CN112580730A - 一种终端类型的识别方法及装置 - Google Patents

一种终端类型的识别方法及装置 Download PDF

Info

Publication number
CN112580730A
CN112580730A CN202011551026.7A CN202011551026A CN112580730A CN 112580730 A CN112580730 A CN 112580730A CN 202011551026 A CN202011551026 A CN 202011551026A CN 112580730 A CN112580730 A CN 112580730A
Authority
CN
China
Prior art keywords
terminal
data
identified
sample
classification model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011551026.7A
Other languages
English (en)
Other versions
CN112580730B (zh
Inventor
刘恒胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou H3C Technologies Co Ltd
Original Assignee
Hangzhou H3C Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou H3C Technologies Co Ltd filed Critical Hangzhou H3C Technologies Co Ltd
Priority to CN202011551026.7A priority Critical patent/CN112580730B/zh
Publication of CN112580730A publication Critical patent/CN112580730A/zh
Application granted granted Critical
Publication of CN112580730B publication Critical patent/CN112580730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种终端类型的识别方法及装置，该方法包括：获取待识别终端在第一指定时间段内产生的流量数据；对流量数据进行特征提取，得到流量特征数据，其中，该流量特征数据包括：待识别终端使用的协议数据和待识别终端的流量行为数据；将流量特征数据输入至训练好的分类模型进行终端类型识别，得到待识别终端的终端类型，其中，训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。本申请实施例可提高识别准确率。

Description

一种终端类型的识别方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种终端类型的识别方法及装置。
背景技术
终端识别技术是网络中最具有挑战性的任务之一。目前，通常采用以下几种方式实现终端识别：
第一种方式：通过识别媒体访问控制(Media Access Control，MAC)地址中的前六位信息(即，MAC组织唯一表示符(Organizationally Unique Identifier，OUI))，来识别终端的生产厂商。
第二种方式：通过识别终端发起的动态主机分配协议(Dynamic HostConfiguration Protocol，DHCP)请求中的选项(option)字段，来识别终端的操作系统。
第三种方式：通过识别终端发出的超文本传输协议(Hypertext TransferProtocol，HTTP)请求中的用户代理(User-Agent)字段，来识别终端的终端类型。
但是，在上述第一种方式中，仅能识别出终端的厂商，无法识别出终端的具体类型，进而导致识别精度较差；在上述第二种方式中，仅能识别出终端的操作系统，仍然无法识别出终端的具体类型，依然导致识别精度较差；在上述第三种方式中，部分终端可能不在User-Agent字段中提供终端类型，这样一来，容易导致识别准确率较低。
发明内容
为克服相关技术中存在的问题，本申请提供了一种终端类型的识别方法及装置。
根据本申请实施例的第一方面，提供一种终端类型的识别方法，所述方法包括：
获取待识别终端在第一指定时间段内产生的流量数据；
对所述流量数据进行特征提取，得到流量特征数据，其中，所述流量特征数据包括：所述待识别终端使用的协议数据和所述待识别终端的流量行为数据；
将所述流量特征数据输入至训练好的分类模型进行终端类型识别，得到所述待识别终端的终端类型，其中，所述训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
根据本申请实施例的第二方面，提供一种终端类型的识别装置，所述装置包括：
获取模块，用于获取待识别终端在第一指定时间段内产生的流量数据；
特征提取模块，用于对所述流量数据进行特征提取，得到流量特征数据，其中，所述流量特征数据包括：所述待识别终端使用的协议数据和所述待识别终端的流量行为数据；
识别模块，用于将所述流量特征数据输入至训练好的分类模型进行终端类型识别，得到所述待识别终端的终端类型，其中，所述训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
本申请的实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，在需要进行终端类型的识别时，可以先从待识别的终端在指定时间段内产生的流量数据中提取出静态的协议数据和动态的流量行为数据；然后，将这些数据输入至事先训练好的分类模型进行终端类型的识别。这种识别方式相较于现有识别方式而言，增加了识别维度，并且使用了分类效果较好的分类模型进行终端类型的识别，不仅提高了识别精度，还提高了识别的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本申请的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种终端类型的识别方法的流程示意图；
图2为本申请实施例提供的一种终端类型的识别装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
接下来对本申请实施例进行详细说明。
本申请实施例提供了一种终端类型的识别方法，该方法应用于电子设备，该电子设备可以为服务器、网络设备等，如图1所示，该方法可以包括如下步骤：
S11、获取待识别终端在第一指定时间段内产生的流量数据。
S12、对流量数据进行特征提取，得到流量特征数据。
在本步骤中，流量特征数据包括待识别终端使用的协议数据和待识别终端的流量行为数据。
S13、将流量特征数据输入至训练好的分类模型进行终端类型识别，得到待识别终端的终端类型。
在本步骤中，训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
并且，在本步骤中，待识别终端的终端类型可以为办公用电脑(PC)、手机、打印机、文件服务器、电量采集器等等。
具体地，在上述步骤S11中，电子设备可以通过以下方式获取待识别终端在第一指定时间段内产生的流量数据：
通过探针设备获取待识别终端在第一指定时间段内产生的流量数据。
例如，探针设备可以为Wifi探针设备等。
当然，电子设备还可以通过其他方式获取待识别终端在第一指定时间段内产生的流量数据，在此不再一一列举。
在上述步骤S11中，第一指定时间段可根据实际识别需求来设定。例如，第一时间段可以为xxxx年xx月xx日0：00至xxxx年xx月xx日24：00等。
具体地，在上述步骤S12中，待识别终端使用的协议数据可以包括以下数据中的至少一种：
HTTP请求中的User-Agent字段、DHCP请求中的Option字段和应用协议数据。
在这里，应用协议数据可以是文件传输协议(File Transfer Protocol，FTP)数据、轻型目录访问协议(Lightweight Directory Access Protocol，LDAP)数据、Web数据等等。
当然，待识别终端使用的协议数据还可以包括其他协议的数据，在此不再一一列举。
在上述步骤S12中，待识别终端的流量行为数据可以包括以下数据中的至少一种：
待识别终端在第一指定时间段内的会话总数、外网连接次数、内网连接次数、终端在第一指定时间段内传输的数据包的总数量、终端在第一指定时间段内传输的数据包的总大小和在第一指定时间段内终端所通信的目的设备的IP地址所属的网段。
当然，待识别终端的流量行为数据还可以包括其他数据，在此不再一一列举。
具体地，在上述步骤S13中，训练好的分类模型可以为随机森林模型，也可以为支持向量机(Support Vector Machines，SVM)模型。
在本申请实施例中，电子设备可以通过以下方式训练得到训练好的分类模型：
获取各样本终端在第二指定时间段内产生的样本流量数据；
对样本流量数据进行特征提取，得到样本流量特征数据，每条样本流量特征数据包括对应的样本终端的样本协议数据和样本流量行为数据；
将样本流量特征数据输入至初始的分类模型进行终端类型识别，得到每个样本终端对应的预测终端类型的概率值；
根据得到的预测终端类型的概率值与设定的概率值之间的误差，对初始的分类模型的参数进行调整，直到收敛，得到训练好的分类模型。
需要说明的是，在此训练流程中，第二指定时间段可根据实际训练需求来设定。
并且，在此训练流程中，电子设备在获取到样本流量特征数据后，是按照现有的训练过程训练初始的分类模型，在此不再赘述。
由以上技术方案可以看出，在本申请实施例中，在需要进行终端类型的识别时，可以先从待识别的终端在指定时间段内产生的流量数据中提取出静态的协议数据和动态的流量行为数据；然后，将这些数据输入至事先训练好的分类模型进行终端类型的识别。这种识别方式相较于现有识别方式而言，增加了识别维度，并且使用了分类效果较好的分类模型进行终端类型的识别，不仅提高了识别精度，还提高了识别的准确率。
基于同一发明构思，本申请还提供了一种终端类型的识别装置，该装置应用于电子设备，该电子设备可以为服务器、网络设备等，其结构示意图如图2所示，具体包括：
获取模块21，用于获取待识别终端在第一指定时间段内产生的流量数据；
特征提取模块22，用于对所述流量数据进行特征提取，得到流量特征数据，其中，所述流量特征数据包括：所述待识别终端使用的协议数据和所述待识别终端的流量行为数据；
识别模块23，用于将所述流量特征数据输入至训练好的分类模型进行终端类型识别，得到所述待识别终端的终端类型，其中，所述训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
优选地，所述获取模块21，具体用于通过以下方式获取待识别终端在指定时间段内产生的流量数据：
通过探针设备获取待识别终端在第一指定时间段内产生的流量数据。
优选地，所述训练好的分类模型为随机森林模型或者SVM模型；
所述装置还包括：
训练模块(图2中未示出)，用于通过以下方式训练得到所述训练好的分类模型：
获取各样本终端在第二指定时间段内产生的样本流量数据；
对所述样本流量数据进行特征提取，得到样本流量特征数据，每条样本流量特征数据包括对应的样本终端的样本协议数据和样本流量行为数据；
将所述样本流量特征数据输入至初始的分类模型进行终端类型识别，得到每个样本终端对应的预测终端类型的概率值；
根据得到的预测终端类型的概率值与设定的概率值之间的误差，对所述初始的分类模型的参数进行调整，直到收敛，得到所述训练好的分类模型。
优选地，所述待识别终端使用的协议数据包括以下数据中的至少一种：
HTTP请求中的User-Agent字段、DHCP请求中的Option字段和应用协议数据中的至少一种。
优选地，所述待识别终端的流量行为数据包括以下数据中的至少一种：
所述待识别终端在所述第一指定时间段内的会话总数、外网连接次数、内网连接次数、所述终端在所述第一指定时间段内传输的数据包的总数量、所述终端在所述第一指定时间段内传输的数据包的总大小和在所述第一指定时间段内所述终端所通信的目的设备的IP地址所属的网段。
由以上技术方案可以看出，在本申请实施例中，在需要进行终端类型的识别时，可以先从待识别的终端在指定时间段内产生的流量数据中提取出静态的协议数据和动态的流量行为数据；然后，将这些数据输入至事先训练好的分类模型进行终端类型的识别。这种识别方式相较于现有识别方式而言，增加了识别维度，并且使用了分类效果较好的分类模型进行终端类型的识别，不仅提高了识别精度，还提高了识别的准确率。
本申请实施例还提供了一种电子设备，如图3所示，包括处理器31和机器可读存储介质32，所述机器可读存储介质32存储有能够被所述处理器31执行的机器可执行指令，所述处理器31被所述机器可执行指令促使：实现上述终端类型的识别方法的步骤。
上述的机器可读存储介质可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述终端类型的识别方法的步骤。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种终端类型的识别方法，其特征在于，所述方法包括：
获取待识别终端在第一指定时间段内产生的流量数据；
对所述流量数据进行特征提取，得到流量特征数据，其中，所述流量特征数据包括：所述待识别终端使用的协议数据和所述待识别终端的流量行为数据；
将所述流量特征数据输入至训练好的分类模型进行终端类型识别，得到所述待识别终端的终端类型，其中，所述训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，通过以下方式获取待识别终端在第一指定时间段内产生的流量数据：
通过探针设备获取待识别终端在第一指定时间段内产生的流量数据。
3.根据权利要求1或2所述的方法，其特征在于，所述训练好的分类模型为随机森林模型或者支持向量机SVM模型；
所述方法还包括：
通过以下方式训练得到所述训练好的分类模型：
获取各样本终端在第二指定时间段内产生的样本流量数据；
对所述样本流量数据进行特征提取，得到样本流量特征数据，每条样本流量特征数据包括对应的样本终端的样本协议数据和样本流量行为数据；
将所述样本流量特征数据输入至初始的分类模型进行终端类型识别，得到每个样本终端对应的预测终端类型的概率值；
根据得到的预测终端类型的概率值与设定的概率值之间的误差，对所述初始的分类模型的参数进行调整，直到收敛，得到所述训练好的分类模型。
4.根据权利要求1所述的方法，其特征在于，所述待识别终端使用的协议数据包括以下数据中的至少一种：
超文本传输协议HTTP请求中的用户代理User-Agent字段、动态主机分配协议DHCP请求中的选项Option字段和应用协议数据中的至少一种。
5.根据权利要求1所述的方法，其特征在于，所述待识别终端的流量行为数据包括以下数据中的至少一种：
所述待识别终端在所述第一指定时间段内的会话总数、外网连接次数、内网连接次数、所述终端在所述第一指定时间段内传输的数据包的总数量、所述终端在所述第一指定时间段内传输的数据包的总大小和在所述第一指定时间段内所述终端所通信的目的设备的IP地址所属的网段。
6.一种终端类型的识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别终端在第一指定时间段内产生的流量数据；
特征提取模块，用于对所述流量数据进行特征提取，得到流量特征数据，其中，所述流量特征数据包括：所述待识别终端使用的协议数据和所述待识别终端的流量行为数据；
识别模块，用于将所述流量特征数据输入至训练好的分类模型进行终端类型识别，得到所述待识别终端的终端类型，其中，所述训练好的分类模型为基于各样本终端的样本流量数据，对初始的分类模型进行训练得到的。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于通过以下方式获取待识别终端在第一指定时间段内产生的流量数据：
通过探针设备获取待识别终端在第一指定时间段内产生的流量数据。
8.根据权利要求6或7所述的装置，其特征在于，所述训练好的分类模型为随机森林模型或者支持向量机SVM模型；
所述装置还包括：
训练模块，用于通过以下方式训练得到所述训练好的分类模型：
获取各样本终端在第二指定时间段内产生的样本流量数据；
对所述样本流量数据进行特征提取，得到样本流量特征数据，每条样本流量特征数据包括对应的样本终端的样本协议数据和样本流量行为数据；
将所述样本流量特征数据输入至初始的分类模型进行终端类型识别，得到每个样本终端对应的预测终端类型的概率值；
根据得到的预测终端类型的概率值与设定的概率值之间的误差，对所述初始的分类模型的参数进行调整，直到收敛，得到所述训练好的分类模型。
9.根据权利要求6所述的装置，其特征在于，所述待识别终端使用的协议数据包括以下数据中的至少一种：
超文本传输协议HTTP请求中的用户代理User-Agent字段、动态主机分配协议DHCP请求中的选项Option字段和应用协议数据中的至少一种。
10.根据权利要求6所述的装置，其特征在于，所述待识别终端的流量行为数据包括以下数据中的至少一种：
所述待识别终端在所述第一指定时间段内的会话总数、外网连接次数、内网连接次数、所述终端在所述第一指定时间段内传输的数据包的总数量、所述终端在所述第一指定时间段内传输的数据包的总大小和在所述第一指定时间段内所述终端所通信的目的设备的IP地址所属的网段。
CN202011551026.7A 2020-12-24 2020-12-24 一种终端类型的识别方法及装置 Active CN112580730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011551026.7A CN112580730B (zh) 2020-12-24 2020-12-24 一种终端类型的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011551026.7A CN112580730B (zh) 2020-12-24 2020-12-24 一种终端类型的识别方法及装置

Publications (2)

Publication Number Publication Date
CN112580730A true CN112580730A (zh) 2021-03-30
CN112580730B CN112580730B (zh) 2024-04-16

Family

ID=75140233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011551026.7A Active CN112580730B (zh) 2020-12-24 2020-12-24 一种终端类型的识别方法及装置

Country Status (1)

Country Link
CN (1) CN112580730B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255724A (zh) * 2021-04-15 2021-08-13 国家计算机网络与信息安全管理中心 一种识别节点类型的方法、装置、计算机存储介质及终端
CN114979077A (zh) * 2022-05-23 2022-08-30 中移（杭州）信息技术有限公司 设备识别方法、设备、存储介质及装置
CN115277063A (zh) * 2022-06-13 2022-11-01 深圳铸泰科技有限公司 一种在ipv4与ipv6混合网络环境下的终端识别装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695035A (zh) * 2009-10-21 2010-04-14 成都市华为赛门铁克科技有限公司 流量识别方法及装置
WO2019056498A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695035A (zh) * 2009-10-21 2010-04-14 成都市华为赛门铁克科技有限公司 流量识别方法及装置
WO2019056498A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙知信;张玉峰;: "基于多维支持向量机的P2P网络流量识别模型", 吉林大学学报(工学版), no. 05 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255724A (zh) * 2021-04-15 2021-08-13 国家计算机网络与信息安全管理中心 一种识别节点类型的方法、装置、计算机存储介质及终端
CN114979077A (zh) * 2022-05-23 2022-08-30 中移（杭州）信息技术有限公司 设备识别方法、设备、存储介质及装置
CN114979077B (zh) * 2022-05-23 2024-05-24 中移（杭州）信息技术有限公司 设备识别方法、设备、存储介质及装置
CN115277063A (zh) * 2022-06-13 2022-11-01 深圳铸泰科技有限公司 一种在ipv4与ipv6混合网络环境下的终端识别装置
CN115277063B (zh) * 2022-06-13 2023-07-25 深圳铸泰科技有限公司 一种在ipv4与ipv6混合网络环境下的终端识别装置

Also Published As

Publication number Publication date
CN112580730B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN112580730A (zh) 一种终端类型的识别方法及装置
CN110609937B (zh) 一种爬虫识别方法及装置
CN108810116B (zh) 消息处理方法及相关产品
CN107404481B (zh) 用户信息识别方法及装置
CN108429739B (zh) 一种识别蜜罐的方法、系统及终端设备
CN108401037A (zh) 用户终端和设备的绑定方法、装置和系统
CN107547310B (zh) 一种基于旁路审计设备的用户行为关联分析方法及系统
CN107666662B (zh) 一种终端识别方法和接入点
CN106357609A (zh) 一种创建用户的方法和系统、公网服务器及私有云设备
CN112073512B (zh) 数据处理方法及设备
CN106713242B (zh) 数据请求的处理方法及处理装置
CN113965904B (zh) 设备注册方法、装置和存储介质
CN107948022B (zh) 一种对等网络流量的识别方法及识别装置
CN113055420B (zh) Https业务识别方法、装置及计算设备
CN113395367B (zh) Https业务识别方法、装置、存储介质及电子设备
CN109951549B (zh) 网络页面的访问方法、装置及计算机可读存储介质
CN109587121B (zh) 安全策略的管控方法及装置
CN108650274B (zh) 一种网络入侵检测方法及系统
CN114390114B (zh) 用户数据包协议端口扫描方法、系统、终端及存储介质
CN113037792B (zh) 一种业务识别参数的验证方法、装置及网关
CN112187561B (zh) 通信模块测试方法、装置、计算机设备和存储介质
CN113452533B (zh) 计费自巡检、自愈合方法、装置、计算机设备和存储介质
US8971908B1 (en) Apparatus and method for configuring network connection parameters of a mobile device
CN112532414A (zh) 确定isp归属的方法、装置、设备及计算机存储介质
CN109451068B (zh) Set-Cookie值的插入方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant