【技术实现步骤摘要】
本专利技术涉及物联网设备识别领域，更具体地，涉及一种基于二阶段特征选择的物联网设备识别方法及装置。
技术介绍
1、随着当今社会科技的更新迭代，物联网迅速发展，开启并引领了万物互联的时代成为新一代信息技术不可或缺的组成部分，被广泛应用于医疗、工业制造、农业、交通运输等领域，为人们的日常生活提供了更加智能、便捷、舒适的体验。
2、全球物联网数量因为市场需求的增加而呈指数级增长。根据gsma的数据统计，2015年全球物联网总连接数达52亿，2019年规模达到120亿，预计到2025年，全球物联网设备连接数量将达246亿，中国的物联网设备数量也将突破80亿。
3、物联网的发展大步向前，然而物联网设备资产规模的日趋庞大也带来了许多安全隐患。另外，物联网感知节点大多情况安置在无人监管的环境中，物联网设备的计算能力和存储资源非常有限，传统的网络安全措施如防火墙和防病毒软件难以在其中部署，致使物联网设备容易收到网络攻击。而一旦存在漏洞的物联网设备被黑客攻击利用，将带来严重的后果，如何解决物联网设备的安全漏洞问题迫在眉睫。
4、物联网设备识别构成了物联网安全防御的首道防线，通过精确获取设备的类别、型号、属性等详尽信息，为后续实施针对性的安全防护措施奠定了坚实基础。这包括但不限于定期更改密码、及时升级固件版本以及迅速修补已知漏洞，旨在有效降低安全事件的发生率。此外，这一过程还极大地促进了资源的合理分配，确保了能够根据不同异构物联网设备的具体需求，从而全面提升物联网系统的整体效能与安全性。
5、近年来，
6、然而，现有的包级别识别研究在以下三个方面存在不足。(1)特征子集泛化不足。所选择的特征子集是针对特定的数据集进行训练的，但在不同的数据集上，性能差异很大。(2)包装级设备标识识别率低。包级设备识别获得的信息不足会导致设备行为的混淆。(3)深度学习对表格数据的适应性较差。经典的深度学习模型在分组级设备识别场景的表格数据中存在局限性。
技术实现思路
1、针对现有技术的以上缺陷或者改进需求，本专利技术提供了一种基于二阶段特征选择的物联网设备识别方法，其目的在于对物联网设备进行有效识别，准确分类物联网设备流量中的设备类型，为后续针对性采取安全保障措施奠定基础，保障物联网的安全运行。该物联网设备识别方法充分挖掘特征信息及相关性，基于种群过滤遗传算法构建了二阶段特征选择方案，首先提出基于种群过滤的遗传算法(improved population filtering geneticalgorithm，ipfga)作为第一阶段特征筛选，利用聚合特征缓解包级别信息获取不足的缺陷，并结合多步神经网络和顺序注意力机制，对物联网设备类型进行高效精准识别。通过以上措施解决物联网设备识别现有问题，具有较好的指导参考价值。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于二阶段特征选择的物联网设备识别方法，包括以下步骤：
3、对物联网设备流量数据包进行包级别特征提取，并构建特征表格数据；
4、采用二阶段特征选择机制从构建的特征表格数据中选择出目标特征，构成筛选后的特征表格数据，其中，二阶段特征选择机制的第一阶段利用种群过滤遗传算法设置的适应度函数和遗传算子对特征表格数据的原始特征进行初步筛选，筛选出符合条件的特征，第二阶段对第一阶段筛选出的特征，利用特征融合引入聚合特征，得到目标特征；
5、利用多步神经网络和顺序注意力机制基于筛选后的特征表格数据中特征进行设备分类。
6、在一种可选实施方式中，利用种群过滤遗传算法设置的适应度函数和遗传算子对特征表格数据的原始特征进行初步筛选，筛选出符合条件的特征，包括：
7、设置种群过滤遗传算法中个体和种群的数据结构；
8、根据分类效果指标和特征数量设置适应度函数；
9、创建初始种群；
10、设置遗传算子和迭代次数，根据设置的遗传算子进行进化，选取适应度最高的个体作为最终的最优解；
11、根据适应度最高的个体编码中对应特征的取值，得到符合条件的特征，构成所选特征子集。
12、在一种可选实施方式中，第二阶段对第一阶段筛选出的特征，利用特征融合引入聚合特征，得到目标特征，包括：
13、计算第一阶段筛选出的特征的总和、平均值、标准差、最大值、最小值和峰度6个聚合特征；
14、将6个聚合特征添加至第一阶段筛选出的特征所构成的特征子集中，得到最终特征子集。
15、在一种可选实施方式中，根据分类效果指标和特征数量设置适应度函数，包括对分类效果指标和特征数量进行线性加权的方法设置适应度函数，具体为：
16、
17、其中，a∈[0,1]，b＝(1-a)分别表示两个目标的权重，f1score为f1分数，|selectedfea|表示所选特征子集的特征数量，|allfea|表示初始特征数量。
18、在一种可选实施方式中，利用多步神经网络和顺序注意力机制基于筛选后的特征表格数据中特征进行设备分类，包括：
19、预先构建用于表格数据的深度学习网络tabnet，tabnet编码器包括attentivetransformer和feature transformer两个模块，attentive transformer模块用于进行特征选择，feature transformer模块用于对attentive transformer模块选择出的特征进行处理；
20、利用tabnet编码器基于多个步骤的顺序多步处理，其中，每个决策步骤以前一个决策步骤的输出作为输入，以此决定使用哪些特征，并对选择的特征进行处理，然后输出处理后的特征表示，将每个决策步骤输出的特征表示聚合为整体决策；
21、采用线性映射将整体决策映射到设备种类，得到物联网设备识别结果。
22、在一种可选实施方式中，attentive transformer模块的特征选择方式为：
23、m[i]＝sparsemax(p[i-1]*hi(a[i-1]))
24、其本文档来自技高网...
【技术保护点】
1.一种基于二阶段特征选择的物联网设备识别方法，其特征在于，包括：
2.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，利用种群过滤遗传算法设置的适应度函数和遗传算子对特征表格数据的原始特征进行初步筛选，筛选出符合条件的特征，包括：
3.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，第二阶段对第一阶段筛选出的特征，利用特征融合引入聚合特征，得到目标特征，包括：
4.如权利要求2所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，根据分类效果指标和特征数量设置适应度函数，包括对分类效果指标和特征数量进行线性加权的方法设置适应度函数，具体为：
5.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，利用多步神经网络和顺序注意力机制基于筛选后的特征表格数据中特征进行设备分类，包括：
6.如权利要求5所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，Attentive Transformer模块的特征选择方式为：
7.如权利要求1所述的基于
8.一种基于二阶段特征选择的物联网设备识别装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项权利要求所述的基于二阶段特征选择的物联网设备识别方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的基于二阶段特征选择的物联网设备识别方法。
...【技术特征摘要】
1.一种基于二阶段特征选择的物联网设备识别方法，其特征在于，包括：
2.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，利用种群过滤遗传算法设置的适应度函数和遗传算子对特征表格数据的原始特征进行初步筛选，筛选出符合条件的特征，包括：
3.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，第二阶段对第一阶段筛选出的特征，利用特征融合引入聚合特征，得到目标特征，包括：
4.如权利要求2所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，根据分类效果指标和特征数量设置适应度函数，包括对分类效果指标和特征数量进行线性加权的方法设置适应度函数，具体为：
5.如权利要求1所述的基于二阶段特征选择的物联网设备识别方法，其特征在于，利用多步神经网络和顺序注意力机制基于筛选后的特征...
【专利技术属性】
技术研发人员：阮一恒，李婧，邓贤君，刘生昊，王婧，朱晨露，陈超，
申请(专利权)人：湖北楚天高速数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。