FindMy.py项目:如何检测特定AirTag是否在蓝牙扫描范围内
2025-07-04 04:28:28作者:管翌锬
背景介绍
FindMy.py是一个用于与苹果Find My网络交互的Python库。近期有开发者尝试使用该库来实现一个宠物追踪系统,希望通过AirTag的蓝牙信号来实时监测宠物是否在家。这一需求引发了对AirTag蓝牙广播机制和识别方法的深入探讨。
AirTag广播机制解析
AirTag作为苹果生态系统的智能追踪设备,其广播行为会根据环境自动调整:
- 远离所有者模式:当AirTag远离配对设备时,会广播完整的设备标识信息,包括可识别的公钥和MAC地址
- 近场模式:当AirTag检测到附近有配对设备时,仅发送极简的广播包,主要用于向所有者设备确认其存在
这种智能广播机制既是隐私保护措施,也是电池优化策略,但给第三方开发者带来了识别挑战。
技术实现方案
公钥匹配方法
开发者最初尝试通过公钥匹配来识别特定AirTag:
- 从Find My备份的plist文件中提取设备密钥信息
- 使用
keys_at或keys_between方法获取设备在特定时间段内的有效公钥 - 扫描蓝牙信号并与这些公钥进行比对
然而,这种方法在AirTag处于近场模式时失效,因为此时广播的简略信息不包含完整公钥。
MAC地址匹配方案
更深入的调查发现,即使AirTag处于近场模式,其MAC地址仍包含关键信息:
- AirTag的MAC地址最后5个字节与当前公钥的第2-6个字节相同
- 由于BLE规范要求,MAC地址首字节的最高两位必须为11,因此这两个位被放置在广播负载的第3个字节中
基于这一发现,开发者实现了以下检测逻辑:
def has_consecutive_five_byte_match(mac_bytes, adv_key_bytes):
"""检查MAC地址后5字节是否与公钥的2-6字节匹配"""
return mac_bytes[-5:] == adv_key_bytes[1:6]
实际应用与验证
通过修改FindMy.py的扫描逻辑,开发者成功实现了:
- 捕获所有BLE广播设备,包括处于近场模式的AirTag
- 提取设备的MAC地址并与已知AirTag的公钥进行部分匹配
- 准确识别特定AirTag是否在蓝牙覆盖范围内
测试数据显示匹配模式如下:
MAC地址: e5:29:d7:92:57:65
公钥字节: a5:29:d7:92:57:65:ac:2a...
证实了MAC地址后5字节与公钥2-6字节的对应关系。
技术展望
这一发现为FindMy.py项目带来了新的可能性:
- 实现更精确的AirTag存在性检测,不受工作模式限制
- 为宠物追踪、物品管理等应用提供可靠的技术基础
- 未来可扩展支持更多Find My网络设备的识别
该方案已作为功能请求提交,预计将在项目后续版本中实现官方支持。
总结
通过深入分析AirTag的广播机制和编码规则,开发者成功解决了在近场模式下识别特定AirTag的技术难题。这一方案不仅满足了宠物追踪的实时性需求,也为FindMy.py项目开辟了新的应用场景。随着项目的持续发展,这类边缘设备的识别技术将变得更加成熟可靠。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust098- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
热门内容推荐
最新内容推荐
3款必备资源下载工具,让你轻松搞定网络资源保存难题OptiScaler技术解析:跨平台AI超分辨率工具的原理与实践Fast-GitHub:提升开发效率的网络加速工具全解析跨平台应用兼容方案问题解决:系统级容器技术的异构架构实践解锁3大仿真自动化维度:Ansys PyAEDT技术探索与工程实践指南解决宽色域显示器色彩过饱和:novideo_srgb的硬件级校准方案老旧设备性能提升完整指南:开源工具Linux Lite系统优化方案如何通过智能策略实现i茅台自动化预约系统的高效部署与应用如何突破异构算力调度瓶颈?HAMi让AI资源虚拟化管理更高效3分钟解决Mac NTFS写入难题:免费工具让跨系统文件传输畅通无阻
项目优选
收起
暂无描述
Dockerfile
703
4.51 K
Ascend Extension for PyTorch
Python
567
693
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
550
98
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
957
955
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
411
338
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.6 K
940
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
566
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
128
210
暂无简介
Dart
948
235
Oohos_react_native
React Native鸿蒙化仓库
C++
340
387