物联网设备的资产识别方法及系统与流程

本技术涉及数据识别领域，具体涉及一种物联网设备的资产识别方法及系统。

背景技术：

1、随着物联网技术的发展，全球物联网设备数量呈现爆发式增长，网络管理员对物联网设备的数量、类型、品牌、操作系统等存在大量未知情况，很难进行有效监管。而资产识别是一种利用计算机视觉技术对视频监控画面中的资产进行自动识别的技术，可通过对监控画面进行实时分析和处理，可以自动识别出画面中出现的各种资产，并对其进行分类、识别、跟踪等操作，实现对资产的智能化管理和监控。

2、而现有的资产识别技术主要根据监听视频摄像头、硬盘录像机、视频编解码设备、视频监控及运维服务器等物联网设备构成的物联网网络输出的网络流量，提取网络流量的特征信息，并将特征信息与样本标签数据进行比对，从而完成对资产的识别。

3、但是随着物联网网络规模的不断扩大，接入物联网网络的物联网设备也在不断增加或更替，若采用现有技术的方式进行特征提取，需要将大量特征信息与样本标签数据进行比对，物联网设备的资产识别的效率较低。

技术实现思路

1、本技术提供了一种物联网设备的资产识别方法及系统，可以提高物联网设备的资产识别的效率。

2、第一方面，本技术提供了一种物联网设备的资产识别方法，包括：

3、采集物联网网络的网络流量数据，所述物联网网络由多个物联网设备组成；

4、对所述网络流量数据进行预处理以及聚类处理，得到待匹配标签数据；

5、将所述待匹配标签数据输入至训练完成的资产分类器，输出所述网络流量中各物联网设备对应的资产类别，所述资产分类器基于样本标签数据以及多个弱分类器采用分类算法训练得到，所述样本标签数据由训练数据经过预处理、特征提取操作以及聚类处理得到。

6、通过采用上述技术方案，对网络流量数据进行预处理以及聚类处理，对网络流量数据进行粗颗粒度的识别，得到与训练完成的资产分类器数据类型匹配的待匹配标签数据，将待匹配标签数据输入至训练完成的资产分类器，即可快速对网络流量数据进行细颗粒度的识别，并输出网络流量中各物联网设备对应的资产类别，与现有技术相比，可以提高物联网设备的资产识别的效率。

7、可选的，所述对所述网络流量数据进行预处理以及聚类处理，得到待匹配标签数据，包括：

8、采用深度包检测技术对所述网络流量数据进行特征提取和协议识别，得到第一网络流量特征数据；

9、对所述第一网络流量特征数据进行归一化处理、标准化处理以及独热编码处理，得到第二网络流量特征数据；

10、对所述第二网络流量特征数据进行聚类处理，得到所述待匹配标签数据。

11、通过采用上述技术方案，深度包检测技术可以对网络流量数据进行深入分析，从而得到第一网络流量特征数据，完成对网络应用协议的识别和分类，从而对第一网络流量特征数据进行归一化处理、标准化处理、独热编码处理以及聚类处理，得到与训练完成的资产分类器数据类型匹配的待匹配标签数据。

12、可选的，所述接收物联网网络输出的网络流量数据之前，还包括：

13、采集物联网网络的网络流量训练数据，对所述网络流量训练数据进行预处理，得到第一训练数据；

14、将所述第一训练数据输入至特征提取模型，输出第二训练数据；

15、将所述第二训练数据输入至聚类模型，输出目标训练数据；

16、对所述目标训练数据添加标签，得到样本标签数据；

17、基于所述样本标签数据以及采用分类算法对多个弱分类器进行训练，得到训练完成的资产分类器。

18、通过采用上述技术方案，特征提取模型可以对第一训练数据进行高质量提取得到第二训练数据；聚类模型可以对第二训练数据进行快速分类，得到目标训练数据；对目标训练数据添加标签，得到样本标签数据；从而通过样本标签数据以及采用分类算法对多个弱分类器进行训练，得到训练完成的资产分类器，进而可通过训练完成的资产分类器对未知资产的网络流量数据进行资产识别。

19、可选的，所述特征提取模型包括深度神经网络模型，所述将所述第一训练数据输入至特征提取模型，输出第二训练数据，包括：

20、将所述第一训练数据输入至所述深度神经网络模型，输出所述第一训练数据的高维特征训练数据；

21、将所述高维特征训练数据进行降维处理，得到所述第二训练数据。

22、通过采用上述技术方案，深度神经网络模型可提取第一训练数据的高维特征训练数据，继而对高维特征训练数据进行降维处理，以提高模型的计算效率和泛化能力，同时保留第一训练数据的主要特征数据。

23、可选的，所述将所述第一训练数据输入至所述深度神经网络模型，输出所述第一训练数据的高维特征训练数据之后，还包括：

24、根据损失函数公式，计算所述第一训练数据的损失值，并判断所述损失值是否大于损失阈值；

25、若所述损失值大于所述损失阈值，则校正所述深度神经网络模型的参数，并重新执行所述将所述第一训练数据输入至所述深度神经网络模型，输出所述第一训练数据的高维特征训练数据的步骤，直至所述损失值小于或等于所述损失阈值。

26、通过采用上述技术方案，根据目标训练数据的损失值，对深度神经网络模型进行迭代训练，从而提高深度神经网络模型提取高维特征的准确性。

27、可选的，将所述第二训练数据输入至聚类模型，输出目标训练数据，包括：

28、将所述第二训练数据输入至所述聚类模型，输出第一聚类特征树，所述第一聚类特征树的中的聚类特征簇数、节点内最大聚类特征个数以及聚类特征内最大半径阈值为所述聚类模型的初始参数；

29、筛除所述第一聚类特征树中的异常聚类特征节点，并根据聚类算法对筛除异常聚类特征节点后的第一聚类特征树中的各个聚类特征节点进行重新聚类，得到第二聚类特征树；

30、根据所述第二聚类特征树中各聚类特征节点的质心和半径，生成聚类特征圆，根据所述聚类特征圆确定所述目标训练数据；

31、输出所述目标训练数据。

32、通过采用上述技术方案，聚类模型根据第二训练数据构建第一聚类特征树，在筛除第一聚类特征树中的异常聚类特征节点后，对第一聚类特征树进行重新聚类，得到第二聚类特征树，可有效避免由于异常聚类特征节点导致聚类不合理情况出现，从而提升对第二训练数据聚类的效果。

33、可选的，所述输出所述目标训练数据之前，还包括：

34、计算所述目标训练数据的准确率，并判断所述准确率是否大于准确率阈值；

35、若所述准确率大于所述准确率阈值，则校正所述聚类特征簇数、节点内最大聚类特征个数以及聚类特征内最大半径阈值，并重新执行所述将所述第二训练数据输入至所述聚类模型的步骤，直至所述准确率小于或等于所述准确率阈值。

36、通过采用上述技术方案，根据目标训练数据的准确率，对聚类模型进行迭代训练，从而提高聚类模型对第二训练数据进行聚类的准确性。

37、在本技术的第二方面提供了一种物联网设备的资产识别系统，包括：

38、流量数据采集模块，用于采集物联网网络的网络流量数据，所述物联网网络由多个物联网设备组成；

39、标签数据生成模块，用于对所述网络流量数据进行预处理以及聚类处理，得到待匹配标签数据；

40、资产类别确定模块，用于将所述待匹配标签数据输入至训练完成的资产分类器，输出所述网络流量中各物联网设备对应的资产类别，所述资产分类器基于样本标签数据以及多个弱分类器采用分类算法训练得到，所述样本标签数据由训练数据经过预处理、特征提取操作以及聚类处理得到。

41、在本技术的第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

42、在本技术的第四方面提供了一种服务器，包括：处理器、存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

43、综上所述，本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

44、通过本技术技术方案，对网络流量数据进行预处理以及聚类处理，对网络流量数据进行粗颗粒度的识别，得到与训练完成的资产分类器数据类型匹配的待匹配标签数据，将待匹配标签数据输入至训练完成的资产分类器，即可快速对网络流量数据进行细颗粒度的识别，并输出网络流量中各物联网设备对应的资产类别，与现有技术相比，可以提高物联网设备的资产识别的效率。