一种主动探测场景下的物联网设备识别方法及装置制造方法及图纸

本发明专利技术公开了一种主动探测场景下的物联网设备识别方法及装置，该方法包括：获取第一网络文本数据，其中，第一网络文本数据包括基于网络设备的网络文本数据；提取第一网络文本数据的网络图像特征输出第一图像特征向量，并提取第一网络文本数据的第一统计特征向量；将第一图像特征向量和第一统计特征向量进行融合拼接，得到网络设备特征向量；将网络设备特征向量输入预训练的神经网络分类模型得到概率向量，以利用概率向量识别物联网设备。本发明专利技术通过将HTML文本转化为图像，不仅保持了HTML文本的特征，还能利用先进的图像特征提取模型提取出更有效的特征，大幅提高了设备识别的准确度；并且利用图像特征规避了此类问题，扩大了设备识别的范围。了设备识别的范围。了设备识别的范围。

【技术实现步骤摘要】
一种主动探测场景下的物联网设备识别方法及装置


[0001]本专利技术涉及物联网设备识别
，尤其涉及一种主动探测场景下的物联网设备识别方法及装置。

技术介绍

[0002]主动探测场景下进行物联网设备识别的基本思路是：主动向目标网段和目标端口发送探测包，并收集对端返回的应用层协议数据，根据返回的数据进行物联网设备的识别。依据识别方法的不同，现有技术可分为基于规则匹配的方法和基于机器学习的方法，下面分别介绍这两类中的代表性方法。
[0003]现有技术提出了Acquisitional Rule
‑
based Engine(ARE)用于在主动探测场景下进行物联网设备识别。该方法是基于规则匹配的，因此其核心技术为设备识别规则的生成。
[0004]具体而言，对于探测到的原始应用层数据，该方法首先对它们进行数据清洗，然后从原始数据中提取数据关键词，再利用搜索引擎去搜索这些关键词，得到一系列搜索结果的Web页面，再利用设备实体识别方法从Web页面中提取物联网设备信息关键词，得到一系列数据关键词到物联网设备信息关键词的映射，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主动探测场景下的物联网设备识别方法，其特征在于，包括以下步骤：获取第一网络文本数据，其中，所述第一网络文本数据包括基于网络设备的网络文本数据；提取所述第一网络文本数据的网络图像特征输出第一图像特征向量，并提取所述第一网络文本数据的第一统计特征向量；将所述第一图像特征向量和所述第一统计特征向量进行融合拼接，得到网络设备特征向量；将所述网络设备特征向量输入预训练的神经网络分类模型得到概率向量，以利用所述概率向量识别物联网设备。2.根据权利要求1所述的方法，其特征在于，所述提取第一网络文本数据的网络图像特征输出图像特征向量，包括：利用预设的网络渲染工具对所述第一网络文本数据进行渲染得到网络图像；使用预训练的神经网络模型对所述网络图像进行特征提取，输出多维度的所述图像特征向量。3.根据权利要求1所述的方法，其特征在于，在将所述网络设备特征向量输入预训练的神经网络分类模型得到类别为设备的概率向量之前，还包括：获取第二网络文本数据，其中，所述第二网络文本数据包括含有标签信息的基于物联网设备的网络文本数据；提取所述第二网络文本数据的网络图像特征输出第二图像特征向量，并提取所述第二网络文本数据的第二统计特征向量；以及，将所述第二图像特征向量和所述第二统计特征向量进行融合拼接得到物联网设备特征向量；将所述物联网设备特征向量和所述标签信息输入神经网络分类模型进行训练，得到所述预训练的神经网络分类模型。4.根据权利要求1所述的方法，其特征在于，所述将网络设备特征向量输入预训练的神经网络分类模型得到概率向量，以利用所述概率向量识别物联网设备，包括：将网络设备特征向量输入预训练的神经网络分类模型，输出类别为网络设备的概率向量；其中，所述概率向量中的每个值表示当前网络设备特征向量属于对应类别的概率；将所述概率向量中的最大值和预设的置信度阈值进行比较，根据比较结果识别所述物联网设备。5.根据权利要求4所述的方法，其特征在于，所述神经网络分类模型，包括多个全连接层，所述将网络设备特征向量输入预训练的神经网络分类模型，输出类别为网络设备的概率向量，包括：利用所述神经网络分类模型中第一数量的全连接层提取所述网络设备特征向量中的关联特征；以及，利用第二数量的全连接层对所述关联特征进行特征降维，根据特征降维结果输出所述类别为网络...

【专利技术属性】
技术研发人员：李城龙，吴毅超，胡威，杨家海，王之梁，程杰，夏昂，卢腾，魏家辉，林冰洁，党芳芳，闫丽景，
申请(专利权)人：国家电网有限公司信息通信分公司国网河南省电力公司信息通信公司，
类型：发明
国别省市：