چیزی که عبور از فیلتر ما کارفرمای ما "معتبر" لیست با مدرک معتبر.append(ردیف) کد که باید محتویات معتبر ردیف به "معتبر" لیست.

در [ ]: معتبر = [] برای ردیف در df[['مک', 'SSID', 'AuthMode', 'FirstSeen', 'کانال', 'RSSI', 'CurrentLatitude', 'CurrentLongitude', 'AltitudeMeters', 'AccuracyMeters', 'Type']].ارزش: اگر (ردیف[10] == 'وای فای'): معتبر است.append(ردیف)

در حال حاضر ما می توانید با استفاده از ساخته شده است در تابع نامیده می شود .dropna() به رها کردن هر سطر که شامل یک مقدار خالی. این از بین بردن بسیاری از ردیف اما نیز اطمینان حاصل آنهایی که پاک هستند. ما استفاده کنید .dropna() در حالی که ایجاد یک جدید Pandas dataframe به نام "validframes" از ما "معتبر" لیست.

در [ ]: validframes = pd.DataFrame(معتبر).dropna()

در حال حاضر ما در اضافه کردن ستون به نام ما "validframes" dataframe به مطمئن شوید که همه آنها به درستی برچسب.

در [ ]: validframes.ستون = ['مک', 'SSID', 'AuthMode', 'FirstSeen', 'کانال', 'RSSI', 'CurrentLatitude', 'CurrentLongitude', 'AltitudeMeters', 'AccuracyMeters', 'Type']

داده ها در "validframes" در حال حاضر باید حذف! ما می توانیم طرح این راه ما را با قبل از نمونه اگر چه آن را احتمالا بسیاری دیگر. در مجموع ما کد برای باز کردن و تمیز زیادی CSV مجموعه داده به نظر می رسد مثل این. ما می توانیم اضافه کردن یک validframes.سر() به پایان برای بررسی اگر ما داده های به دست آمده به درستی فرمت شده.

در [ ]: #خلاص شدن از نان ارزش و خلاص شدن از شر غیر از Wi-Fi df = pd.read_csv('/کاربران/skickar/محبوبیت/biglots.csv', حائل = ',', encoding='latin-1', هدر=1) معتبر = [] ## با شتاب تمام Wi-Fi شبکه در یک لیست به نام مدرک معتبر برای ردیف در df[['مک', 'SSID', 'AuthMode', 'FirstSeen', 'کانال', 'RSSI', 'CurrentLatitude', 'CurrentLongitude', 'AltitudeMeters', 'AccuracyMeters', 'Type']].ارزش: اگر (ردیف[10] == 'وای فای'):
معتبر است.append(ردیف) ## ایجاد dataframe پس از رها کردن نان validframes = pd.DataFrame(معتبر).dropna() validframes.ستون = ['مک', 'SSID', 'AuthMode', 'FirstSeen', 'کانال', 'RSSI', 'CurrentLatitude', 'CurrentLongitude', 'AltitudeMeters', 'AccuracyMeters', 'Type'] validframes.سر()

داده ها خوب به نظر می رسد! در حال حاضر ما می توانید نقشه و اطلاعات راه ما بود اما ما به شما مجموعه ای a hard-coded محل برای مرکز نقشه برای جلوگیری از نیاز به محاسبه ميانه از یک مجموعه داده.

در [ ]: mymap = چینه.نقشه( location=[34.0522, -118.243683], zoom_start=12) برای coord در validframes[['CurrentLatitude','CurrentLongitude', 'SSID', 'Type']].ارزش:

در حال حاضر ما مجموعه ای از فیلتر ما برای حذف هر عرض و یا طول و عرض داده است که شامل یک "?" شخصیت است که باعث خواهد شد مکان های GPS به شکست زمانی که در تلاش برای طرح آنها. این یک مسئله بزرگتر Wigle WiFi دهد. هر چیزی که عبور از فیلتر ما, ما می توانیم اضافه کردن به نقشه راه همان است که ما قبل از انجام, و ذخیره آن به عنوان یک فایل HTML.

در [ ]: اگر ("?" نه در خ(coord[0])) و ("?" نه در خ(coord[1])): چینه.CircleMarker(location=[coord[0],coord[1]], radius=1 color='red' پنجره=["SSID:", coord[2]]).add_to(mymap)

در نهایت ما را نجات رسم نقشه به صورت فایل HTML. به پایان رسید کد باید شبیه به این:

در [ ]: mymap = چینه.نقشه( location=[34.0522, -118.243683], zoom_start=12) برای coord در validframes[['CurrentLatitude','CurrentLongitude', 'SSID', 'Type']].ارزش: اگر ("?" نه در خ(coord[0])) و ("?" نه در خ(coord[1])): چینه.CircleMarker(location=[coord[0],coord[1]], radius=1 color='red' پنجره=["SSID:", coord[2]]).add_to(mymap) mymap.ذخیره('biglots.html') # موجب صرفه جویی در یک فایل html برای نمایش در زیر

پس از این نقشه پس از اتمام صرفه جویی در ما می توانید صفحه نمایش آن را در iframe با کد زیر.

در [ ]: %%HTML <iframe width="60%" height="450" src="biglots1.html"></iframe>

اگر مجموعه داده ها تمیز بود و رسم درست شما باید ببینید نتیجه به عنوان چیزی شبیه به زیر است.

با Jupyter نوت بوک شما می توانید طرح خود را داده

Jupyter به شما می دهد کنترل کامل بر چگونه شما تجزیه و تحلیل اطلاعات Wi-Fi شما جمع آوری با Wigle WiFi نرم افزار. با این ابزار رایگان که هر کسی می تواند انجام دهد سیگنال های اطلاعاتی به نقشه های ضعیف و یا باز کردن شبکه های Wi-Fi و کشف هر شبکه Wi-Fi حاوی شناخته شده در رشته و یا توسط یک تولید کننده خاص. Wigle.net فراهم می کند مقدار زیادی از راه های مفید از برش از طریق اطلاعات شما را جمع آوری اما هیچ چیز ضربان کل آزادی برای, فیلتر, طرح و نقشه های Wi-Fi دستگاه در Jupyter نوت بوک.

من امیدوارم که شما لذت می برد این راهنمای به توطئه wardriving Wi-Fi و داده ها با Jupyter نوت بوک! اگر شما هر گونه سوال در مورد این آموزش در تجزیه و تحلیل سیگنال های Wi-Fi و یا شما یک نظر بپرسید زیر و یا احساس رایگان برای رسیدن به من در توییتر @KodyKinzie.