[發(fā)明專利]配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法

有效

• 申請?zhí)枺?/td>: 202110272948.2
• 申請日: 2021-03-14
• 公開（公告）號: CN112953961B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計）人: 李霽遠(yuǎn);孫歆;汪自翔;周輝;戴樺;孫昌華;李沁園;徐宏;徐夢宇;邊珊;陳云;林蓓;楊中豪;周星宇;劉航宇
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司電力科學(xué)研究院;上海物盾信息科技有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G16Y10/35;G16Y30/10
• 代理公司: 浙江翔隆專利事務(wù)所(普通合伙) 33206
• 代理人: 張建青

1.配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，包括：

對于通過鏡像和經(jīng)過交換機(jī)的流量，采用旁路解析生成流量日志；

根據(jù)用戶指定IP范圍，利用探針服務(wù)器進(jìn)行主動掃描，根據(jù)不同的傳輸協(xié)議，主動向網(wǎng)絡(luò)中設(shè)備發(fā)送不同的協(xié)議指令，獲取網(wǎng)絡(luò)中設(shè)備的詳細(xì)信息并生成流量日志；

利用本地文件的日志數(shù)據(jù)采集器主動檢測流量日志，快速生成日志流，及時輸入到流處理模型中；

在流處理模型中，根據(jù)得到的設(shè)備信息，按照不同設(shè)備的MAC地址對數(shù)據(jù)進(jìn)行劃分，首先將MAC地址作為設(shè)備的唯一標(biāo)識，然后對與該MAC地址相關(guān)的數(shù)據(jù)進(jìn)行整理建指紋表，表中數(shù)據(jù)作為該設(shè)備的指紋；當(dāng)新的日志進(jìn)入設(shè)備指紋表中時，若日志中相關(guān)的MAC地址在表中已經(jīng)存在，則對MAC地址對應(yīng)的設(shè)備指紋特征進(jìn)行改動，若日志相關(guān)的某個MAC地址在表中不存在，則通過日志中MAC地址相關(guān)的數(shù)據(jù)生成新的設(shè)備指紋；之后，將新生成或有所改動的設(shè)備指紋以流的形式，分別傳入設(shè)備畫像流處理模型以及機(jī)器學(xué)習(xí)流處理模型中；

結(jié)合設(shè)備畫像流處理模型以及機(jī)器學(xué)習(xí)流處理模型，對物聯(lián)網(wǎng)設(shè)備指紋進(jìn)行分析，從而獲得設(shè)備最終的類型判別；

若場景中需要識別的設(shè)備類型有N個，分別為d₁,d₂,…,d_N，則設(shè)備畫像流處理模型最終輸出命中每一類型設(shè)備的概率為

所述的機(jī)器學(xué)習(xí)流處理模型的搭建包括模型選擇和在線學(xué)習(xí)；

所述的模型選擇：通過對比模型對特征分布的要求、模型的魯棒性、模型的資源消耗情況、模型的可更新性、模型的樣本外準(zhǔn)確率，選擇基于Boosting和樹形模型的XGBoost；

所述的在線學(xué)習(xí)：針對有用戶交互的場景，在基礎(chǔ)的模型預(yù)測功能外，添加在線學(xué)習(xí)的特性，當(dāng)模型判斷的設(shè)備類型與用戶的預(yù)期不符時，用戶通過在交互頁面上簡單地更新設(shè)備的類型，從而一方面修正該設(shè)備的設(shè)備類型，另一方面更新模型；

所述的模型更新邏輯如下：

1)判斷用戶是否更新了設(shè)備的類型；

2)若用戶更新了設(shè)備類型，記錄該設(shè)備不同時間段的特征；

3)當(dāng)特征數(shù)據(jù)積累到一定程度，在原模型的基礎(chǔ)上，進(jìn)一步訓(xùn)練模型，且提高最新特征數(shù)據(jù)的權(quán)重；

4)保存訓(xùn)練好的新模型，并將新模型應(yīng)用到后續(xù)的預(yù)測中；

訓(xùn)練模型后，通過模型判斷不同的設(shè)備，輸出命中每一類型設(shè)備的概率

設(shè)定機(jī)器學(xué)習(xí)流處理模型針對不同設(shè)備類型識別的模型成熟度為：在模型部署到一個新的環(huán)境中后，按照不同設(shè)備的數(shù)據(jù)規(guī)模，對于不同的設(shè)備，設(shè)定閾值

如在線學(xué)習(xí)階段統(tǒng)計不同設(shè)備相關(guān)的訓(xùn)練數(shù)據(jù)數(shù)量則在一開始將模型成熟度初始化為(0,1)區(qū)間中的隨機(jī)數(shù)或0.5，然后在每次在線學(xué)習(xí)中，更新每一個

最后結(jié)合兩個流處理模型，對物聯(lián)網(wǎng)設(shè)備類型進(jìn)行判斷，輸出命中每一類型設(shè)備的最終概率為：

式中，為命中每一類型設(shè)備的最終概率。

2.根據(jù)權(quán)利要求1所述的配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，在流處理的流程中，首先對不同的日志信息進(jìn)行篩選：

針對HTTP、SSL、SMB、MQTT、DNS、DHCP和onvif網(wǎng)絡(luò)協(xié)議日志，分析日志，提取類型判斷需要用到的特征，確定以下的特征值作為類型判定的依據(jù)：onvif協(xié)議、流量進(jìn)出比、源IP常訪問端口、目的IP監(jiān)聽端口、dns注冊域名、源IP常用的軟件包和用戶代理信息。

3.根據(jù)權(quán)利要求1或2所述的配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，當(dāng)設(shè)備指紋流入設(shè)備畫像流處理模型中，對設(shè)備指紋進(jìn)行分析認(rèn)定，采用一維指紋特征或多維指紋特征。

4.根據(jù)權(quán)利要求1所述的配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，對于進(jìn)入機(jī)器學(xué)習(xí)流處理模型中的設(shè)備指紋數(shù)據(jù)，首先利用特征工程的方法，對其進(jìn)行篩選和處理，其中特征處理包括數(shù)據(jù)清洗、數(shù)據(jù)規(guī)范化和特征衍生與提取；特征篩選采用過濾法、包裝法和嵌入法；然后搭建相應(yīng)的機(jī)器學(xué)習(xí)流處理模型。

5.根據(jù)權(quán)利要求1所述的配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，得到兩個流處理模型的判斷概率后，采用一種基于學(xué)習(xí)等級的權(quán)重配置方法對兩個模型得到的概率結(jié)果進(jìn)行投票，從而得到命中每一個設(shè)備的概率。

6.根據(jù)權(quán)利要求1所述的配電房物聯(lián)網(wǎng)中設(shè)備類型識別方法，其特征在于，所述的傳輸協(xié)議有TCP、UDP、私有協(xié)議HikVision。