[发明专利]物联网设备流量异常的识别方法及系统

说明书

物联网设备流量异常的识别方法及系统涉及信息技术领域。本发明由物联网卡信息采集器、单一设备日流量记录器、分类设备日均流量记录器、离散因子计算器、单一设备阈值记录器、分类设备阈值记录器和监测器组成。通过物联网卡的流量话单记录、业务话单记录，利用多维度对比分析和机器学习算法，最终智能识别出流量异常的设备，可大大减少后续风险行为的发生。

技术领域

本发明涉及信息技术领域。

背景技术

随着科技飞速发展，物联网与人们的生活关联也越来越密切。物联网设备是指，使用物联网卡或其它方式上网的专用设备，例如城市智慧路灯、车联网设备、智能交通信号灯、智能抄表、家居摄像头。近些年，物联网安全相关事件日益增多，包括：利用交通信号灯漏洞，控制信号指令造成交通车辆堵塞；利用车联网设备漏洞，控制车辆危险行驶；利用家居摄像头漏洞，窃取用户隐私。如何提前识别异常的物联网设备，阻止更严重的安全事件发生，成为当前亟待解决的问题。

物联网生态圈，主要由物联网卡和物联网终端设备组成。一般来说，物联网卡及其芯片，仅提供上网功能，物联网设备则使用此功能进行数据的发送和获取，现有技术中发现涉及安全事件的设备，只能通过事后更换设备的方法来阻止被控制的物联网设备造成更大的损害，无法做到事先预防，实时预判物联网设备是否被恶意控制。由于物联网设备种类繁多，可能没有操作系统，也可能存在操作系统，且系统类型不一，在安全方面的防御能力也互不相同。常规方式监控难度大，现有技术方案无法做到统一识别和实时处理，仅依靠受攻击的系统出现问题的时候，进行溯源才得知异常的源头，不利于自动识别和提前防范。

本发明的物联网设备流量异常的识别方法及系统部署在各省通信管理局，通过物联网卡的流量话单记录、业务话单记录，利用多维度对比分析和机器学习算法，最终智能识别出流量异常的设备，可大大减少后续风险行为的发生。

现有技术说明

局部异常因子算法是基于密度的经典算法。其思想是通过比较每个点p和其邻域点的密度来判断该点是否为异常点，如果点p的密度越低，越可能被认定是异常点。至于密度，是通过点之间的距离来计算的，点之间距离越远，密度越低，距离越近，密度越高。局部异常因子算法中的密度是通过点的第k邻域来计算，而不是全局计算，因此得名为局部异常因子。

局部离群因子，简称离散因子：

离散因子越接近1，说明点p和其邻域点密度差不多，点p和邻域同属一簇；

离散因子越小于1，说明点p的密度高于其邻域点密度，点p为密集点；

离散因子越大于1，说明点p的密度小于其邻域点密度，点p是异常点。

发明内容

鉴于现有技术的不足，本发明提供的物联网设备流量异常的识别系统由物联网卡信息采集器、单一设备日流量记录器、分类设备日均流量记录器、离散因子计算器、单一设备阈值记录器、分类设备阈值记录器和监测器组成；物联网卡信息采集器由开户信息采集器、流量信息采集器和业务信息采集器组成；离散因子计算器由邻域点个数设定器、异常离散因子计算器和阈值计算器组成；

开户信息采集器负责采集运营商上报的物联网流量中的物联网卡的开户信息，物联网卡的开户信息包括：物联网卡号码、物联网卡注册使用人、终端标识、终端设备类型，生成开户信息集；

流量信息采集器负责采集运营商上报的物联网流量中的物联网卡的流量话单信息，物联网卡的流量话单信息包括：终端标识、开始时间、持续时间、流量使用量，生成流量信息集；

业务信息采集器负责采集运营商上报的物联网流量中的物联网卡的业务话单信息，物联网卡的业务话单信息包括：终端标识、开始时间、结束时间、源IP、源端口号、访问目的IP、访问目的端口号、访问地址，生成业务信息集；

单一设备日流量记录器读取流量信息集，根据终端标识的区别生成终端标识为基础的单一设备每日流量统计值，称为单一设备日流量记录表；