FindMy.py项目:如何检测特定AirTag是否在蓝牙扫描范围内
2025-07-04 02:14:59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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
8
Ascend Extension for PyTorch
Python
199
219
暂无简介
Dart
637
145
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++
654
278
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
246
316
🎉 (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
1.12 K
629
仓颉编译器源码及 cjdb 调试工具。
C++
128
860
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
75
99
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
385
3.74 K