申请/专利权人：东南大学

申请日：2022-03-25

公开（公告）日：2024-04-23

公开（公告）号：CN114679318B

主分类号：H04L9/40

分类号：H04L9/40;H04L67/12;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.07.15#实质审查的生效;2022.06.28#公开

摘要：本发明公开了一种高速网络中轻量级的物联网设备识别方法，首先采集物联网设备正常工作时的流量，进行处理，根据数据包的到达时间间隔计算出物联网设备在数据传输时的周期时长。然后，基于各物联网设备的周期时长，为每个物联网设备选择能够精准表征流量周期性的特征提取时间粒度，并将相同时间粒度的物联网设备归于一类。随后，根据不同类别的时间粒度和周期时长，对每个物联网设备类别分别进行特征提取，得到单一特征序列。最后，利用有监督的深度学习方法分别训练每个类别对应的的轻量级神经网络模型，得到针对不同特征提取时间粒度的分类模型。本发明可在合理的时间内实现对海量高速流量中物联网设备流量的识别，用于网络流量分析和网络管理。

主权项：1.一种高速网络中轻量级的物联网设备识别方法，其特征在于，该方法包括以下步骤：步骤1通过数据采集设备进行物联网设备流量采集；步骤2对物联网设备流量进行处理，计算每个物联网设备的周期时长；步骤3根据步骤2得到的周期时长，为每个物联网设备选择特征提取的时间粒度，并将相同时间粒度的物联网设备归为一类；步骤4根据步骤3得到的物联网设备类别以及各个类别中物联网设备的周期时长，为每个类别设定时间窗口，基于时间粒度和时间窗口进行特征提取，得到单一特征序列；步骤5使用一段公开数据集数据作为背景流量，根据步骤4中的时间粒度和时间窗口进行特征提取，与相同时间粒度和时间窗口的物联网设备特征序列共同构成训练集，使用有监督深度学习算法对不同训练集分别进行模型训练，得到对应分类模型；步骤6分别使用步骤4中的不同类别的时间粒度和时间窗口，对高速网络中的流量进行特征提取，使用步骤5得到的各时间粒度下的分类模型对高速网络流量中的物联网设备流量进行识别，其中，所述步骤1中，获取物联网设备流量的方法如下：1.1配置流量采集环境，依次接入物联网设备，使用tcpdump采集物联网设备流量；1.2流量采集时，保持物联网设备工作状态处于空闲状态或者活动状态，其中，所述步骤2中，计算物联网设备周期时长的具体过程如下：2.1对步骤1中获取的各物联网设备流量进行组流，获得五元组相同的单向流；使用wireshark初步观察流量的变化情况，得到粗略的活跃时间长度和空闲时间长度，设定一个略小于观察所得空闲时间长度的值作为间隔阈值Gap；2.2依次读取构成单向流的数据包，记录当前数据包的时间戳；2.3判断周期开始时间是否为0，若为0，则进行2.2；若不为0，则计算当前数据包与上一个数据包时间戳的差值；2.4判断差值是否大于间隔阈值Gap，若差值小于间隔阈值，则进行2.2；若差值大于间隔阈值，则记录此差值为空闲时间Tidle，并计算上一个数据包时间戳与周期开始时间的差值，记录此差值为活跃时间Tactive；输出此周期的Tactive和Tidle，令周期开始时间为当前数据包的时间戳，进行2.2，直至2.2中的单向流结束；2.5当读取完单向流的全部数据包，计算Tactive和Tidle的平均值；将二者的平均值求和，得到该物联网设备数据传输过程中一个周期的平均时长；所述步骤3中，选择特征提取的时间粒度的具体步骤如下：3.1基于步骤2中获取的周期时长，根据原则确定对物联网设备流量进行特征提取时的时间粒度，原则如下：时间粒度的数量级小于周期时长的数量级，时间粒度的长度不小于周期时长的一千分之一，时间粒度的长度为10的n次方；3.2将相同时间粒度的物联网设备归为同一类别。

全文数据：

权利要求：

百度查询： 东南大学 一种高速网络中轻量级的物联网设备识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD