[发明专利]基于深度学习网络的物联网设备的识别方法

说明书

本发明涉及基于深度学习网络的物联网设备的识别方法，包括步骤：S1：结合SOINN和SVM构建增量式监督学习方法SOINN‑SVM，实现设备品牌分类器的增量学习，识别设备品牌；S2：优化正则匹配结果，给予型号字段大于0.42的权重值；S3：结合Jaro距离与权重值计算待识别设备与型号特征库的匹配度，识别设备型号。该识别方法基于交互页面DOM树的设备品牌特征，结合SVM和SOINN构建SOINN‑SVM，实现设备品牌分类器识别设备品牌；再使用TF‑IDF技术优化正则匹配结果，结合TF‑IDF权重值和Jaro距离计算文本匹配度，实现设备型号的识别。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习网络的物联网设备的识别方法。

背景技术

随着5G与AI技术的应用和推广，物联网技术得到飞速发展，大量的物联网设备在智慧城市、医疗、工业等领域得到广泛应用。根据Statista公司的预测，2025年物联网设备的数量将达到386亿台，而2030年将增加到500亿台，然而物联网设备由于结构简单、防御机制不足，成为黑客的主要攻击目标，往往一个设备漏洞便会导致同品牌设备都被攻击。同时由于物联网设备数量庞大，这这种攻击的危害可以被成倍放大。2016年，黑客利用Mirai病毒劫持了150万台物联网设备并组成僵尸网络(botnet)发动DDOS攻击，造成美国大规模的网络瘫痪。2017年，LG智能家居设备的漏洞导致大量用户隐私泄露。因此，物联网安全已经成为未来网络发展中亟需解决的关键问题之一。

但是，物联网设备数量庞大，种类繁多，不同类型的设备存在不同的安全漏洞，难以进行统一的安全管理。因此，利用物联网信息搜索技术发现和识别物联网设备是进行安全管理的第一步。Shodan和Censys是业界成熟的物联网搜索引擎，可以提供大量暴露在公网中的物联网设备信息。目前的物联网设备识别方法大致可以分为2类：基于流量特征的识别方法和基于标语的识别方法。

自组织增量学习神经网络(SOINN)是一种基于竞争学习的两层神经网络，SOINN的增量性使得它能够发现数据流中出现的新模式并进行学习，同时不影响之前学习的结果。因此SOINN能够作为一种通用的学习算法应用于各类非监督学习问题中。

发明内容

本发明的目的在于解决针对传统设备识别方法存在模型动态更新困难、训练数据不足和运算存储开销大等问题；提供一种基于深度学习网络的物联网设备的识别方法。

为解决上述问题，本发明采用的技术方案为：该基于深度学习网络的物联网设备的识别方法，包括以下步骤：

S1：结合SOINN和SVM构建增量式监督学习方法SOINN-SVM，实现设备品牌分类器的增量学习，加快模型更新速度，识别设备品牌；

S2：优化正则匹配结果，给予型号字段大于0.42的权重值；

S3：结合Jaro距离与权重值计算待识别设备与型号特征库的匹配度，识别设备型号。

采用上述技术方案，将增量学习方法与监督学习方法相结合，提出了基于自组织增量学习神经网络(self-organizing incremental neural network，SOINN)的物联网设备识别方法；该方法分两步依次识别设备的品牌和型号信息，首先，设计了基于交互页面DOM树的设备品牌特征；将特征转化为数字向量并且特征长度只有26；然后结合SVM和SOINN构建SOINN-SVM，实现设备品牌分类器的增量学习，借助SOINN网络的压缩数据和增量学习特性，使用少量的数据完成分类模型的快速动态更新，使得品牌分类器可以在识别过程中不断提高识别准确率。接着，使用TF-IDF技术优化正则匹配结果，使得正确的型号字段具有更高的权重值，降低干扰词的影响，最后，结合TF-IDF权重值和Jaro距离计算文本匹配度，实现设备型号的识别；其中型号识别是在品牌识别结果上的二次分类，对单品牌型号特征库的遍历缩短了识别时间。

作为本发明的优选技术方案，所述步骤S1的具体步骤为：