CN116915720B - 物联网设备流量识别方法、系统、电子设备及存储介质 - Google Patents
物联网设备流量识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116915720B CN116915720B CN202311170072.6A CN202311170072A CN116915720B CN 116915720 B CN116915720 B CN 116915720B CN 202311170072 A CN202311170072 A CN 202311170072A CN 116915720 B CN116915720 B CN 116915720B
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- flow
- training
- image sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims description 15
- 238000012549 training Methods 0.000 claims abstract description 129
- 238000005206 flow analysis Methods 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000008929 regeneration Effects 0.000 claims abstract description 17
- 238000011069 regeneration method Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 57
- 238000012512 characterization method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 29
- 208000006440 Open Bite Diseases 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 108091026890 Coding region Proteins 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 102100026278 Cysteine sulfinic acid decarboxylase Human genes 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 108010064775 protein C activator peptide Proteins 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 109
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102200153449 rs587777876 Human genes 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种物联网设备流量识别方法,方法包括:对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器;基于预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于初始微调图像样本对待微调物联网流量分析模型,得到物联网流量分析模型;基于物联网流量分析模型对初始目标图像样本进行识别。本发明在保证分类精确度的同时降低了冗余计算资源需求,有助于在标签数据信息局限的物联网场景中实现多任务作业的物联网流量解析功能。
Description
技术领域
本发明涉及物联网技术领域,更具体地,涉及一种物联网设备流量识别方法、系统、电子设备及存储介质。
背景技术
随着物联网时代的到来,连接到互联网的设备数量正在急剧增加,它们相互之间以及与互联网上的远程服务器自主通信从而实现万物互联。然而,物联网的扩散产生了一个重要问题。智能环境的运营商很难确定哪些物联网设备连接到他们的网络,并进一步确定每个设备是否正常运行。而及时获得对物联网设备的“可见性”对于运营商来说至关重要,运营商的任务是确保设备处于适当的网络环境中,从而提供必要的服务质量,并在违规时可以快速隔离。所以,物联网设备数据分析成为近年来的研究热点。
目前,国内外研究人员对物联网设备流量识别分析进行了系统而深入的研究,但现有的研究工作均存在一定的缺陷和问题:1、传统的主动探测类设备识别方案主要思想为利用设备产生的应用层响应提取标语信息,构建指纹库,形成设备响应和设备类型之间的映射。但该方法需要发送大量探测包,并对获取的响应包内容进行文本处理,从而带来较大的计算和存储开销。2、基于深度学习的的研究工作大多依赖于标注的大规模训练数据集,但面对物联网的飞速发展与新兴设备规模的膨胀扩张,该类方法会受到诸如泛化误差、虚假相关性和对抗性攻击等问题的影响,极大降低了此系统在目前现实场景中应用的可能。3、随着黑客技术的高速更新,有恶意攻击制造者开始通过加密、多态、隐身或添加良性等混淆技术来干扰和规避现有的设备识别分析方法。4、部分基于深度学习的设备识别方法具有一定的任务指向性和场景局限性,随着物联网设备层出不穷和WEB环境日趋复杂,用户面对不同功能需求时可选择的系统功能各异,结构不一,为物联网管理者的运维能力提出极大挑战。
因此,如何进一步提升物联网设备流量识别的准确性是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题,提供一种物联网设备流量识别方法、系统、电子设备及存储介质,利用VIT深度学习模型对流量进行描述,增强了对数据信息的表征能力,且特征冗余度低,从而解决如何进一步提升物联网设备流量识别的准确性的问题。
本发明的第一方面,提供了一种物联网设备流量识别方法,包括:
对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;
基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;
基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
在上述技术方案的基础上,本发明还可以作出如下改进。
优选的,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入的步骤之前,包括:
基于网络嗅探工具被动采集物联网设备产生的实时流量,得到二进制PCAP文件的原始数据集;
基于预设五元组对所述原始数据集归类分割,得到多段物联网设备流量数据,其中所述五元组包括IP源地址、IP目的地址、源端口、目的端口和协议。
优选的,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本的步骤,包括:
提取每段物联网设备流量数据中预设数量的数据包,所述数据包的特征包括包长度、包到达时间间隔和双向数据流表示;
基于所述数据包的特征构建多维序列数据,对所述多维序列数据基于再生核希尔伯特空间核嵌入后,生成三通道图像;
将所述三通道图像按预设图像分配比例分为初始预训练图像样本、初始微调图像样本和初始目标图像样本。
优选的,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器的步骤之前,包括:
将所述初始预训练图像样本按预设压缩参数进行压缩,并将压缩后的初始预训练图像样本按预设均分参数进行分割,得到多个patch图像子集,所述预设压缩参数和所述预设均分参数包括图像的高度、图像的宽度和图像的通道数;
基于随机掩码机制对每个patch图像子集进行掩盖,将掩盖后的patch图像子集进行线性辅助映射,得到嵌入序列;
对所述嵌入序列进行Position位置嵌入,得到拼接数据向量序列,所述拼接数据向量序列用于对预设自监督VIT表征模型进行训练。
优选的,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练的步骤,包括:
基于所述拼接数据向量序列Z0中未遮挡像素构建原始元素序列ZT;
将所述原始元素序列ZT输入至所述VIT编码器中进行特征信息挖掘,输出所述未遮挡像素的特征编码序列ZL;
基于所述特征编码序列ZL和所述拼接数据向量序列Z0中遮挡像素,构建掩码序列ZM,基于所述拼接数据向量序列Z0的次序组合,构建序列ZI;
将所述序列ZI进行嵌入变化后,基于所述解码器对嵌入变换后的序列ZI进行解码,得到解码向量序列ZD;
对所述解码向量序列ZD进行维度复原和被覆盖掩码的像素值预测,得到重建图像向量序列ZR;
基于损失函数lf对所述重建图像向量序列ZR进行Mask像素预测训练,得到训练后的自监督VIT表征模型;
所述特征信息挖掘输出所述未遮挡像素的特征编码序列ZL:
;
;
其中,ZT为拼接数据向量序列Z0中未遮挡像素构建的原始元素序列,Encoder(g)为VIT编码器核心块,LN(g)为线性规范变换,MLP(g)为多层感知器,为经过VIT编码器与残差变换的向量序列,ZL为经过第L层VIT编码器表征的向量序列,L为VIT编码器的个数;
所述损失函数lf为:
;
其中,表示第i个遮挡像素点,f(Zi )为解码重建预测的像素值,yi为该像素点的真实值,k为遮挡像素点的总数。
优选的,所述基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型的步骤,包括:
将所述初始微调图像样本进行数据预处理,并将数据预处理后的初始微调图像样本输入至所述预训练VIT编码器,得到向量序列F=[f1,f2,...,fn],所述数据预处理包括patch 分割处理、线性映射和位置编码;
基于所述线性分类器对所述向量序列F进行分类计算,得到分类分数数组S;
基于Softmax激活函数、交叉熵损失函数和所述分类分数数组S,对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
所述分类分数数组S为:
;
其中,W为权重矩阵,b为偏置向量,S=[s1,s2,...,sc],c为类别的数量,F为向量序列F;
所述交叉熵损失函数L为:
;
其中,表示第i个样本是否对应类别c的符号函数,/>为第i个样本,为利用Softmax激活函数计算各类别概率,N为向量序列F中样本的数量,C为样本的类别。
优选的,所述基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别的步骤,包括:
将所述初始模板图像样本输入至所述物联网流量分析模型,在流量诊断模式中对所述物联网设备流量数据中恶意良性设备流量识别,在设备分析模式中对所述物联网设备流量数据中良性流量的设备类型识别,在攻击推断模式中对所述物联网设备流量数据中恶意流量的入侵方式进行识别。
本发明的第二方面,提供一种物联网设备流量识别系统,包括:
数据构造模块,用于对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;
模型训练模块,用于基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;
模型微调模块,用于基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
目标识别模块,用于基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一物联网设备流量识别方法的步骤。
本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现上述第一方面中任一物联网设备流量识别方法的步骤。
本发明提供的一种物联网设备流量识别方法、系统、电子设备及存储介质,方法包括:对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。本发明通过利用VIT 深度学习模型对流量进行描述,增强了对数据信息的表征能力,且特征冗余度低,从而提升了模型检测效果的精确度与吞吐量;同时利用微调样本数据对模型进行微调,避免了因数据集分布不均造成的泛化误差与物联网设备不断更新带来的识别困难问题,也摒弃了标注大规模数据集将产生的巨大成本与繁琐操作,同目前工程生产系统化与复用化趋势相契合,具有实用性与通用性。
附图说明
图1为本发明提供的一种物联网设备流量识别方法流程图;
图2为本发明提供的物联网设备流量多任务识别的示意图;
图3为本发明提供的一种物联网设备流量识别系统结构示意图;
图4为本发明提供的一种可能的电子设备的硬件结构示意图;
图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种物联网设备流量识别方法流程图,如图1所示,方法包括:
步骤S100:对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;
需要说明的是,本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备,例如:电脑、平板电脑等;也可以是具有相同相似功能的服务器设备,还可以是具有相似功能的云服务器,本实施例对此不做限制。为了便于理解,本实施例及下述各实施例将以服务器设备为例进行说明。
在具体实现中,利用网络嗅探工具获取得到物联网设备流量数据集,经过重要特征抽取,再生核希尔伯特空间(RKHS)核嵌入后,生成初始预训练图像样本、初始微调图像样本与初始目标图像样本。
步骤S200:基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;
具体的,上述预设自监督VIT表征模型其结构参见图2,由图2中基于自监督VIT的预训练模块可知,本实施例中的预设自监督VIT表征模型包括Patch分割随机掩码模块、VIT编码器和解码器模块。
在具体实现中,将初始预训练图像样本输入自监督VIT表征模型中,采用随机掩码机制覆盖输入图像,利用VIT编码器挖掘图像信息,之后由解码器完成图像预测重建,结束表征模型训练。
步骤S300:基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
具体的,上述待微调物联网流量分析模型中预训练VIT编码器为上述预设自监督VIT表征模型训练完成后的VIT编码器,上述待微调物联网流量分析模型的结构参见图2,由图2中物联网流量分析模块可知,本实施例中的待微调物联网流量分析模型包括Patch分割模块、VIT编码器和线性分类器。
步骤S400:基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
在具体实现中,将初始模板图像样本输入至上述物联网流量分析模型中,再根据具体分析对象的子任务,对目标物联网设备流量进行多任务识别。
可以理解的是,基于背景技术中的缺陷,本发明实施例提出了一种物联网设备流量识别方法。方法包括:对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。本发明通过利用VIT 深度学习模型对流量进行描述,增强了对数据信息的表征能力,且特征冗余度低,从而提升了模型检测效果的精确度与吞吐量;同时利用微调样本数据对模型进行微调,避免了因数据集分布不均造成的泛化误差与物联网设备不断更新带来的识别困难问题,也摒弃了标注大规模数据集将产生的巨大成本与繁琐操作,同目前工程生产系统化与复用化趋势相契合,具有实用性与通用性。
在一种可能的实施例方式中,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入的步骤之前,包括:
步骤S001:基于网络嗅探工具被动采集物联网设备产生的实时流量,得到二进制PCAP文件的原始数据集;
在具体实现中,通过在物联网网关或路由器等中继设备上接入网络嗅探工具,使用 Tcpdump 等工具被动收集物联网中连接设备产生的实时流量,之后处理得到二进制PCAP 文件原始数据集。
步骤S002:基于预设五元组对所述原始数据集归类分割,得到多段物联网设备流量数据,其中所述五元组包括IP源地址、IP目的地址、源端口、目的端口和协议。
具体的,将所得到的PCAP文件根据相同或可换的五元组{IP源地址,IP目的地址,源端口,目的端口,协议}归类为不同对话流集合(其中IP源地址和IP目的地址,源端口和目的端口可以调换),将每个对话流按照时序以不同五元组标准分割为不同流数据段。
可以理解的是,上述对话流为上述物联网网关或路由器检测到物联网设备发送数据到接收到数据为一个对话流,上述IP源地址和IP目的地址调换,也即是物联网设备作为数据主动发送方调换为数据被动发送方所对应的对话流,上述源端口和目的端口调换,也即是物联网设备作为数据主动发送方时使用的端口调换为物联网设备作为数据被动发送方使用的端口所对应的对话流。
本实施例中,通过被动采集物联网设备的实时流量,从而大大降低了数据采集对物联网设备运行性能的影响,同时通过预设五元组对原始数据集进行归类分割,从而大大了提升了训练数据集的多样性,提升了模型的健壮性。
在一种可能的实施例方式中,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本的步骤,包括:
步骤S101:提取每段物联网设备流量数据中预设数量的数据包,所述数据包的特征包括包长度、包到达时间间隔和双向数据流表示;
可以理解的是,上述预设数量可以是根据实际需求设定的,在本实施例的实验阶段测试的设定为10时,本次训练效果最优。
具体的,将提取每段数据前10个数据包的包长度大小[s1,s2,...,s10]、包到达时间间隔[△t1,△t2,...,△t9]和双向数据流[d1,d2,...,d10]表示三项特征。
步骤S102:基于所述数据包的特征构建多维序列数据,对所述多维序列数据基于再生核希尔伯特空间核嵌入后,生成三通道图像;
具体的,将上述三项特征组合为29维的序列数据,通过再生核希尔伯特空间核嵌入后,生成3通道的图像。
步骤S103:将所述三通道图像按预设图像分配比例分为初始预训练图像样本、初始微调图像样本和初始目标图像样本。
可以理解的是,上述预设图像分配比例可以是根据实际需求进行设定,本实施例中可以将其设定为7:2:1,也即是初始预训练图像样本、初始微调图像样本和初始目标图像样本为7:2:1。
具体的,将生成的图像以7:2:1的比例分为初始预训练图像样本、初始微调图像样本和初始目标图像样本,其中对微调和目标图像样本中的数据加入标签,预训练样本不作处理。
本实施例中,将物联网设备流量的表征学习目标形式设定为图像数据,使得其可以快速生成,且抽取习得的特征信息为流序列的总体性广域信息,对常见的混淆技术或对抗性攻击有一定抵抗性,从而实现模型的鲁棒识别检测,具有健壮性。
在一种可能的实施例方式中,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器的步骤之前,包括:
步骤S003:将所述初始预训练图像样本按预设压缩参数进行压缩,并将压缩后的初始预训练图像样本按预设均分参数进行分割,得到多个patch图像子集,所述预设压缩参数和所述预设均分参数包括图像的高度、图像的宽度和图像的通道数;
具体的,将初始预训练图像样本压缩为/>, H 代表图像的高度, W 代表图像的宽度, C 代表图像的通道数,将处理后得到的/>均匀分割为多个patch图像子集/>,p可根据实际需求设置为8或16,本实施例中取16为例,每张图像样本的 patch 子集元素数 N 为/>= 196。
步骤S004:基于随机掩码机制对每个patch图像子集进行掩盖,将掩盖后的patch图像子集进行线性辅助映射,得到嵌入序列;
具体的,采用随机掩码机制覆盖图像子集中每个patch的一定比例像素,每个patch的像素掩盖百分比为75%。
步骤S005:对所述嵌入序列进行Position位置嵌入,得到拼接数据向量序列,所述拼接数据向量序列用于对预设自监督VIT表征模型进行训练。
具体的,将随机覆盖后的 patch 子集进行线性铺展映射,得到嵌入序列,将线性映射后的数据进行Position嵌入,为每个 patch 赋予位置编号以便于模型学习其时序信息,编号为从1开始的连续正整数序列,得到拼接数据向量序列/>。
在一种可能的实施例方式中,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练的步骤,包括:
步骤S201:基于所述拼接数据向量序列Z0中未遮挡像素构建原始元素序列ZT;
步骤S202:将所述原始元素序列ZT输入至所述VIT编码器中进行特征信息挖掘,输出所述未遮挡像素的特征编码序列ZL;
具体的,将输入第一层 VIT 编码器中进行特征信息挖掘:,/>,其中/>为编码器核心块,/>为线性规范变换,/>为多层感知器,/>为经过编码器与残差变换的向量序列,/>为经过第一层 VIT 编码器表征的向量序列,将/>输入第二层 VIT 编码器中,重复 S26 步骤 L 次,L 为剩余 VIT 编码器个数,最终输出未遮挡像素的特征编码序列/>。
进一步的,所述特征信息挖掘输出所述未遮挡像素的特征编码序列ZL:
;
;
其中,ZT为拼接数据向量序列Z0中未遮挡像素构建的原始元素序列,Encoder(g)为VIT编码器核心块,LN(g)为线性规范变换,MLP(g)为多层感知器,为经过VIT编码器与残差变换的向量序列,ZL为经过第L层VIT编码器表征的向量序列,L为VIT编码器的个数,L通常可以设定为2~5。
步骤S203:基于所述特征编码序列ZL和所述拼接数据向量序列Z0中遮挡像素,构建掩码序列ZM,基于所述拼接数据向量序列Z0的次序组合,构建序列ZI;
具体的,将与/>中遮挡像素构成的掩码序列ZM按照原先在/>形态时对应的次序组合构成序列ZI。
步骤S204:将所述序列ZI进行嵌入变化后,基于所述解码器对嵌入变换后的序列ZI进行解码,得到解码向量序列ZD;
具体的,将ZI进行嵌入变换为后输入 K 层解码器以方便解码器进行高效计算(其中K通常可以设定为2或3层),每层的解码器除嵌入维度为384外,其余与 VIT编码器结构相同,处理后得到解码向量序列/>。
步骤S205:对所述解码向量序列进行维度复原和被覆盖掩码的像素值预测,得到重建图像向量序列ZR;
具体的,将ZD输入线性投影层进行维度复原,并预测被覆盖掩码的像素值,得到重建图像向量序列。
步骤S206:基于损失函数lf对所述重建图像向量序列ZR进行Mask像素预测训练,得到训练后的自监督VIT表征模型;
所述损失函数lf为:
;
其中,表示第i个遮挡像素点,f(Zi )为解码重建预测的像素值,yi为该像素点的真实值,k为遮挡像素点的总数。
本实施例中,通过编码器和解码器对预训练图像样本进行计算,完成自监督VIT表征模型进行训练,其中将自监督VIT表征模型中的解码器限定在对图像恢复重建过程中使用,与编码器相互独立,从而可以实现轻便简化设计从而提升预训练速度和效率,顺应生产制造低耦合高内聚的时代需要。
在一种可能的实施例方式中,所述基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型的步骤,包括:
步骤S301:将所述初始微调图像样本进行数据预处理,并将数据预处理后的初始微调图像样本输入至所述预训练VIT编码器,得到向量序列F=[f1,f2,...,fn],所述数据预处理包括patch 分割处理、线性映射和位置编码;
步骤S302:基于所述线性分类器对所述向量序列F进行分类计算,得到分类分数数组S;
具体的,将 VIT 编码器处理后的向量序列F输入线性层计算对应分类的分数。
其中,分类分数数组S为:
;
其中,W为权重矩阵,b为偏置向量,S=[s1,s2,...,sc],c为类别的数量,F为向量序列F。
步骤S303:基于Softmax激活函数、交叉熵损失函数和所述分类分数数组S,对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
其中,交叉熵损失函数L为:
;
其中,表示第i个样本是否对应类别c的符号函数,/>为第i个样本,为利用Softmax激活函数计算各类别概率,N为向量序列F中样本的数量,C为样本的类别。
本实施例中,通过预训练-微调的模式,将一个模型在面对不同任务场景中进行适应性泛化,减少冗余模型的运用,与工业界精简整合潮流相吻合。
在一种可能的实施例方式中,所述基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别的步骤,包括:
步骤S401:将所述初始模板图像样本输入至所述物联网流量分析模型,在流量诊断模式中对所述物联网设备流量数据中恶意良性设备流量识别,在设备分析模式中对所述物联网设备流量数据中良性流量的设备类型识别,在攻击推断模式中对所述物联网设备流量数据中恶意流量的入侵方式进行识别。
具体的,将初始目标图像样本输入微调模型后选择流量诊断子任务模式,实现恶意良性设备流量分类功能;将初始目标图像样本输入微调模型后选择设备分析子任务模式,实现良性流量的设备类型多分类功能;将初始目标图像样本输入微调模型后选择攻击推断子任务模式,实现恶意流量的入侵方式多分类功能。
本实施例中,通过糅合多任务学习的机器学习方法,挖掘不同任务间的相关性,提炼其间的共享信息,实现多任务联合训练,在保证高精度的同时,极大降低了额外资源需求度和空间占用率,提高处理分析速度,符合工业生产高标准高效率的愿景要求。
请参阅图3,图3为本发明实施例提供的一种物联网设备流量识别系统结构图示意图,如图3所示,一种物联网设备流量识别系统,包括数据构造模块100、模型训练模块200、模型微调模块300和目标识别模块400,其中:
数据构造模块100,用于对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;模型训练模块200,用于基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;模型微调模块300,用于基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;目标识别模块400,用于基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
可以理解的是,本发明提供的一种物联网设备流量识别系统与前述各实施例提供的物联网设备流量识别方法相对应,物联网设备流量识别系统的相关技术特征可参考物联网设备流量识别方法的相关技术特征,在此不再赘述。
请参阅图4,图4为本发明实施例提供的电子设备的实施例示意图。如图4所示,本发明实施例提供了一种电子设备,包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:
对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
请参阅图5,图5为本发明提供的一种计算机可读存储介质的实施例示意图。如图5所示,本实施例提供了一种计算机可读存储介质1400,其上存储有计算机程序1411,该计算机程序1411被处理器执行时实现如下步骤:
对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
本发明实施例提供的一种物联网设备流量识别方法、系统及存储介质,方法包括:对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。本发明通过利用VIT 深度学习模型对流量进行描述,增强了对数据信息的表征能力,且特征冗余度低,从而提升了模型检测效果的精确度与吞吐量;同时利用微调样本数据对模型进行微调,避免了因数据集分布不均造成的泛化误差与物联网设备不断更新带来的识别困难问题,也摒弃了标注大规模数据集将产生的巨大成本与繁琐操作,同目前工程生产系统化与复用化趋势相契合,具有实用性与通用性。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种物联网设备流量识别方法,其特征在于,所述方法包括:
对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;
基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;
基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
2.根据权利要求1所述的物联网设备流量识别方法,其特征在于,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入的步骤之前,包括:
基于网络嗅探工具被动采集物联网设备产生的实时流量,得到二进制PCAP文件的原始数据集;
基于预设五元组对所述原始数据集归类分割,得到多段物联网设备流量数据,其中所述五元组包括IP源地址、IP目的地址、源端口、目的端口和协议。
3.根据权利要求2所述的物联网设备流量识别方法,其特征在于,所述对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本的步骤,包括:
提取每段物联网设备流量数据中预设数量的数据包,所述数据包的特征包括包长度、包到达时间间隔和双向数据流表示;
基于所述数据包的特征构建多维序列数据,对所述多维序列数据基于再生核希尔伯特空间核嵌入后,生成三通道图像;
将所述三通道图像按预设图像分配比例分为初始预训练图像样本、初始微调图像样本和初始目标图像样本。
4.根据权利要求1所述的物联网设备流量识别方法,其特征在于,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器的步骤之前,包括:
将所述初始预训练图像样本按预设压缩参数进行压缩,并将压缩后的初始预训练图像样本按预设均分参数进行分割,得到多个patch图像子集,所述预设压缩参数和所述预设均分参数包括图像的高度、图像的宽度和图像的通道数;
基于随机掩码机制对每个patch图像子集进行掩盖,将掩盖后的patch图像子集进行线性辅助映射,得到嵌入序列;
对所述嵌入序列进行Position位置嵌入,得到拼接数据向量序列,所述拼接数据向量序列用于对预设自监督VIT表征模型进行训练。
5.根据权利要求4所述的物联网设备流量识别方法,其特征在于,所述基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练的步骤,包括:
基于所述拼接数据向量序列Z 0中未遮挡像素构建原始元素序列Z T;
将所述原始元素序列Z T输入至所述VIT编码器中进行特征信息挖掘,输出所述未遮挡像素的特征编码序列Z L;
基于所述特征编码序列Z L和所述拼接数据向量序列Z 0中遮挡像素,构建掩码序列Z M,基于所述拼接数据向量序列Z 0的次序组合,构建序列Z I;
将所述序列Z I进行嵌入变化后,基于所述解码器对嵌入变换后的序列Z I进行解码,得到解码向量序列Z D;
对所述解码向量序列Z D进行维度复原和被覆盖掩码的像素值预测,得到重建图像向量序列Z R;
基于损失函数lf对所述重建图像向量序列Z R进行Mask像素预测训练,得到训练后的自监督VIT表征模型;
所述特征信息挖掘输出所述未遮挡像素的特征编码序列Z L:
;
;
其中,Z T为拼接数据向量序列Z 0中未遮挡像素构建的原始元素序列,Encoder(g)为VIT编码器核心块,LN(g)为线性规范变换,MLP(g)为多层感知器,为经过VIT编码器与残差变换的向量序列,Z L为经过第L层VIT编码器表征的向量序列,L为VIT编码器的个数;
所述损失函数lf为:
;
其中,Z i表示第i个遮挡像素点,f(Z i )为解码重建预测的像素值,y i为该像素点的真实值,k为遮挡像素点的总数。
6.根据权利要求1所述的物联网设备流量识别方法,其特征在于,所述基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型的步骤,包括:
将所述初始微调图像样本进行数据预处理,并将数据预处理后的初始微调图像样本输入至所述预训练VIT编码器,得到向量序列F=[f 1,f 2,...,f n],所述数据预处理包括patch分割处理、线性映射和位置编码;
基于所述线性分类器对所述向量序列F进行分类计算,得到分类分数数组S;
基于Softmax激活函数、交叉熵损失函数和所述分类分数数组S,对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
所述分类分数数组S为:
;
其中,W为权重矩阵,b为偏置向量,S=[s 1,s 2,...,s c],c为类别的数量,F为向量序列F;
所述交叉熵损失函数L为:
;
其中,表示第i个样本是否对应类别c的符号函数,/>为第i个样本,/>为利用Softmax激活函数计算各类别概率,N为向量序列F中样本的数量,C为样本的类别。
7.根据权利要求1所述的物联网设备流量识别方法,其特征在于,所述基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别的步骤,包括:
将所述初始目标图像样本输入至所述物联网流量分析模型,在流量诊断模式中对所述物联网设备流量数据中恶意良性设备流量识别,在设备分析模式中对所述物联网设备流量数据中良性流量的设备类型识别,在攻击推断模式中对所述物联网设备流量数据中恶意流量的入侵方式进行识别。
8.一种物联网设备流量识别系统,其特征在于,包括:
数据构造模块,用于对获取到的物联网设备流量数据进行特征抽取和再生核希尔伯特空间核嵌入,生成初始预训练图像样本、初始微调图像样本和初始目标图像样本;
模型训练模块,用于基于所述初始预训练图像样本对预设自监督VIT表征模型进行训练,得到预训练VIT编码器,所述预设自监督VIT表征模型包括VIT编码器和解码器;
模型微调模块,用于基于所述预训练VIT编码器和线性分类器构建待微调物联网流量分析模型,基于所述初始微调图像样本对所述待微调物联网流量分析模型进行训练,得到物联网流量分析模型;
目标识别模块,用于基于所述物联网流量分析模型对所述初始目标图像样本进行识别,基于识别结果完成所述物联网设备流量数据的识别。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的物联网设备流量识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的物联网设备流量识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170072.6A CN116915720B (zh) | 2023-09-12 | 2023-09-12 | 物联网设备流量识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170072.6A CN116915720B (zh) | 2023-09-12 | 2023-09-12 | 物联网设备流量识别方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116915720A CN116915720A (zh) | 2023-10-20 |
CN116915720B true CN116915720B (zh) | 2023-12-01 |
Family
ID=88360622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311170072.6A Active CN116915720B (zh) | 2023-09-12 | 2023-09-12 | 物联网设备流量识别方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116915720B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119819A (zh) * | 2015-07-22 | 2015-12-02 | 武汉烽火凯卓科技有限公司 | 一种物联网数据传输路径恢复方法及系统 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN111404942A (zh) * | 2020-03-18 | 2020-07-10 | 广东技术师范大学 | 一种基于深度学习的垂直类恶意爬虫流量识别方法 |
CN111526101A (zh) * | 2020-04-16 | 2020-08-11 | 华北电力大学 | 一种基于机器学习的物联网动态流量分类方法 |
CN112235264A (zh) * | 2020-09-28 | 2021-01-15 | 国家计算机网络与信息安全管理中心 | 一种基于深度迁移学习的网络流量识别方法及装置 |
CN113313156A (zh) * | 2021-05-21 | 2021-08-27 | 北京工业大学 | 一种基于时序负载流量指纹的物联网设备识别方法及系统 |
CN114844840A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨工业大学 | 一种基于计算似然比的分布外网络流量数据检测方法 |
CN115296857A (zh) * | 2022-07-12 | 2022-11-04 | 四川大学 | 基于拓扑结构和DeepLearning-AIS的网络威胁感知及免疫方法 |
CN116051883A (zh) * | 2022-12-09 | 2023-05-02 | 哈尔滨理工大学 | 一种基于CNN-Transformer混合架构的网络流量分类方法 |
CN116304804A (zh) * | 2023-02-20 | 2023-06-23 | 中国电子科技集团公司第三十研究所 | 一种网络异常流量检测方法及装置 |
CN116346436A (zh) * | 2023-03-07 | 2023-06-27 | 沈阳理工大学 | 一种基于ViT改进的轻量化恶意流量识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005081178A1 (en) * | 2004-02-17 | 2005-09-01 | Yeda Research & Development Co., Ltd. | Method and apparatus for matching portions of input images |
US20230062151A1 (en) * | 2021-08-10 | 2023-03-02 | Kwai Inc. | Transferable vision transformer for unsupervised domain adaptation |
-
2023
- 2023-09-12 CN CN202311170072.6A patent/CN116915720B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119819A (zh) * | 2015-07-22 | 2015-12-02 | 武汉烽火凯卓科技有限公司 | 一种物联网数据传输路径恢复方法及系统 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN111404942A (zh) * | 2020-03-18 | 2020-07-10 | 广东技术师范大学 | 一种基于深度学习的垂直类恶意爬虫流量识别方法 |
CN111526101A (zh) * | 2020-04-16 | 2020-08-11 | 华北电力大学 | 一种基于机器学习的物联网动态流量分类方法 |
CN112235264A (zh) * | 2020-09-28 | 2021-01-15 | 国家计算机网络与信息安全管理中心 | 一种基于深度迁移学习的网络流量识别方法及装置 |
CN113313156A (zh) * | 2021-05-21 | 2021-08-27 | 北京工业大学 | 一种基于时序负载流量指纹的物联网设备识别方法及系统 |
CN114844840A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨工业大学 | 一种基于计算似然比的分布外网络流量数据检测方法 |
CN115296857A (zh) * | 2022-07-12 | 2022-11-04 | 四川大学 | 基于拓扑结构和DeepLearning-AIS的网络威胁感知及免疫方法 |
CN116051883A (zh) * | 2022-12-09 | 2023-05-02 | 哈尔滨理工大学 | 一种基于CNN-Transformer混合架构的网络流量分类方法 |
CN116304804A (zh) * | 2023-02-20 | 2023-06-23 | 中国电子科技集团公司第三十研究所 | 一种网络异常流量检测方法及装置 |
CN116346436A (zh) * | 2023-03-07 | 2023-06-27 | 沈阳理工大学 | 一种基于ViT改进的轻量化恶意流量识别方法 |
Non-Patent Citations (1)
Title |
---|
一种鲁棒网络流量分类及新类型发现算法;仇景明;曲桦;赵季红;;北京邮电大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116915720A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | App-net: A hybrid neural network for encrypted mobile traffic classification | |
CN112804123B (zh) | 一种用于调度数据网的网络协议识别方法及系统 | |
US9491186B2 (en) | Method and apparatus for providing hierarchical pattern recognition of communication network data | |
CN112822189A (zh) | 一种流量识别方法及装置 | |
CN111191767A (zh) | 一种基于向量化的恶意流量攻击类型的判断方法 | |
CN111431819A (zh) | 一种基于序列化的协议流特征的网络流量分类方法和装置 | |
CN115037805B (zh) | 一种基于深度聚类的未知网络协议识别方法、系统、装置及存储介质 | |
CN113037783B (zh) | 一种异常行为检测方法及系统 | |
CN115913643A (zh) | 一种基于对抗自编码器的网络入侵检测方法、系统及介质 | |
CN116662817A (zh) | 物联网设备的资产识别方法及系统 | |
CN115361195A (zh) | 一种基于时空代价成本的大规模物联网流量多分类方法 | |
CN114358216A (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114301850A (zh) | 一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法 | |
CN116915720B (zh) | 物联网设备流量识别方法、系统、电子设备及存储介质 | |
CN114338437B (zh) | 网络流量分类方法、装置、电子设备及存储介质 | |
CN110071845B (zh) | 一种对未知应用进行分类的方法及装置 | |
CN115622810A (zh) | 一种基于机器学习算法的业务应用识别系统及方法 | |
CN113542271B (zh) | 基于生成对抗网络gan的网络背景流量生成方法 | |
CN116980356A (zh) | 一种网络流量识别方法、装置、电子设备及存储介质 | |
Greis et al. | Automated identification of vulnerable devices in networks using traffic data and deep learning | |
CN111586052B (zh) | 一种基于多层级的群智合约异常交易识别方法及识别系统 | |
WO2020136704A1 (en) | Information processing apparatus, method, and program | |
CN116233011B (zh) | 一种基于包长度序列和消息长度序列深度融合的物联网流量分类方法及系统 | |
CN113946758B (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
CN117668850A (zh) | 一种基于多任务学习的智能合约漏洞检测及定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |