در این مطلب، ویدئو داده های Wardriving را در یک نوت بوک پایتون با پانداها و فولیوم تجسم کنید با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:07:44
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,520
در این قسمت از هکبایت، به
2
00:00:01,520 –> 00:00:02,879
شما نشان میدهم که چگونه میتوانید
3
00:00:02,879 –> 00:00:05,120
با تجسم دادههای اولیه شروع کنید و از
4
00:00:05,120 –> 00:00:06,799
ابزار پایتونی که برای نقشهبرداری
5
00:00:06,799 –> 00:00:10,660
و ترسیم دستگاههای وایفای نزدیک
6
00:00:10,660 –> 00:00:17,520
[موسیقی]
7
00:00:17,520 –> 00:00:19,279
نوشتهام استفاده کنید، رانندگی جنگ فرآیندی است که به ما این امکان را میدهد
8
00:00:19,279 –> 00:00:21,680
تا با
9
00:00:21,680 –> 00:00:24,080
ترکیب دادههای وایفای با موقعیت مکانی فیزیکی GPS
10
00:00:24,080 –> 00:00:26,080
در حین حرکت
11
00:00:26,080 –> 00:00:27,599
در خودرو، دستگاههای وایفای نزدیک را مکانیابی
12
00:00:27,599 –> 00:00:29,599
کنیم، در حالی که این فرآیند جمعآوری خودکار دادهها
13
00:00:29,599 –> 00:00:32,000
بسیار آسان است و قادر
14
00:00:32,000 –> 00:00:33,760
به درک و تجسم این دادهها هستیم.
15
00:00:33,760 –> 00:00:35,600
16
00:00:35,600 –> 00:00:37,120
مشکل خود را امروز با استفاده از
17
00:00:37,120 –> 00:00:38,800
یک ابزار پایتون که برای
18
00:00:38,800 –> 00:00:40,800
تجسم ضبط داده های خود نوشتم با رسم
19
00:00:40,800 –> 00:00:43,280
دستگاه های وای فای در بالای یک نقشه برگه ای برای تجسم تصویری ضبط شده توسط پایتون، حل می کنیم
20
00:00:43,280 –> 00:00:45,120
تا همراه با ویدیوی امروز، تنها
21
00:00:45,120 –> 00:00:46,559
چیزی که نیاز دارید دسترسی باشد. به یک
22
00:00:46,559 –> 00:00:48,399
حساب Google برای استفاده از وبسایت مشارکتی
23
00:00:48,399 –> 00:00:51,120
و همچنین مجموعه دادهای
24
00:00:51,120 –> 00:00:52,480
که میتوانید در مخزن github ما
25
00:00:52,480 –> 00:00:53,840
پیوند داده شده در
26
00:00:53,840 –> 00:00:55,280
توضیحات ویدیوی زیر پیدا کنید، وقتی این
27
00:00:55,280 –> 00:00:56,800
موارد را دارید، میتوانیم
28
00:00:56,800 –> 00:00:58,480
هم نمایش کد و هم داده را شروع کنیم.
29
00:00:58,480 –> 00:01:00,000
مجموعهای که ما برای این ویدیو استفاده میکنیم را
30
00:01:00,000 –> 00:01:03,559
میتوانید در github.com alex esp8266 wardriving من
31
00:01:03,559 –> 00:01:05,760
32
00:01:05,760 –> 00:01:07,280
33
00:01:07,280 –> 00:01:08,640
پیدا کنید، بنابراین در زیر اسکریپتهای نوتبوک jupyter میتوانید اسکریپت مورد استفاده ما را پیدا کنید و
34
00:01:08,640 –> 00:01:10,720
من میخواهم آن را در یک برگه جدید
35
00:01:10,720 –> 00:01:12,799
در Google collab باز کنم. وب سایت
36
00:01:12,799 –> 00:01:14,640
اکنون اولین قدم قبل از شروع کار
37
00:01:14,640 –> 00:01:16,479
با این اسکریپت این است که فقط
38
00:01:16,479 –> 00:01:17,840
مجموعه داده ای را که قرار است با آن کار کنیم آپلود کنیم
39
00:01:17,840 –> 00:01:19,600
که می توانید با کلیک بر روی
40
00:01:19,600 –> 00:01:21,280
نماد این پوشه در اینجا
41
00:01:21,280 –> 00:01:23,119
و زدن دکمه آپلود برای
42
00:01:23,119 –> 00:01:25,280
انتخاب فایلی که دارید انجام دهید. اکنون به صورت محلی ذخیره شده است،
43
00:01:25,280 –> 00:01:26,720
ما با یک
44
00:01:26,720 –> 00:01:28,720
فایل capture که از جلسه قبلی
45
00:01:28,720 –> 00:01:30,880
wardriving دارم اجرا می کنیم که در واقع
46
00:01:30,880 –> 00:01:33,439
این فایل csv warflight است که
47
00:01:33,439 –> 00:01:35,200
از یک اثبات مفهومی که
48
00:01:35,200 –> 00:01:37,600
با esp8266 انجام دادم
49
00:01:37,600 –> 00:01:39,759
به دست آوردم، بنابراین می خواهم ادامه دهید و این را
50
00:01:39,759 –> 00:01:41,920
در Google collab باز کنید
51
00:01:41,920 –> 00:01:44,560
و همانطور که می بینید فایل
52
00:01:44,560 –> 00:01:46,479
ما در جلسه زمان اجرا ما آپلود شده است،
53
00:01:46,479 –> 00:01:48,320
اکنون مرحله بعدی این است که با
54
00:01:48,320 –> 00:01:50,000
تجسم این داده ها شروع کنیم و ما این کار را
55
00:01:50,000 –> 00:01:52,159
با تبدیل فایل csv
56
00:01:52,159 –> 00:01:53,200
به چیزی انجام می دهیم که کمی
57
00:01:53,200 –> 00:01:56,479
از طریق پایتون خوانا و قابل تجزیه تر است،
58
00:01:56,479 –> 00:01:58,079
بنابراین ما این کار را با استفاده
59
00:01:58,079 –> 00:02:00,399
از کتابخانه ای به نام پاندا انجام خواهیم داد که
60
00:02:00,399 –> 00:02:02,799
برای تجزیه و
61
00:02:02,799 –> 00:02:04,960
مرتب سازی یک دسته کامل از داده ها بسیار مفید است
62
00:02:04,960 –> 00:02:06,079
و ما یک
63
00:02:06,079 –> 00:02:08,160
نوع داده خاص به نام ایجاد می کنیم. یک قاب داده pandas
64
00:02:08,160 –> 00:02:10,080
که به ما امکان می دهد توابع را
65
00:02:10,080 –> 00:02:12,560
از کتابخانه pandas به طور مستقیم اجرا کنیم،
66
00:02:12,560 –> 00:02:13,840
بنابراین من می خواهم با اجرای این
67
00:02:13,840 –> 00:02:15,599
سلول کد شروع کنم که باید کتابخانه pandas را وارد کند
68
00:02:15,599 –> 00:02:18,400
و همچنین یک قاب داده
69
00:02:18,400 –> 00:02:20,480
حاوی تمام داده های داخل
70
00:02:20,480 –> 00:02:23,840
فایل csv ایجاد می کند. وارد شده است،
71
00:02:25,040 –> 00:02:27,520
بنابراین پس از اجرای این سلول کد،
72
00:02:27,520 –> 00:02:28,640
می توانید ببینید که نوت بوک
73
00:02:28,640 –> 00:02:31,360
jupyter تمام این جدول داده های html
74
00:02:31,360 –> 00:02:33,280
حاوی تمام ورودی های داده از
75
00:02:33,280 –> 00:02:35,200
فایل csv ما را ارائه می
76
00:02:35,200 –> 00:02:36,879
دهد، بنابراین می توانید ببینید که کمی
77
00:02:36,879 –> 00:02:39,840
بیش از 5200 ورودی دارد اما
78
00:02:39,840 –> 00:02:41,680
توسط نوت بوک های مشتری کوتاه شده است. از آنجایی که این
79
00:02:41,680 –> 00:02:43,440
یک چیز بسیار گسترده برای چاپ در
80
00:02:43,440 –> 00:02:45,360
کل این صفحه وب خواهد بود،
81
00:02:45,360 –> 00:02:47,599
اما فقط با اجرای wd jupiter notebook
82
00:02:47,599 –> 00:02:49,840
این را به عنوان یک نوع داده برای
83
00:02:49,840 –> 00:02:51,760
چاپ و ارائه تفسیر می کند.
84
00:02:51,760 –> 00:02:53,920
اگر
85
00:02:53,920 –> 00:02:55,920
میخواهیم دادههای خود را تجسم کنیم، همانطور که
86
00:02:55,920 –> 00:02:57,200
در اینجا میبینیم، یک مزیت آشکار است،
87
00:02:57,200 –> 00:02:59,360
بنابراین با نگاهی به ساختار
88
00:02:59,360 –> 00:03:01,760
فایل csv که با آن سروکار داریم،
89
00:03:01,760 –> 00:03:03,280
میتوانید
90
00:03:03,280 –> 00:03:05,040
انواع مختلف دادههای موجود در این
91
00:03:05,040 –> 00:03:07,360
فایل را در هدر ببینید. به عنوان مثال، ما مک
92
00:03:07,360 –> 00:03:10,159
آدرس ssid را داریم که مانند
93
00:03:10,159 –> 00:03:11,599
نام شبکه
94
00:03:11,599 –> 00:03:13,599
است که نوع رمزگذاری زمانی که
95
00:03:13,599 –> 00:03:15,280
هر شبکه در آن دیده شد
96
00:03:15,280 –> 00:03:17,440
و مکان GPS و همچنین یک سری
97
00:03:17,440 –> 00:03:18,560
داده دیگر داریم،
98
00:03:18,560 –> 00:03:20,319
بنابراین وقتی شروع می کنیم بسیار مفید
99
00:03:20,319 –> 00:03:22,400
خواهد بود. این را روی نقشه ترسیم کنید و
100
00:03:22,400 –> 00:03:23,920
اگر میخواهیم به دنبال ویژگیهای خاصی
101
00:03:23,920 –> 00:03:25,599
102
00:03:25,599 –> 00:03:27,040
مانند نوع رمزگذاری برای جستجوی
103
00:03:27,040 –> 00:03:30,080
شبکههای ناامن باشیم یا اگر میخواهیم
104
00:03:30,080 –> 00:03:31,920
دستگاههای خاصی را فقط بر اساس آدرس مک آنها شناسایی کنیم،
105
00:03:31,920 –> 00:03:33,280
106
00:03:33,280 –> 00:03:35,120
بنابراین با اسکرول کردن به سلول کد بعدی
107
00:03:35,120 –> 00:03:36,799
میتوانید ببینید که من این برگه کتابخانه را وارد کرده ام
108
00:03:36,799 –> 00:03:39,040
که به ما کمک می کند
109
00:03:39,040 –> 00:03:41,519
تا مسیر کمد لباس خود را ترسیم کنیم، بنابراین این نقشه زیرماژول ها
110
00:03:41,519 –> 00:03:43,680
و نشانگر را وارد کرده ام
111
00:03:43,680 –> 00:03:45,920
که به ما کمک می کند نه تنها مسیر کمد لباس واقعی خود را ترسیم کنیم،
112
00:03:45,920 –> 00:03:48,400
بلکه
113
00:03:48,400 –> 00:03:50,319
برخی از حاشیه نویسی ها را نیز پوشش دهیم. مواردی که اساساً به ما نشان می دهند
114
00:03:50,319 –> 00:03:52,239
که هر دستگاه شبکه در طول مسیر کجا دیده شده است
115
00:03:52,239 –> 00:03:53,760
،
116
00:03:53,760 –> 00:03:56,000
بنابراین در اینجا به صورت دستی مکانی را انتخاب
117
00:03:56,0