[发明专利]网络流量指纹特征二阶段多分类的物联网设备识别方法

说明书

本发明公开了一种网络流量指纹特征二阶段多分类的物联网设备识别方法，属于物联网设备接入控制技术领域，该算法从网络流量中提取网络流量特征并匹配识别接入的物联网设备。该算法的主要步骤为：首先采集物联网设备启动接入阶段时的N个网络报文数据，从序列字段内容、序列协议信息以及序列统计数值三个维度提取特征作为设备指纹特征；接着采用“一对多”多分类机器学习架构对待检测的物联网设备进行初步识别；若初步识别出现多个识别结果，则将结果输入至最大相似度比较模块进行二次分类识别，选取相似度最高的类型作为最终识别结果。本发明克服了现有识别算法在进行物联网设备识别时容易出现识别重叠的问题，提高了识别的精确性和唯一性。

技术领域

本发明属于物联网设备接入控制技术领域，尤其涉及网络流量指纹特征二阶段多分类的物联网设备识别方法。

背景技术

基于网络流量特征指纹识别是指通过提取物联网设备网络流量里与设备个体有关的数值作为设备特征进行设备识别的技术。依据流量数据的获取方式为主动探测或者被动监控，设备指纹技术可分为主动和被动两种方式。相比与依赖于强大的加密协议或复杂的认证机制的传统设备认证方式，设备指纹技术实现简单且可靠性较强，更适用于物理和计算资源均有限的物联网设备。此外，许多传统的物联网设备由于系统封闭并且程序固化，无法通过后续软件更新或补丁操作添加身份认证机制实现安全的设备接入控制，而特征指纹识别技术可弥补这方面的不足。

现有的特征指纹识别技术研究还较少，主要有利用线性规划、最小二乘拟合法等数学方法和频谱分析技术等方法进行设备特征指纹识别。GAO等人在2010年提出利用不同制造商的AP在体系结构(如芯片、固件、驱动)上具有异构性质进行设备识别，之后Formby等人在2016年也利用这个方法将其提出的识别方案推广到工业控制系统中。虽然这个方法的识别准确度很高，但所需分析的网络数据报文数量过大，严重影响了实时效率，不适用于资源有限的物联网设备。Corbett提出了利用频谱分析技术实现设备识别的方案，主要针对于无线设备的识别，具有局限性。

随着人工智能领域的发展，机器学习方法已逐渐应用于设备指纹技术。所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。常用的分类算法包括：决策树分类法，朴素的贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearest neighbor，knn)，模糊分类法等等。上述算法对于二分类问题都已得到了很好的应用，但是设备识别属于多分类问题，即将被检测设备识别为多个类型中的某一类，现有的机器学习方法往往存在分类精度不高的问题。特别在物联网场景中，同一制造商的同一系列设备会大量部署，由于这些设备在硬件、固件和软件方面的相似性，因此很容易出现识别混淆的现象。

发明内容

发明目的：为了克服现有设备识别技术对同一厂商同一系列设备识别精度不高的问题，本发明提供网络流量指纹特征二阶段多分类的物联网设备识别方法，用于解决物联网设备在计算资源受限，无法安装认证程序时设备认证接入的问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

网络流量指纹特征二阶段多分类的物联网设备识别方法，具体包括以下步骤：

步骤1、提取物联网设备的网络流量指纹特征：采集物联网设备启动接入阶段时的N个网络报文数据，将N个网络报文数据看做一时间序列集合，从中提取与物联网设备个体相关的特征向量，其中N为正整数；

步骤2、采用机器学习多分类识别方法进行分类识别：将提取出的特征向量输入到机器学习多分类识别模型中进行分类识别，得到初步识别结果；

步骤3、对识别结果进行二次分类识别：若初步识别阶段识别出多个类型而无法判断的话，则计算待检测物联网设备的网络流量特征向量与初步识别出的类型相应样本特征向量之间的相似度，选取相似度最高的类型作为最终识别结果。