CN115546496A - 一种主动探测场景下的物联网设备识别方法及装置 - Google Patents
一种主动探测场景下的物联网设备识别方法及装置 Download PDFInfo
- Publication number
- CN115546496A CN115546496A CN202211028070.9A CN202211028070A CN115546496A CN 115546496 A CN115546496 A CN 115546496A CN 202211028070 A CN202211028070 A CN 202211028070A CN 115546496 A CN115546496 A CN 115546496A
- Authority
- CN
- China
- Prior art keywords
- network
- feature vector
- text data
- vector
- equipment
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种主动探测场景下的物联网设备识别方法及装置,该方法包括:获取第一网络文本数据,其中,第一网络文本数据包括基于网络设备的网络文本数据;提取第一网络文本数据的网络图像特征输出第一图像特征向量,并提取第一网络文本数据的第一统计特征向量;将第一图像特征向量和第一统计特征向量进行融合拼接,得到网络设备特征向量;将网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用概率向量识别物联网设备。本发明通过将HTML文本转化为图像,不仅保持了HTML文本的特征,还能利用先进的图像特征提取模型提取出更有效的特征,大幅提高了设备识别的准确度;并且利用图像特征规避了此类问题,扩大了设备识别的范围。
Description
技术领域
本发明涉及物联网设备识别技术领域,尤其涉及一种主动探测场景下的物联网设备识别方法及装置。
背景技术
主动探测场景下进行物联网设备识别的基本思路是:主动向目标网段和目标端口发送探测包,并收集对端返回的应用层协议数据,根据返回的数据进行物联网设备的识别。依据识别方法的不同,现有技术可分为基于规则匹配的方法和基于机器学习的方法,下面分别介绍这两类中的代表性方法。
现有技术提出了Acquisitional Rule-based Engine(ARE)用于在主动探测场景下进行物联网设备识别。该方法是基于规则匹配的,因此其核心技术为设备识别规则的生成。
具体而言,对于探测到的原始应用层数据,该方法首先对它们进行数据清洗,然后从原始数据中提取数据关键词,再利用搜索引擎去搜索这些关键词,得到一系列搜索结果的Web页面,再利用设备实体识别方法从Web页面中提取物联网设备信息关键词,得到一系列数据关键词到物联网设备信息关键词的映射,然后利用Apriori算法筛选出可靠的映射,得到数据关键词到设备信息的映射规则,即为物联网设备识别规则。该规则可用于之后的物联网设备识别。
现有技术提出了一个基于Web页面特征的物联网设备识别方法,该方法是基于机器学习的方法。该方法聚焦于拥有Web页面的物联网设备的识别。具体来说,对于探测到的HTML文本,该方法提取HTML文本中的一些统计特征,并将这些统计特征作为设备特征,构造特征向量。然后利用传统机器学习方法通过这些特征向量和对应的物联网设备信息标签训练分类器,之后,该分类器便可用于从HTML文本中识别物联网设备。
现有技术中,主要会受限于搜索引擎API的使用次数以及搜索引擎的搜索结果,导致识别规则生成困难,此外,随着识别规则的增加,设备识别的准确率会下降,因为可能会出现许多易混淆的规则。另外现有技术中,只考虑了HTML文本的一些统计特征,而事实上,HTML文本还包含丰富的图像特征,这些图像特征往往包含丰富的可用于设备识别的特征,因此该方法的设备识别性能还有待提高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种主动探测场景下的物联网设备识别方法及装置,聚焦于含有Web页面的物联网设备的识别,其目的是进一步提高对此类物联网设备的识别性能。
为达上述目的,本发明一方面提出了一种主动探测场景下的物联网设备识别方法,包括:
获取第一网络文本数据,其中,所述第一网络文本数据包括基于网络设备的网络文本数据;
提取所述第一网络文本数据的网络图像特征输出第一图像特征向量,并提取所述第一网络文本数据的第一统计特征向量;
将所述第一图像特征向量和所述第一统计特征向量进行融合拼接,得到网络设备特征向量;
将所述网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备。
根据本发明实施例的主动探测场景下的物联网设备识别方法还可以具有以下附加技术特征:
进一步地,在本发明的一个实施例中,所述提取第一网络文本数据的网络图像特征输出图像特征向量,包括:利用预设的网络渲染工具对所述第一网络文本数据进行渲染得到网络图像;使用预训练的神经网络模型对所述网络图像进行特征提取,输出多维度的所述图像特征向量。
进一步地,在本发明的一个实施例中,在将所述网络设备特征向量输入预训练的神经网络分类模型得到类别为设备的概率向量之前,还包括:获取第二网络文本数据,其中,所述第二网络文本数据包括含有标签信息的基于物联网设备的网络文本数据;提取所述第二网络文本数据的网络图像特征输出第二图像特征向量,并提取所述第二网络文本数据的第二统计特征向量;以及,将所述第二图像特征向量和所述第二统计特征向量进行融合拼接得到物联网设备特征向量;将所述物联网设备特征向量和所述标签信息输入神经网络分类模型进行训练,得到所述预训练的神经网络分类模型。
进一步地,在本发明的一个实施例中,所述将网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备,包括:将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量;其中,所述概率向量中的每个值表示当前网络设备特征向量属于对应类别的概率;将所述概率向量中的最大值和预设的置信度阈值进行比较,根据比较结果识别所述物联网设备。
进一步地,在本发明的一个实施例中,所述神经网络分类模型,包括多个全连接层,所述将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量,包括:利用所述神经网络分类模型中第一数量的全连接层提取所述网络设备特征向量中的关联特征;以及,利用第二数量的全连接层对所述关联特征进行特征降维,根据特征降维结果输出所述类别为网络设备的概率向量。
为达到上述目的,本发明另一方面提出了一种主动探测场景下的物联网设备识别装置,包括:
网络文本获取模块,用于获取第一网络文本数据,其中,所述第一网络文本数据包括基于网络设备的网络文本数据;
特征向量提取模块,用于提取所述第一网络文本数据的网络图像特征输出第一图像特征向量,并提取所述第一网络文本数据的第一统计特征向量;
特征向量融合模块,用于将所述第一图像特征向量和所述第一统计特征向量进行融合拼接,得到网络设备特征向量;
设备特征识别模块,用于将所述网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备。
本发明实施例的主动探测场景下的物联网设备识别方法及装置,可以进一步提高对此类物联网设备的识别性能。
本发明的有益效果为:
1)能大幅提高在主动探测场景下对于含有Web页面的物联网设备的识别能力。此外,本发明提出的基于Web页面的特征工程方法具有通用性,能用于一般Web页面的特征提取,因此其适用范围并不局限于物联网设备识别方面,将来,可能在其他基于Web页面的分类问题上也适用。
2)本发明开创性地引入了图像特征,相比于已有技术有以下优点:现有技术都是基于文本分析的,在处理复杂的HTML文本时效果较差,本发明通过将HTML文本转化为图像,不仅保持了HTML文本的特征,还能利用先进的图像特征提取模型提取出更有效的特征,大幅提高了设备识别的准确度;现有技术都是基于英文文本的分析,几乎无法处理非英文文本的原始数据,本发明利用图像特征规避了此类问题,扩大了设备识别的范围。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的主动探测场景下的物联网设备识别方法的流程图;
图2为根据本发明实施例的基于Web页面的物联网设备识别架构图;
图3为根据本发明实施例的Web页面图像特征提取流程图;
图4为根据本发明实施例的神经网络分类模型结构图;
图5为根据本发明实施例的主动探测场景下的物联网设备识别装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的主动探测场景下的物联网设备识别方法及装置。
本发明的方法总览如图2所示。对于一个探测到的HTML文本,首先提取其统计特征,然后提取其图像特征,这两部分特征将被融合为最终的设备特征。该设备特征将被输入神经网络分类器并得到一个设备类型的概率向量。然后可以利用该概率向量进行物联网设备识别。
图1是本发明一个实施例的主动探测场景下的物联网设备识别方法的流程图。
如图1所示,该方法包括但不限于以下步骤:
S1,获取第一网络文本数据,其中,第一网络文本数据包括基于网络设备的网络文本数据。
可以理解的是,获取HTML文本,该文本包括基于Web页面的网络设备的网络文本数据。
S2,提取第一网络文本数据的网络图像特征输出第一图像特征向量,并提取第一网络文本数据的第一统计特征向量。
可以理解的是,本发明的特征提取分为统计特征提取和图像特征提取两部分。对于统计特征提取,主要提取的特征字段如表1所示。
表1
作为一种示例,对于图像特征提取,其流程如图3所示。对于一个原始HTML文本,首先需要利用wkhtmltoimg工具将其渲染为图像,然后使用一个经过了预训练的神经网络模型,本发明实施例使用的是EfficientNet模型,对该图像进行特征提取,并输出一个1000维的图像特征向量。
S3,将第一图像特征向量和第一统计特征向量进行融合拼接,得到网络设备特征向量。
作为一种示例,为了得到最后的设备特征向量,需要将上述得到的统计特征向量和图像特征向量进行融合,融合方法为直接将上述两向量进行拼接,获得一个高维的特征向量。
S4,将网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用概率向量识别物联网设备。
可以理解地是,根据上述特征向量的特点,本发明设计了如图4所示的神经网络作为分类器。整个分类模型由5个全连接层构成,其中L-n中的n代表该层所包含的神经元的数量。首先,模型利用了两个高维的L-2048全连接层挖掘设备特征向量中的深层联系,然后,利用连续的三个全连接层进行逐步的特征降维,并实现分类。
具体地,该模型在被用于物联网设备识别前,需要进行训练,因此首先需要获得一个带标签的物联网设备数据集,然后利用上述特征提取方法为数据集中的每个样本提取设备特征,最后将设备特征与设备标签输入分类模型进行训练。模型训练的周期数取决于设备标签的类别数量以及训练集的大小。
使用该模型进行物联网设备识别时,首先将设备的特征向量输入该模型,然后分类模型会为其输出一个概率向量,该概率向量中的每个值表示当前特征向量属于对应类别的概率,选出该概率向量中的最大值pmax,然后将其与预先设置的置信度阈值pthre进行比较,如果有pmax≥pthre,则认为该特征向量所对应的设备是物联网设备,且其类别就是pmax值所对应的类别;否则认为该设备不是物联网设备。
根据本发明实施例的主动探测场景下的物联网设备识别方法,通过将HTML文本转化为图像,不仅保持了HTML文本的特征,还能利用先进的图像特征提取模型提取出更有效的特征,大幅提高了设备识别的准确度;并且利用图像特征规避了此类问题,扩大了设备识别的范围。
为了实现上述实施例,如图5所示,本实施例中还提供了主动探测场景下的物联网设备识别装置10,该装置10包括:网络文本获取模块100、特征向量提取模块200、特征向量融合模块300和设备特征识别模块400,。
网络文本获取模块100,用于获取第一网络文本数据,其中,第一网络文本数据包括基于网络设备的网络文本数据;
特征向量提取模块200,用于提取第一网络文本数据的网络图像特征输出第一图像特征向量,并提取第一网络文本数据的第一统计特征向量;
特征向量融合模块300,用于将第一图像特征向量和第一统计特征向量进行融合拼接,得到网络设备特征向量;
设备特征识别模块400,用于将网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用概率向量识别物联网设备。
进一步地,上述特征向量提取模块200,还用于:
利用预设的网络渲染工具对所述第一网络文本数据进行渲染得到网络图像;
使用预训练的神经网络模型对所述网络图像进行特征提取,输出多维度的第一图像特征向量。
进一步地,在设备特征识别模块400之前,还包括模型训练模块,模型训练模块,用于:
获取第二网络文本数据,其中,第二网络文本数据包括含有标签信息的基于物联网设备的网络文本数据;
提取第二网络文本数据的网络图像特征输出第二图像特征向量,并提取第二网络文本数据的第二统计特征向量;以及,将第二图像特征向量和所述第二统计特征向量进行融合拼接得到物联网设备特征向量;
将物联网设备特征向量和标签信息输入神经网络分类模型进行训练,得到预训练的神经网络分类模型。
进一步地,上述设备特征识别模块400,包括:
概率分类子单元,用于将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量;其中,概率向量中的每个值表示当前网络设备特征向量属于对应类别的概率;
概率比较子单元,用于将概率向量中的最大值和预设的置信度阈值进行比较,根据比较结果识别物联网设备。
进一步地,神经网络分类模型包括多个全连接层,上述概率分类子单元,还用于:
利用神经网络分类模型中第一数量的全连接层,提取网络设备特征向量中的关联特征;以及,
利用第二数量的全连接层对关联特征进行特征降维处理,根据特征降维结果输出类别为网络设备的概率向量。
根据本发明实施例的主动探测场景下的物联网设备识别装置,通过将HTML文本转化为图像,不仅保持了HTML文本的特征,还能利用先进的图像特征提取模型提取出更有效的特征,大幅提高了设备识别的准确度;并且利用图像特征规避了此类问题,扩大了设备识别的范围。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种主动探测场景下的物联网设备识别方法,其特征在于,包括以下步骤:
获取第一网络文本数据,其中,所述第一网络文本数据包括基于网络设备的网络文本数据;
提取所述第一网络文本数据的网络图像特征输出第一图像特征向量,并提取所述第一网络文本数据的第一统计特征向量;
将所述第一图像特征向量和所述第一统计特征向量进行融合拼接,得到网络设备特征向量;
将所述网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备。
2.根据权利要求1所述的方法,其特征在于,所述提取第一网络文本数据的网络图像特征输出图像特征向量,包括:
利用预设的网络渲染工具对所述第一网络文本数据进行渲染得到网络图像;
使用预训练的神经网络模型对所述网络图像进行特征提取,输出多维度的所述图像特征向量。
3.根据权利要求1所述的方法,其特征在于,在将所述网络设备特征向量输入预训练的神经网络分类模型得到类别为设备的概率向量之前,还包括:
获取第二网络文本数据,其中,所述第二网络文本数据包括含有标签信息的基于物联网设备的网络文本数据;
提取所述第二网络文本数据的网络图像特征输出第二图像特征向量,并提取所述第二网络文本数据的第二统计特征向量;以及,将所述第二图像特征向量和所述第二统计特征向量进行融合拼接得到物联网设备特征向量;
将所述物联网设备特征向量和所述标签信息输入神经网络分类模型进行训练,得到所述预训练的神经网络分类模型。
4.根据权利要求1所述的方法,其特征在于,所述将网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备,包括:
将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量;其中,所述概率向量中的每个值表示当前网络设备特征向量属于对应类别的概率;
将所述概率向量中的最大值和预设的置信度阈值进行比较,根据比较结果识别所述物联网设备。
5.根据权利要求4所述的方法,其特征在于,所述神经网络分类模型,包括多个全连接层,所述将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量,包括:
利用所述神经网络分类模型中第一数量的全连接层提取所述网络设备特征向量中的关联特征;以及,
利用第二数量的全连接层对所述关联特征进行特征降维,根据特征降维结果输出所述类别为网络设备的概率向量。
6.一种主动探测场景下的物联网设备识别装置,其特征在于,包括:
网络文本获取模块,用于获取第一网络文本数据,其中,所述第一网络文本数据包括基于网络设备的网络文本数据;
特征向量提取模块,用于提取所述第一网络文本数据的网络图像特征输出第一图像特征向量,并提取所述第一网络文本数据的第一统计特征向量;
特征向量融合模块,用于将所述第一图像特征向量和所述第一统计特征向量进行融合拼接,得到网络设备特征向量;
设备特征识别模块,用于将所述网络设备特征向量输入预训练的神经网络分类模型得到概率向量,以利用所述概率向量识别物联网设备。
7.根据权利要求6所述的装置,其特征在于,所述特征向量提取模块,还用于:
利用预设的网络渲染工具对所述第一网络文本数据进行渲染得到网络图像;
使用预训练的神经网络模型对所述网络图像进行特征提取,输出多维度的所述第一图像特征向量。
8.根据权利要求6所述的装置,其特征在于,在设备特征识别模块之前,还包括模型训练模块,所述模型训练模块,用于:
获取第二网络文本数据,其中,所述第二网络文本数据包括含有标签信息的基于物联网设备的网络文本数据;
提取所述第二网络文本数据的网络图像特征输出第二图像特征向量,并提取所述第二网络文本数据的第二统计特征向量;以及,将所述第二图像特征向量和所述第二统计特征向量进行融合拼接得到物联网设备特征向量;
将所述物联网设备特征向量和所述标签信息输入神经网络分类模型进行训练,得到所述预训练的神经网络分类模型。
9.根据权利要求6所述的装置,其特征在于,所述设备特征识别模块,包括:
概率分类子单元,用于将网络设备特征向量输入预训练的神经网络分类模型,输出类别为网络设备的概率向量;其中,所述概率向量中的每个值表示当前网络设备特征向量属于对应类别的概率;
概率比较子单元,用于将所述概率向量中的最大值和预设的置信度阈值进行比较,根据比较结果识别所述物联网设备。
10.根据权利要求9所述的装置,其特征在于,所述神经网络分类模型包括多个全连接层,所述概率分类子单元,还用于:
利用所述神经网络分类模型中第一数量的全连接层,提取所述网络设备特征向量中的关联特征;以及,
利用第二数量的全连接层对所述关联特征进行特征降维处理,根据特征降维结果输出所述类别为网络设备的概率向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028070.9A CN115546496A (zh) | 2022-08-25 | 2022-08-25 | 一种主动探测场景下的物联网设备识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028070.9A CN115546496A (zh) | 2022-08-25 | 2022-08-25 | 一种主动探测场景下的物联网设备识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546496A true CN115546496A (zh) | 2022-12-30 |
Family
ID=84724889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211028070.9A Pending CN115546496A (zh) | 2022-08-25 | 2022-08-25 | 一种主动探测场景下的物联网设备识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546496A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330379A (zh) * | 2020-11-25 | 2021-02-05 | 税友软件集团股份有限公司 | 一种发票内容生成方法、系统、电子设备及存储介质 |
-
2022
- 2022-08-25 CN CN202211028070.9A patent/CN115546496A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330379A (zh) * | 2020-11-25 | 2021-02-05 | 税友软件集团股份有限公司 | 一种发票内容生成方法、系统、电子设备及存储介质 |
CN112330379B (zh) * | 2020-11-25 | 2023-10-31 | 税友软件集团股份有限公司 | 一种发票内容生成方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694225B (zh) | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 | |
CN106649715B (zh) | 一种基于局部敏感哈希算法和神经网络的跨媒体检索方法 | |
Sasaki et al. | Quantum learning and universal quantum matching machine | |
CN110866140A (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
CN110826337A (zh) | 一种短文本语义训练模型获取方法及相似度匹配算法 | |
CN109284406B (zh) | 基于差异循环神经网络的意图识别方法 | |
CN105389326A (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
CN111159409A (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN115544303A (zh) | 用于确定视频的标签的方法、装置、设备及介质 | |
CN115546496A (zh) | 一种主动探测场景下的物联网设备识别方法及装置 | |
CN114925702A (zh) | 文本相似度识别方法、装置、电子设备及存储介质 | |
CN115064154A (zh) | 混合语言语音识别模型的生成方法及装置 | |
CN110298041A (zh) | 垃圾文本过滤方法、装置、电子设备及存储介质 | |
Luqman et al. | Subgraph spotting through explicit graph embedding: An application to content spotting in graphic document images | |
Lu et al. | Web multimedia object classification using cross-domain correlation knowledge | |
CN112101154B (zh) | 视频分类方法、装置、计算机设备和存储介质 | |
CN113761270A (zh) | 视频召回方法、装置、电子设备以及存储介质 | |
CN111984790A (zh) | 一种实体关系抽取方法 | |
CN113537206A (zh) | 推送数据检测方法、装置、计算机设备和存储介质 | |
CN111062199A (zh) | 一种不良信息识别方法及装置 | |
CN113987188B (zh) | 一种短文本分类方法、装置及电子设备 | |
CN115599392A (zh) | 一种代码处理的方法、装置、介质及电子设备 | |
CN113852605B (zh) | 一种基于关系推理的协议格式自动化推断方法及系统 | |
CN113032612B (zh) | 一种多目标图像检索模型的构建方法及检索方法和装置 | |
CN114298022A (zh) | 一种用于大规模复杂语义网络的子图匹配的方法 |
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 |