CN117675755B - 智能网联设备管理方法与装置 - Google Patents
智能网联设备管理方法与装置 Download PDFInfo
- Publication number
- CN117675755B CN117675755B CN202410134181.0A CN202410134181A CN117675755B CN 117675755 B CN117675755 B CN 117675755B CN 202410134181 A CN202410134181 A CN 202410134181A CN 117675755 B CN117675755 B CN 117675755B
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- dimension
- information
- 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.)
- Active
Links
- 230000006855 networking Effects 0.000 title claims abstract description 27
- 238000007726 management method Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000006467 substitution reaction Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000265 homogenisation Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Abstract
本申请公开了一种智能网联设备管理方法与装置,属于计算机技术领域。该方法包括获取设备信息;根据各特征维度对应的第一特征数据,对该设备信息进行安全完整性检测;在该安全完整性检测通过的情况下,为该设备信息生成设备标识,根据该设备标识和该设备信息生成设备指纹,该设备指纹为设备标示性特征集的唯一映射,该设备标示性特征集为根据该设备信息确定的且特征标示度满足要求的特征集,该特征标示度用于量化特征自身的信息表达能力、该特征与其他特征的关联程度、该特征与其他特征的信息重合度;以该设备指纹为key,该设备信息为value,生成设备基础信息记录;将该设备基础信息记录存储在设备记录表中。本申请提升设备指纹质量。
Description
技术领域
本申请涉及计算机技术领域,特别涉及智能网联设备管理方法与装置。
背景技术
智能网联多网融合环境下,需从设备可信接入、资源安全访问、数据可靠传输和安全态势感知等方面,对可信网络环境中的用户、设备、网络和应用进行身份、完整性、权限等多维度、全生命周期的动态评估与管理,以零信任的思想创建可信的资源访问和数据传输环境。设备管理是智能网联合多网融合环境以及生态框架的建设的重要部分,目前涉及设备管理的技术方案普遍存在设备指纹质量低以及设备管理目标混乱的技术问题。
发明内容
本申请实施例提供了一种智能网联设备管理方法与装置,以解决前述至少一个技术问题。
一方面,本申请提供了一种智能网联设备管理方法,所述方法包括:
在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到;
根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求;
在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度;
以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录;
将所述设备基础信息记录存储在设备记录表中。
在一个实施例中,所述设备标示性特征集包括每一所述特征维度对应的第二特征数据,所述第二特征数据为对对应的第一特征数据进行基于特征标示度的信息置空处理后所得到的特征数据,所述方法还包括:
在所述多个特征维度中,确定多个目标特征维度,每一所述目标特征维度对应一种设备管理策略;
针对每一所述目标特征维度,执行下述操作:
遍历所述设备记录表中每一条设备基础信息记录,确定目标设备,所述目标设备所对应的设备指纹具备下述要求:所述设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据,并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值;
在存在所述目标设备的情况下,对所述目标设备执行对应的设备管理策略。
在一个实施例中,所述获取设备信息,包括:
确定所述多个特征维度,所述多个特征维度包括:设备性能维度、设备可靠性维度、设备维修性维度、设备安全性维度、设备硬件资源维度;
针对每一特征维度执行下述操作:
获取所述特征维度下的采集项;
采集每一所述采集项对应的信息,对采集结果进行量化、离散化和均一化处理,得到所述采集项对应的特征参数,所述特征维度下的各特征参数组成所述特征维度对应的第一特征数据。
在一个实施例中,所述方法还包括:将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集;
所述将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集,包括:
按照标号递增顺序为每一特征维度设定对应的标号,按照标号递增顺序拼接各个特征维度对应的第一特征数据,得到第一特征序列;
对各所述特征维度进行多次乱序处理,拼接乱序处理后的特征维度对应的第一特征数据,得到多个第二特征序列,每个所述第二特征序列中对应的特征维度的标号所形成的标号序列是唯一的;
确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度;
将各所述第二特征序列中具备相同标号的特征维度对应的单次特征标示度进行均一化处理,得到所述特征维度对应的特征标示度;
将所述第一特征序列中特征标示度不满足预设特征标示度要求的特征维度所对应的第一特征数据置空,得到所述设备标示性特征集。
在一个实施例中,所述确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度,包括:
对每一所述第二特征序列的每一特征维度执行下述操作:
将所述第二特征序列中所述特征维度下对应的第一特征数据置空,得到第三特征序列;
将所述第三特征序列输入特征标示度预测模型,得到所述特征维度对应的单次特征标示度。
在一个实施例中,所述特征标示度预测模型通过下述方法训练得到:
获取样本原始序列;
对所述样本原始序列中某个特征维度对应的特征置空,得到样本特征序列;
将所述样本特征序列输入神经网络,得到置空的操作对应的特征维度对应的特征标示度预测值;
将所述样本特征序列输入特征预测模型,所述特征预测模型用于根据所述样本特征序列中的未置空特征预测置空特征,得到置空特征预测值;
在所述样本原始序列中确定出所述置空特征所对应的置空前的原始特征,根据所述原始特征和所述置空特征预测值之间的差异,确定第一替代值;
对所述样本原始序列中各特征进行融合操作,得到第一融合特征;
对所述样本特征序列中各特征进行融合操作,得到第二融合特征;
根据所述第一融合特征和所述第二融合特征的特征距离,确定第二替代值;
根据所述第一替代值和所述第二替代值,确定特征标示度替代值;
根据所述特征标示度替代值和所述特征标示度预测值之间的差异,调整所述神经网络的参数,得到所述特征标示度预测模型。
另一个方面,本申请还提供一种智能网联设备管理装置,所述智能网联设备装置包括:
设备信息获取模块,用于在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到;
设备检测模块,用于根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求;
设备管理模块,用于在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度;以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录;将所述设备基础信息记录存储在设备记录表中。
另一个方面,本申请还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如前述内容所提及的智能网联设备管理方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的智能网联设备管理方法的流程示意图;
图2是本申请一个实施例提供的智能网联设备管理方法中设备标示性特征集的确定方法的流程示意图;
图3是本申请一个实施例提供的智能网联设备管理方法中特征标示度预测模型训练方法的流程示意图;
图4是本申请一个实施例提供的智能网联设备管理装置的结构框图。
具体实施方式
在介绍本申请提供的方法实施例之前,先对本申请方法实施例中可能涉及的相关术语或者名词进行简要介绍,以便于本申请领域技术人员理解。
请看图1,其示出智能网联设备管理方法的流程示意图,所述方法包括:
S101.在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到。
本申请实施例中设备接入请求是用于请求将设备入网,接受统一管理的一种请求,该请求可以向设备管理服务器发出。一旦入网,该设备即可接收设备管理服务器的管理。设备管理服务器在接受到设备接入请求后,可以获取该设备的设备信息。所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到。
具体地,该设备信息可以由设备自身进行采集或者由相关的设备管理人员进行采集,然后将其传输至设备管理服务器。
为了获取设备较为完备的画像内容,本申请实施例并不对设备信息具体包括哪些维度进行限定,可以参考现有技术,尽量囊括全面的各个特征维度。在一个实施方式中,可以确定所述多个特征维度,所述多个特征维度包括:设备性能维度、设备可靠性维度、设备维修性维度、设备安全性维度、设备硬件资源维度。针对每一特征维度执行下述操作:获取所述特征维度下的采集项。采集每一所述采集项对应的信息,对采集结果进行量化、离散化和均一化处理,得到所述采集项对应的特征参数,所述特征维度下的各特征参数组成所述特征维度对应的第一特征数据。本申请实施例中使用的离散化和均一化处理的具体实现方式可以参考现有技术,对此不做赘述。各个特征维度的含义也都是现有的,不做特别说明,为本领域技术人员的公知。本申请中的均一化可以被理解为均一化映射,就是将数据正向映射为一个0到1之间的数,数越大,映射后的数也越大。
关于每个特征维度下的采集项,本申请实施例也不做赘述,只要该采集项可以反映对应特征维度下的信息,并且可以被量化即可,具体的采集项的设置应当参考实际情况,其设置结果和设置过程不构成本申请实施方式的限定。也就是特征维度是哪些,采集项是哪些的设置环节不构成本申请实施例实施障碍。
本申请实施例指出量化的目的在于可以以数值形态存储,以数值形态刻画设备画像,并且可以通过数值大小比较的方式基于数值运算进行管理,量化的方式不做限定,只需要满足数值运算的需求即可,量化的结果应当正向反映对对应的特征维度的管理要求或者正向反映对应的特征维度中的信息内容。举个例子,对于设备安全性维度来说,相关的第一特征数据的数值越大越丰富,应当反映的是安全性要求越高,或者说是反映的是安全性指标越高,那么应当在安全性方面给与更多关注。量化的具体执行方式不构成本申请实施障碍,对此无需赘述。
S102.根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求。
设备管理服务器中可以被设置完整度检查项和安全度检查项,完整度检查项包括若干特征维度,这些特征维度中必须要有对应的第一特征数据,才能被认为完整度检查合格,如果这些特征维度中存在空置,则完整度检查失败。安全度检查项包括设备安全性维度中的若干采集项,这些采集项中必须要有对应的特征参数,才能被认为安全度检查合格,如果这些特征参数中存在空置,则安全度检查失败。只有安全度检查和完整度检查同时通过,才认为安全完整性检测通过。
S103.在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度。
为所述设备信息生成设备标识的方法可以参考现有技术,只需要保证唯一性即可。本申请实施例强调的是,所述设备信息中可能会存在冗余度较高的特征,也可能存在关联度较高的特征,关联度高也会导致冗余度高,设备信息的纯粹度不够会影响设备指纹质量,本申请实施例提出了特征标示度的指标,特征标示度是一个综合的量化指标,这个指标同时量化的是特征自身信息表达力、特征与相邻其他特征的关联度以及特征与相邻其他特征的信息重合度,特征自身信息表达力越低,特征标示度越低,上述关联度越高,特征标示度越低,信息重合度越高,特征标示度越低。本申请实施例下文提出了具体特征标示度计算方法,在此不做说明。
通过计算设备信息中每个特征维度对应的特征标示度,挑选特征标示度满足预设标示度限定要求的特征维度所对应的第一特征数据,构成设备标示性特征集。根据设备标示性特征集和设备标识生成设备指纹。具体的设备指纹生成算法就是将输入的信息映射到设备指纹的算法,这种映射方法可以参考现有技术,对此不做赘述。设备标示性特征集的非空数据才是生成设备指纹所需的有效信息,生成设备指纹的时候不考虑空数据只使用设备标示性特征集的非空数据,设备标示性特征集的非空数据的数据量小于设备信息的非空数据的数据量,从而可以减少设备指纹的数据量,而且在进行存储的时候,数据库的内置压缩算法的作用下,设备指纹可以占用更小的存储空间。
请参考图2,其示出本申请一实施例提供的智能网联设备管理方法中设备标示性特征集的确定方法,将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集。所述将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集,包括:
S201.按照标号递增顺序为每一特征维度设定对应的标号,按照标号递增顺序拼接各个特征维度对应的第一特征数据,得到第一特征序列。
举个例子,特征维度1、特征维度2、特征维度3、特征维度4、特征维度5,其中1、2、3、4、5就是标号,用来唯一区别特征维度的不同,按照标号递增,可以得到唯一的特征维度排序,每个特征维度中都对应第一特征数据,所以,这个排序的结果就得到了第一特征序列。
S202.对各所述特征维度进行多次乱序处理,拼接乱序处理后的特征维度对应的第一特征数据,得到多个第二特征序列,每个所述第二特征序列中对应的特征维度的标号所形成的标号序列是唯一的。
比如,特征维度2、特征维度1、特征维度3、特征维度4、特征维度5,和,特征维度3、特征维度2、特征维度1、特征维度4、特征维度5,就是不同的两个特征维度的顺序,相应的,得到两个特征序列,即两个第二特征序列,本申请实施例中并不限定第二特征序列的数量,第二特征序列的数量较多的情况下,特征标示度也更为准确。
S203.确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度。将各所述第二特征序列中具备相同标号的特征维度对应的单次特征标示度进行均一化处理,得到所述特征维度对应的特征标示度。
比如说,对于特征维度2、特征维度1、特征维度3、特征维度4、特征维度5所形成的第二特征序列,可以计算特征维度2对应的单次特征标示度。对于特征维度3、特征维度2、特征维度1、特征维度4、特征维度5所形成的第二特征序列,也可以计算特征维度2对应的单次特征标示度。假如只有这两个第二特征序列,把这两个特征维度2对应的单次特征标示度进行均一化处理,就得到了特征维度2的特征标示度,显然,某个特征维度对应的特征标示度是根据多个单次特征标示度所得到的综合结果,或者说是综合特征标示度。
本申请实施例通过生成多个乱序的第二特征序列,目的在于使得某个特征维度可以与多种特征维度可以在多个第二特征序列中形成临时的相邻关系,从而自动在对多个第二特征序列进行该特征维度对应的单次特征标示度计算的时候将这种相邻关系和相邻产生的冗余纳入考量,所以使得最终计算得到的综合特征标示度体现出对各种可能的特征相邻情况下的关联程度的考量和信息重合度的考虑,使得综合特征标示度可以量化所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度。而为了得到综合特征标示度,在计算每一个单次特征标示度的时候,相当于都考虑了特征自身的信息表达能力,从而使得最终得到的综合特征标示度可以综合量化特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度。
所述确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度,包括:对每一所述第二特征序列的每一特征维度执行下述操作:将所述第二特征序列中所述特征维度下对应的第一特征数据置空,得到第三特征序列。将所述第三特征序列输入特征标示度预测模型,得到所述特征维度对应的单次特征标示度。
本申请实施例中特征标示度预测模型就是用来对于某个特征序列中被置空的位置在原特征序列中对应的特征维度的特征标示度进行预测的模型,比如,第二特征序列为**&&******,将其中“&&”置空,则得到第三特征序列“**空空******”,将该第三特征序列输入特征标示度预测模型,即可预测出“空空”所在使得位置,即“&&”对应的特征维度的特征标示度。
请参考图3,其示出本申请一实施例提供的智能网联设备管理方法中特征标示度预测模型训练方法的流程示意图。所述特征标示度预测模型通过下述方法训练得到:
S301.获取样本原始序列。对所述样本原始序列中某个特征维度对应的特征置空,得到样本特征序列。
样本原始序列的获取方式与第一特征序列或者第二特征序列一致,对此不做赘述。样本特征序列的获取方式与第三特征序列一致,对此不做赘述。
S302.将所述样本特征序列输入神经网络,得到置空的操作对应的特征维度对应的特征标示度预测值。
本申请实施例并不限定神经网络的结构,因为这就是一个输入为序列数据,输出为某个值的常规神经网络结构即可。该神经网络的功能的实现主要依赖在需要使用的下文特征标示度替代值的确定方式,因此,对神经网络结构不做限定。
S303.将所述样本特征序列输入特征预测模型,所述特征预测模型用于根据所述样本特征序列中的未置空特征预测置空特征,得到置空特征预测值。在所述样本原始序列中确定出所述置空特征所对应的置空前的原始特征,根据所述原始特征和所述置空特征预测值之间的差异,确定第一替代值。
该特征预测模型可以自行训练得到,或者使用现有技术,因为这个特征预测模型就是在序列场景下,根据已有数据的位置的已有数据,预测没有数据的位置大概率出现的数据,有这种功能的人工智能模型较多,无需对此赘述。根据置空特征预测值和所述置空特征所对应的置空前的原始特征之间的差异,可以得到第一替代值。本申请实施例并不限定差异量化方式,可以参考现有技术。也不限定差异与第一替代值之间的具体函数关系,因为只要保证差异与第一替代值之间具备一一映射的正相关关系即可达到本申请的技术目的。
我们假设被置空的特征是强特征标示度的特征,那么该特征被置空必然会导致置空特征预测值的不准确,从而导致第一替代值的增大,反之亦然。所以第一替代值与特征标示度的真值是具备强相关关系的,因此,虽然无法确定特征标示度的真值,但是可以从第一替代值的角度来努力量化该真值,或者说基于该第一替代值找到该真值的替代品(下文的特征标示度替代值),这个角度是本申请实施例的原创设计,解决了无法知晓特征标示度真值的情况下,如何训练特征标示度预测模型的技术问题。
S304.对所述样本原始序列中各特征进行融合操作,得到第一融合特征。对所述样本特征序列中各特征进行融合操作,得到第二融合特征。根据所述第一融合特征和所述第二融合特征的特征距离,确定第二替代值。
本申请实施例指出,单从第一替代值的角度来量化真值可能存在不足够准确的问题,因为第一替代值仅仅代表从预测角度来量化特征标示度的思考维度,单一维度可能导致真值的逼近程度低,为此,本申请实施例又提出了第二替代值,第二替代值其实是从数据距离的角度来考虑的。我们假设被置空的特征是强特征标示度的特征,那么该特征被置空会导致特征距离变大,也就是置空前后所得到的融合特征的差异大的意思,反之亦然。这是从数据萃取的角度来寻找真值的替代品的构思。本申请实施例不对融合操作进行限定,数据融合的方法参考现有技术。本申请实施例并不限定特征距离与第二替代值之间的具体函数关系,因为只要保证他们之间具备一一映射的正相关关系即可达到本申请的技术目的。
S305.根据所述第一替代值和所述第二替代值,确定特征标示度替代值。
可以将所述第一替代值和所述第二替代值各自加权相加并将加权结果归一化映射,得到特征标示度替代值,对于权值不做限定,不构成本申请实施障碍,根据实际需求设定即可。特征标示度替代值对第一替代值和第二替代值进行了信息融合,所以特征标示度替代值从数据萃取的层面和置空特征预测结果的层面,多层面下综合量化了特征标示度真值,作为真值的替代品,其具有较好的替代效果。
S306.根据所述特征标示度替代值和所述特征标示度预测值之间的差异,调整所述神经网络的参数,得到所述特征标示度预测模型。
本申请实施例差异的量化方法,以及根据差异调参的方法,以及训练停止条件等内容不做说明,可参考现有技术。
S204.将所述第一特征序列中特征标示度不满足预设特征标示度要求的特征维度所对应的第一特征数据置空,得到所述设备标标示性特征集。
本申请实施例并不对预设特征标示度要求进行限定,比如,可以设定一个下限值,如果特征标示度小于该下限值,则不满足预设特征标示度要求。该下限值可以根据实际情况设定,不构成本申请实施障碍。本申请实施例中将所述设备标示性特征集中每一所述特征维度对应的特征称为第二特征数据,显然,所述第二特征数据为对对应的第一特征数据进行基于特征标示度的信息置空处理后所得到的特征数据,如果未被置空,则第二特征数据与对应的第一特征数据一致,否则第二特征数据为空。
S104.以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录。将所述设备基础信息记录存储在设备记录表中。
本申请可以在所述多个特征维度中,确定多个目标特征维度,每一所述目标特征维度对应一种设备管理策略。针对每一所述目标特征维度,执行下述操作:遍历所述设备记录表中每一条设备基础信息记录,确定目标设备,所述目标设备所对应的设备指纹具备下述要求:所述设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据,并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值。在存在所述目标设备的情况下,对所述目标设备执行对应的设备管理策略。
本申请实施例并不限定目标特征维度和设备管理策略的确定方式,这个是根据实际的设备管理需求来定的。本申请实施例中强调的是在确定出目标特征维度的情况下,如何选择哪些设备(目标设备)来执行该目标特征维度对应的设备管理策略,即给出目标设备确定方法。根据前文得到的设备指纹,本申请实施例可以根据设备指纹来快速选择目标设备。
具体来说,如果某个设备的设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据,并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值,则可以将该设备作为目标设备。当然,我们对预设特征值不做限定,这个是根据实际的设备管理需求来定的。
本申请实施例通过限定“所述设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据”来完成设备的快速归类,就是说,相比于其他特征维度,目标特征维度方面的设备管理对于目标设备来说是最为重要的管理,从而从重要度层面达到了快速为每个设备管理策略找到需要被管理的目标设备的技术问题。而且,进一步通过限定“并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值”来找到需要进行设备管理的目标设备,从而从需求层面达到了快速为每个设备管理策略找到需要被管理的目标设备的技术问题。因此,通过本申请实施例可以快速找到既存在强烈设备管理需求,又存在强烈设备管理必要(重要度)的目标设备。这是本申请实施例基于设备指纹的管理所做出的另一重要创新设计。
本申请实施例提供一种智能网联设备管理装置,如图4所示,所述智能网联设备管理装置包括:
设备信息获取模块401,用于在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到。
设备检测模块402,用于根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求。
设备管理模块403,用于在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度。以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录。将所述设备基础信息记录存储在设备记录表中。
装置实施例执行细节不做赘述,参看对应方法实施例。
在一个实施例中,还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如前述实施例所提及的智能网联设备管理方法。
以上为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种智能网联设备管理方法,其特征在于,所述方法包括:
在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到;
根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求;
在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度;
以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录;
将所述设备基础信息记录存储在设备记录表中;
其中,所述设备标示性特征集包括每一所述特征维度对应的第二特征数据,所述第二特征数据为对对应的第一特征数据进行基于特征标示度的信息置空处理后所得到的特征数据,所述方法还包括:
在所述多个特征维度中,确定多个目标特征维度,每一所述目标特征维度对应一种设备管理策略;
针对每一所述目标特征维度,执行下述操作:
遍历所述设备记录表中每一条设备基础信息记录,确定目标设备,所述目标设备所对应的设备指纹具备下述要求:所述设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据,并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值;
在存在所述目标设备的情况下,对所述目标设备执行对应的设备管理策略;
所述方法还包括:
将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集;
所述将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集,包括:
按照标号递增顺序为每一特征维度设定对应的标号,按照标号递增顺序拼接各个特征维度对应的第一特征数据,得到第一特征序列;
对各所述特征维度进行多次乱序处理,拼接乱序处理后的特征维度对应的第一特征数据,得到多个第二特征序列,每个所述第二特征序列中对应的特征维度的标号所形成的标号序列是唯一的;
确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度;
将各所述第二特征序列中具备相同标号的特征维度对应的单次特征标示度进行均一化处理,得到所述特征维度对应的特征标示度;
将所述第一特征序列中特征标示度不满足预设特征标示度要求的特征维度所对应的第一特征数据置空,得到所述设备标示性特征集。
2.根据权利要求1所述的智能网联设备管理方法,其特征在于,所述获取设备信息,包括:
确定所述多个特征维度,所述多个特征维度包括:设备性能维度、设备可靠性维度、设备维修性维度、设备安全性维度、设备硬件资源维度;
针对每一特征维度执行下述操作:
获取所述特征维度下的采集项;
采集每一所述采集项对应的信息,对采集结果进行量化、离散化和均一化处理,得到所述采集项对应的特征参数,所述特征维度下的各特征参数组成所述特征维度对应的第一特征数据。
3.根据权利要求2所述的智能网联设备管理方法,其特征在于,所述确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度,包括:
对每一所述第二特征序列的每一特征维度执行下述操作:
将所述第二特征序列中所述特征维度下对应的第一特征数据置空,得到第三特征序列;
将所述第三特征序列输入特征标示度预测模型,得到所述特征维度对应的单次特征标示度。
4.根据权利要求3所述的智能网联设备管理方法,其特征在于,所述特征标示度预测模型通过下述方法训练得到:
获取样本原始序列;对所述样本原始序列中某个特征维度对应的特征置空,得到样本特征序列;
将所述样本特征序列输入神经网络,得到置空的操作对应的特征维度对应的特征标示度预测值;
将所述样本特征序列输入特征预测模型,所述特征预测模型用于根据所述样本特征序列中的未置空特征预测置空特征,得到置空特征预测值;
在所述样本原始序列中确定出所述置空特征所对应的置空前的原始特征,根据所述原始特征和所述置空特征预测值之间的差异,确定第一替代值;
对所述样本原始序列中各特征进行融合操作,得到第一融合特征;
对所述样本特征序列中各特征进行融合操作,得到第二融合特征;
根据所述第一融合特征和所述第二融合特征的特征距离,确定第二替代值;
根据所述第一替代值和所述第二替代值,确定特征标示度替代值;
根据所述特征标示度替代值和所述特征标示度预测值之间的差异,调整所述神经网络的参数,得到所述特征标示度预测模型。
5.一种智能网联设备管理装置,其特征在于,所述智能网联设备管理装置包括:
设备信息获取模块,用于在接受到设备接入请求的情况下,获取设备信息,所述设备信息包括多个特征维度下每一特征维度对应的第一特征数据,所述第一特征数据通过对对应的特征维度下的信息进行采集得到;
设备检测模块,用于根据各所述特征维度对应的第一特征数据,对所述设备信息进行安全完整性检测,所述安全完整性检测用于检测所述设备信息的完整度和安全度是否符合对应的要求;
设备管理模块,用于在所述安全完整性检测通过的情况下,为所述设备信息生成设备标识,根据所述设备标识和所述设备信息生成设备指纹,所述设备指纹具备唯一性并且所述设备指纹为设备标示性特征集的唯一映射,所述设备标示性特征集为根据所述设备信息所确定的,并且特征标示度满足预设标示度限定要求的特征维度的特征构成的特征集,所述特征标示度用于综合量化对应的特征维度下的特征自身的信息表达能力、所述特征与其他特征的关联程度、所述特征与其他特征的信息重合度;以所述设备指纹为key,所述设备信息为value,生成设备基础信息记录;将所述设备基础信息记录存储在设备记录表中;
其中,所述设备标示性特征集包括每一所述特征维度对应的第二特征数据,所述第二特征数据为对对应的第一特征数据进行基于特征标示度的信息置空处理后所得到的特征数据,所述智能网联设备管理装置用于执行下述操作:
在所述多个特征维度中,确定多个目标特征维度,每一所述目标特征维度对应一种设备管理策略;
针对每一所述目标特征维度,执行下述操作:
遍历所述设备记录表中每一条设备基础信息记录,确定目标设备,所述目标设备所对应的设备指纹具备下述要求:所述设备指纹在所述目标特征维度下的第二特征数据大于所述设备指纹在其他维度下的第二特征数据,并且所述设备指纹在所述目标特征维度下的第二特征数据大于对应的预设特征值;
在存在所述目标设备的情况下,对所述目标设备执行对应的设备管理策略;
所述智能网联设备管理装置还用于执行下述操作:
将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集;
所述将所述设备信息进行基于特征标示度的信息置空处理,得到所述设备标示性特征集,包括:
按照标号递增顺序为每一特征维度设定对应的标号,按照标号递增顺序拼接各个特征维度对应的第一特征数据,得到第一特征序列;
对各所述特征维度进行多次乱序处理,拼接乱序处理后的特征维度对应的第一特征数据,得到多个第二特征序列,每个所述第二特征序列中对应的特征维度的标号所形成的标号序列是唯一的;
确定每一所述第二特征序列中每一特征维度对应的特征标示度,得到所述特征维度对应的单次特征标示度;
将各所述第二特征序列中具备相同标号的特征维度对应的单次特征标示度进行均一化处理,得到所述特征维度对应的特征标示度;
将所述第一特征序列中特征标示度不满足预设特征标示度要求的特征维度所对应的第一特征数据置空,得到所述设备标示性特征集。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至4中任意一项所述的智能网联设备管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134181.0A CN117675755B (zh) | 2024-01-31 | 2024-01-31 | 智能网联设备管理方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134181.0A CN117675755B (zh) | 2024-01-31 | 2024-01-31 | 智能网联设备管理方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117675755A CN117675755A (zh) | 2024-03-08 |
CN117675755B true CN117675755B (zh) | 2024-04-19 |
Family
ID=90082892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134181.0A Active CN117675755B (zh) | 2024-01-31 | 2024-01-31 | 智能网联设备管理方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117675755B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018201965A1 (zh) * | 2017-05-04 | 2018-11-08 | 腾讯科技(深圳)有限公司 | 设备指纹生成方法、装置及计算设备 |
CN111666596A (zh) * | 2020-07-10 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备及介质 |
CN113553571A (zh) * | 2020-04-26 | 2021-10-26 | 国网电子商务有限公司 | 一种终端设备可信度度量方法及装置 |
CN114429177A (zh) * | 2021-12-27 | 2022-05-03 | 深圳无域科技技术有限公司 | 设备指纹特征筛选方法、装置、电子设备及存储介质 |
CN115002775A (zh) * | 2022-05-25 | 2022-09-02 | 中能电力科技开发有限公司 | 设备入网方法、装置、电子设备以及存储介质 |
CN115801240A (zh) * | 2022-11-04 | 2023-03-14 | 平安科技(深圳)有限公司 | 一种终端设备指纹生成方法及装置 |
CN116074051A (zh) * | 2022-12-23 | 2023-05-05 | 天翼安全科技有限公司 | 一种设备指纹生成方法及设备 |
CN116383794A (zh) * | 2023-04-28 | 2023-07-04 | 中国工商银行股份有限公司 | 设备识别方法、装置、电子设备及存储介质 |
CN116881896A (zh) * | 2023-07-25 | 2023-10-13 | 京东科技信息技术有限公司 | 设备指纹库的生成方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016144793A1 (en) * | 2015-03-06 | 2016-09-15 | Georgia Tech Research Corporation | Device fingerprinting for cyber-physical systems |
-
2024
- 2024-01-31 CN CN202410134181.0A patent/CN117675755B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018201965A1 (zh) * | 2017-05-04 | 2018-11-08 | 腾讯科技(深圳)有限公司 | 设备指纹生成方法、装置及计算设备 |
CN113553571A (zh) * | 2020-04-26 | 2021-10-26 | 国网电子商务有限公司 | 一种终端设备可信度度量方法及装置 |
CN111666596A (zh) * | 2020-07-10 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备及介质 |
CN114429177A (zh) * | 2021-12-27 | 2022-05-03 | 深圳无域科技技术有限公司 | 设备指纹特征筛选方法、装置、电子设备及存储介质 |
CN115002775A (zh) * | 2022-05-25 | 2022-09-02 | 中能电力科技开发有限公司 | 设备入网方法、装置、电子设备以及存储介质 |
CN115801240A (zh) * | 2022-11-04 | 2023-03-14 | 平安科技(深圳)有限公司 | 一种终端设备指纹生成方法及装置 |
CN116074051A (zh) * | 2022-12-23 | 2023-05-05 | 天翼安全科技有限公司 | 一种设备指纹生成方法及设备 |
CN116383794A (zh) * | 2023-04-28 | 2023-07-04 | 中国工商银行股份有限公司 | 设备识别方法、装置、电子设备及存储介质 |
CN116881896A (zh) * | 2023-07-25 | 2023-10-13 | 京东科技信息技术有限公司 | 设备指纹库的生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117675755A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114553658B (zh) | 一种基于云计算的资源共享安全处理方法及服务器 | |
US8903848B1 (en) | Methods and systems for context-aware entity correspondence and merging | |
CN116070249B (zh) | 资产数据智能监控管理系统及方法 | |
CN116049454A (zh) | 一种基于多源异构数据的智能搜索方法及系统 | |
CN111506710A (zh) | 基于谣言预测模型的信息发送方法、装置和计算机设备 | |
CN117675755B (zh) | 智能网联设备管理方法与装置 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN113345570A (zh) | 基于区块链和智慧医疗的大数据提取方法及大数据系统 | |
CN116453226A (zh) | 基于人工智能的人体姿态识别方法、装置及相关设备 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN115550077A (zh) | 一种实时在线检测危险源数据并触发自动防御方法 | |
CN114329454A (zh) | 一种基于应用软件大数据的威胁分析方法及系统 | |
CN114155578A (zh) | 人像聚类方法、装置、电子设备和存储介质 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN114399190A (zh) | 一种针对大数据信息安全的风险行为识别方法及系统 | |
CN113110804A (zh) | 重复图片删除方法、装置、设备及存储介质 | |
CN112434650A (zh) | 一种多光谱图像建筑物变化检测方法及系统 | |
CN112613072A (zh) | 基于档案大数据的信息管理方法、管理系统及管理云平台 | |
CN117650950B (zh) | 安全通信方法与装置 | |
CN113723524B (zh) | 基于预测模型的数据处理方法、相关设备及介质 | |
CN117076045A (zh) | 一种容器应用管理方法、装置及存储介质 | |
CN116155770B (zh) | 多源数据融合下的物联网安全态势评估方法、装置及设备 | |
CN113014603B (zh) | 基于网络安全大数据的防护联动配置方法及大数据云系统 |
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 |