CN114330497A

CN114330497A - 物联网设备分类的自学习方法、系统、设备及存储介质

Info

Publication number: CN114330497A
Application number: CN202111437466.4A
Authority: CN
Inventors: 龙榜; 饶学贵; 许刚; 胡梅贤
Original assignee: Shenzhen Farben Information Technology Co ltd
Current assignee: Shenzhen Farben Information Technology Co ltd
Priority date: 2021-11-29
Filing date: 2021-11-29
Publication date: 2022-04-12

Abstract

本发明公开了一种物联网设备分类的自学习方法、系统、设备及存储介质，该物联网设备分类的自学习方法包括：监听物联网设备发送的报文，并提取报文的多个特征，以生成物联网设备的特征集；将特征集送入当前所存储的自动分类模型，并根据自动分类模型的输出判断是否识别出物联网设备的设备类型，若否，则监听用户通过用户端发送的用户分类信息，并根据用户分类信息获取物联网设备的设备类型；根据物联网设备的特征集及设备类型进行自学习，并根据自学习训练结果对所存储的自动分类模型进行更新。实施本发明的技术方案，不但省时省力、准确性高，而且，可在运行时自动学习及扩展物联网设备的新类型，自动分类更灵活。

Description

物联网设备分类的自学习方法、系统、设备及存储介质

技术领域

本发明涉及计算机信息处理技术领域，尤其涉及一种物联网设备分类的自学习方法、系统、设备及存储介质。

背景技术

物联网是将各种信息传感设备互联起来而形成的一个巨大网络，实现万物互联互通。物联网设备种类繁多，例如包括：智能家居(智能插座，智能空调、冰箱等电器)、智能穿戴(手环、电话手表等)、工业物联网(智能仪表、工业相机、智能制造设备等)等不同设备，而不同设备间互联标准与协议不统一，那么，如何对数量众多的物联网设备进行自动分类便成为了一个难题。

目前，对物联网设备进行分类目前采用的方法一般是以下几种：1、人工方式进行分类，这种方式依赖于使用者经验，费时费力，容易出错；2、根据固定的通信协议交互进行分类，对已知类型设备可以自动分类或半自动分类，但对新类型不易扩展，而且，不具备自学习功能，需要离线标注训练后再更新自动分类模型。

发明内容

本发明要解决的技术问题在于，针对现有技术存在的上述缺陷，提供物联网设备分类的自学习方法、系统及可读存储介质。

本发明解决其技术问题所采用的技术方案是：构造一种物联网设备分类的自学习方法，包括：

特征生成步骤：监听物联网设备发送的报文，并提取所述报文的多个特征，以生成所述物联网设备的特征集；

自动识别步骤：将所述特征集送入当前所存储的自动分类模型，并根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型，若否，则执行下一步骤；

用户分类步骤：监听用户通过用户端发送的用户分类信息，并根据所述用户分类信息获取所述物联网设备的设备类型；

自学习步骤：根据所述物联网设备的所述特征集及所述设备类型进行自学习，并根据自学习训练结果对所存储的自动分类模型进行更新。

优选地，根据所述用户分类信息获取所述物联网设备的设备类型，包括：

根据所述用户分类信息获取所述物联网设备的设备类型及分类维度，其中，所述分类维度包括：物理分类、逻辑分类；

而且，根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型，包括：

根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型及分类维度。

优选地，所述自学习步骤包括：

将所述物联网设备的所述特征集按照交互阶段、报文层次、所在层次的协议进行三个维度的划分：并将所述物联网设备的分类维度作为第四维度的特征，以形成所述物联网设备的四维特征集；

针对所述物联网设备的所述设备类型，形成四个决策树，并按不同决策树分别所对应的权重值生成所述设备类型所对应的随机森林；

将所述设备类型所对应的随机森林与当前的自动分类模型进行合并训练，以更新当前的自动分类模型。

优选地，监听所述用户端发送的用户分类信息，包括：

通过RPA监听所述用户端发送的用户分类信息。

优选地，根据所述用户分类信息获取所述物联网设备的设备类型及分类维度，包括：

从所述用户分类信息中提取所述物联网设备的设备类型；

通过对所述用户分类信息进行NLP分析来获取所述物联网设备的分类维度。

优选地，在所述自动识别步骤与所述第二监听步骤之间，还包括：

用户提醒步骤：向用户端发送提醒信号，以提醒用户进行人工分类。

优选地，在所述自动识别步骤中，若识别出所述物联网设备的设备类型，则执行判断步骤：

判断步骤：判断所识别出所述物联网设备的设备类型是否正确，若正确，则结束；若不正确，则执行所述第二监听步骤。

本发明还构造一种物联网设备分类的自学习系统，包括：

特征生成模块，用于监听物联网设备发送的报文，并提取所述报文的多个特征，以生成所述物联网设备的特征集；

自动识别模块，用于将所述特征集送入当前所存储的自动分类模型，并根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型；

用户分类模块，用于在未识别出所述物联网设备的设备类型时，监听用户通过用户端发送的用户分类信息，并根据所述用户分类信息获取所述物联网设备的设备类型；

自学习模块，用于根据所述物联网设备的所述特征集及所述设备类型进行自学习，并根据自学习训练结果对所存储的自动分类模型进行更新。

本发明还构造一种计算机设备，包括处理器及存储有计算机程序的存储器，所述处理器在执行所述计算机程序时实现以上所述物联网设备分类的自学习方法的步骤。

本发明还构造一种存储介质，存储有计算机程序，所述计算机程序在被处理器执行时实现以上所述物联网设备分类的自学习方法的步骤。

实施本发明的技术方案，对于物联网中已存在同类型设备的物联网设备，可自动利用当前的自动分类模型来识别其类型；对于物联网中不存在同类型设备的物联网设备(即，该物联网设备是一新类型的设备)，可在运行时自动根据用户对该物联网设备的分类行为来对当前的自动分类模型进行更新及存储，以便于后续能对与其同类型的其它物联网设备进行自动分类识别。因此，相比传统的人工分类方法，更省时省力，而且，准确性高；相比传统的自动分类或半自动分类方法，不需要离线标注，可以在运行时自动学习及扩展物联网设备的新类型，自动分类更灵活，分类效率更高。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明物联网设备分类的自学习方法实施例一的流程图；

图2是本发明物联网设备分类的自学习方法中自学习步骤实施例一的流程图；

图3是本发明物联网设备分类的自学习系统实施例一的逻辑结构图；

图4是本发明计算机设备实施例一的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明物联网设备分类的自学习方法实施例一的流程图，该实施例的物联网设备分类的自学习方法应用于物联网管理系统，且具体包括以下步骤：

特征生成步骤S10：监听物联网设备发送的报文，并提取所述报文的多个特征，以生成所述物联网设备的特征集；

在该步骤中，所监听的报文可为物联网设备向物联网网络中其它设备发送的报文，也可为该物联网设备向管理系统发送的报文。通过对该物联网设备所发送的报文进行特征分析便可获取多个特征，从而形成该物联网设备的特征集，例如包括：

交互阶段的特征：开机、连接、工作、关机等；

报文层次的特征：链路层、网络层、传输层、应用通用层、应用媒体层、应用业务层；

所在层次的协议的特征：链路层涉及协议主要有：ARP、RARP、LLC等；网络层涉及协议主要有：IP(V4,V6)、ICMP、IGMP等；传输层涉及协议主要有：TCP、UDP、UGP等；应用通用层涉及协议主要有：HTTP、HTTPS、MQTT、FTP、SMTP、SNMP等；应用媒体层涉及协议主要有：SIP、RTP、RTCP、RTMP、HLS、RTSP等；应用业务层涉及协议主要有：Onvif、GB28181、PSIA、Modbus等。

自动识别步骤S20：将所述特征集送入当前所存储的自动分类模型，并根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型，若否，则执行下一步骤；

在该步骤中，自动分类模型的输入为该物联网设备的特征集，输出为设备类型。对于该物联网设备，若其为已知类型的设备，则自动分类模型可自动识别出其设备类型；若其为新类型的设备，则自动分类模型并不能识别出其设备类型，此时，执行下面的用户分类步骤。

用户分类步骤S30：监听用户通过用户端发送的用户分类信息，并根据所述用户分类信息获取所述物联网设备的设备类型；

在该步骤中，对于未能自动分类的设备(例如为新加入物联网的一个新类型设备)，用户可通过用户端对其进行人工分类，设备类型例如包括：智能插座、智能空调、智能冰箱、手环、电话手表、智能仪表等。

自学习步骤S40：根据所述物联网设备的所述特征集及所述设备类型进行自学习，并根据自学习训练结果对所存储的自动分类模型进行更新。

在该步骤中，首先说明的是，特征生成步骤S10中监听到的特征集与用户分类步骤S30中监听到的设备类型，两者可通过物联网设备的标识信息(例如MAC)进行关联。然后再根据该物联网设备的特征集与设备类型进行自学习，并根据自学习结果更新自动分类模型，以使系统后续能对与该物联网设备同类型的设备进行自动分类识别。另外，还将该该物联网设备的特征集与设备类型更新至自动分类样本库中。

该实施例的技术方案，相比传统的人工分类方法，更省时省力，而且，准确性高；相比传统的自动分类或半自动分类方法，不需要离线标注，可以在运行时自动学习及扩展物联网设备的新类型，自动分类更灵活，分类效率更高。

进一步地，用户在为新类型设备分类时，除了输入设备类型，还可输入与分类维度相关的信息，例如，对于某一物联网设备，其物理分类的设备类型为智能插座，其逻辑分类的设备类型为某公司。这样，在进行自学习后，所获取的自动分类模型的输出便为数组，包括：分类维度；设备类型。其中，分类维度包括：物理分类(智能门锁等物理设备类型)；逻辑分类(设备所在地点、所属公司、部门等)。因此，在一个可选实施例中，用户分类步骤S30包括：监听用户通过用户端发送的用户分类信息，并根据所述用户分类信息获取所述物联网设备的设备类型及分类维度，其中，所述分类维度包括：物理分类、逻辑分类。相应地，自动识别步骤S20包括：将所述特征集送入当前所存储的自动分类模型，并根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型及分类维度，若否，则执行下一步骤。

图2是本发明物联网设备分类的自学习方法中自学习步骤实施例一的流程图，在该实施例中，自学习步骤包括：

步骤S41.将所述物联网设备的所述特征集按照交互阶段、报文层次、所在层次的协议进行三个维度的划分：并将所述物联网设备的分类维度作为第四维度的特征，以形成所述物联网设备的四维特征集；

在该步骤中，对于该物联网设备的特征集，首先对其进行三维切分，以获取该特征集所对应的n*3矩阵F3，即，F3＝[交互阶段，报文层次，所在层次的协议]，其中，

交互阶段的特征：开机、连接、工作、关机等；

然后，再在三维特征集中加入该物联网设备的分类维度，以形成四维设备特征集F4，即F4＝[分类维度，交互阶段，报文层次，所在层次的协议]。

步骤S42.针对所述物联网设备的所述设备类型，形成四个决策树，并按不同决策树分别所对应的权重值生成所述设备类型所对应的随机森林；

在该步骤中，若该物联网设备的设备类型为Y(步骤S30中提取出的设备类型)，则确定Y＝f(F4)，其中，f代表对F4特征集进行识别决策。具体地，由于特征集分成了四个维度，所以先形成四个维度的决策树，然后将四个决策树按照不同权重值形成随机森林决策群。例如：针对交互阶段的决策树，开机、连接、工作与关机阶段分别具有哪些类型的协议包；时序如何，等等，是明确的特征的，而且多次学习可以越来越准确。

步骤S43.将所述设备类型所对应的随机森林与当前的自动分类模型进行合并训练，以更新当前的自动分类模型。

在该步骤中，将步骤S42所获取的随机森林与原自动分类模型进行合并训练，形成新的随机森林决策群，即，将该新的设备类型的随机森林决策群与总森林决策群合并，以便支持新的设备类型自动识别。

进一步地，在一个可选实施例中，监听所述用户端发送的用户分类信息，包括：通过RPA(Robotic process automation，机器人流程自动化)监听所述用户端发送的用户分类信息。当然，在其它的实施例中，也可由管理系统自身来监听。

进一步地，在一个可选实施例中，根据所述用户分类信息获取所述物联网设备的设备类型及分类维度，包括：

从所述用户分类信息中提取所述物联网设备的设备类型；

在该实施例中，当用户在用户终端上输入某物联网设备的用户分类信息时，对于该物联网设备按物理分类所对应的设备类型，可以直接输入或选择，例如，输入或选择智能插座，智能空调、智能冰箱、手环、电话手表、智能仪表等；对于该物联网设备按逻辑分类所对应的设备类型，可通过鼠标拖曳或通过下拉菜单选择相应的公司、地点等。这样，对于设备类型，可直接从用户分类信息中提取，对于分类维度，需要对该用户分类信息进行NLP分析来获取。

进一步地，在一个可选实施例中，在自动识别步骤S20与第二监听步骤S30之间，还包括用户提醒步骤，该用户提醒步骤为：向用户端发送提醒信号，以提醒用户进行人工分类。在该实施例中，当利用已有的自动分类模型无法识别出设备类型时，通过向用户发送提醒信号来提醒用户通过用户端输入用户分类信息。

进一步地，在一个可选实施例中，在自动识别步骤S20中，若识别出所述物联网设备的设备类型，则执行判断步骤，该判断步骤为：判断所识别出所述物联网设备的设备类型是否正确，若正确，则结束；若不正确，则执行所述第二监听步骤。在该实施例中，在利用已有的自动分类模型识别设备类型时，不光在无法识别出时需要监听用户行为，在识别错误时也需要监听用户行为，以进一步提高自动分类的准确性。

图3是本发明物联网设备分类的自学习系统实施例一的逻辑结构图，该自学习系统包括：特征生成模块10、自动识别模块20、用户分类模块30和自学习模块40，其中，特征生成模块10用于监听物联网设备发送的报文，并提取所述报文的多个特征，以生成所述物联网设备的特征集；自动识别模块20用于将所述特征集送入当前所存储的自动分类模型，并根据所述自动分类模型的输出判断是否识别出所述物联网设备的设备类型；用户分类模块30用于在未识别出所述物联网设备的设备类型时，监听用户通过用户端发送的用户分类信息，并根据所述用户分类信息获取所述物联网设备的设备类型；自学习模块40用于根据所述物联网设备的所述特征集及所述设备类型进行自学习，并根据自学习训练结果对所存储的自动分类模型进行更新。

图4是本发明计算机设备实施例一的结构框图，该实施例的计算机设备400可为电脑、服务器，且服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图4，该计算机设备400包括通过系统总线401连接的处理器402、存储器和网络接口405，其中，存储器可以包括非易失性存储介质403和内存储器404。

该非易失性存储介质403可存储操作系统4031和计算机程序4032。该计算机程序4032包括程序指令，该程序指令被执行时，可使得处理器402执行上述车辆电子号牌的损坏检查方法。

该处理器402用于提供计算和控制能力，以支撑整个计算机设备400的运行。应当理解，在本申请实施例中，处理器402可以是中央处理单元(Central Processing Unit，CPU)，该处理器402还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该内存储器404为非易失性存储介质403中的计算机程序4032的运行提供环境，该计算机程序4032被处理器402执行时，可使得处理器402执行上述物联网设备分类的自学习方法。

该网络接口405用于与其它设备进行网络通信。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备400的限定，具体的计算机设备400可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明还构造一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现以上实施例所述的物联网设备分类的自学习方法的步骤。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims

1.一种物联网设备分类的自学习方法，其特征在于，包括：

2.根据权利要求1所述的物联网设备分类的自学习方法，其特征在于，根据所述用户分类信息获取所述物联网设备的设备类型，包括：

3.根据权利要求2所述的物联网设备分类的自学习方法，其特征在于，所述自学习步骤包括：

4.根据权利要求1所述的物联网设备分类的自学习方法，其特征在于，监听所述用户端发送的用户分类信息，包括：

通过RPA监听所述用户端发送的用户分类信息。

5.根据权利要求2所述的物联网设备分类的自学习方法，其特征在于，根据所述用户分类信息获取所述物联网设备的设备类型及分类维度，包括：

从所述用户分类信息中提取所述物联网设备的设备类型；

6.根据权利要求1所述的物联网设备分类的自学习方法，其特征在于，在所述自动识别步骤与所述第二监听步骤之间，还包括：

7.根据权利要求1所述的物联网设备分类的自学习方法，其特征在于，在所述自动识别步骤中，若识别出所述物联网设备的设备类型，则执行判断步骤：

8.一种物联网设备分类的自学习系统，其特征在于，包括：

9.一种计算机设备，包括处理器及存储有计算机程序的存储器，其特征在于，所述处理器在执行所述计算机程序时实现权利要求1-7任一项所述物联网设备分类的自学习方法的步骤。

10.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现权利要求1-7任一项所述物联网设备分类的自学习方法的步骤。