[發明專利]一種基于Xgboost集成學習的物聯終端類型識別方法

在審

• 申請號: 202210952144.1
• 申請日: 2022-08-09
• 公開（公告）號: CN115510041A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 沈健;張磊;袁譽峰;錢一宏;張永建;胡利輝;張曉峰;周金邢;施光南;蔣安杰;韓保禮;王雪穎
• 申請（專利權）人: 國網浙江省電力有限公司紹興供電公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06N20/20;G06Q50/06;G16Y10/35;G16Y20/20
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 王旭峰

1.一種基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：包括如下步驟：

S1.1：對數據進行終端識別，基于流處理，通過以MAC為中心的設備唯一識別方法，識別出網絡中的終端，并賦予唯一的ID；

S1.2：進行終端類型識別，通過特征提取、特征篩選、特征轉換、類型預測，識別出終端的類型；

S1.3：進行縱向行為畫像，在時間的維度，對終端的公共行為、特殊行為進行畫像：

S1.4：進行橫向行為畫像，以相同類型的終端行為為基準，對比當前終端的行為。

2.根據權利要求1所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述步驟S1.2中，所述特征提取包括數據清洗、數據規范化和特征衍生與提取。

3.根據權利要求1所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述步驟S1.2中，所述特征篩選采用過濾法、包裝法和嵌入法。

4.根據權利要求1所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：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、模型的樣本外準確率，選擇基于Boosting和樹形模型的XGBoost模型。

5.根據權利要求4所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述XGBoost模型流程如下：

S2.1：判斷是否有主動掃描任務，判斷的同時進行旁路解析生成流量日志；若有主動掃描任務，則根據用戶指定IP范圍，通過主動掃描任務獲取更多設備信息并生成日志，否則采集日志數據，生成日志流并送入流處理模型；

S2.2：判斷設備是否存在，設備存在則生成設備信息并形成設備行為畫像，設備不存在則更新設備信息和設備行為畫像；同時對機器學習進行在線學習、改變模型成熟度∝d；

S2.3：設備行為畫像進入設備畫像流處理模塊獲得pd，設備行為畫像進入機器學習流處理模塊獲得qd；

S2.4：得到最終判定rd。

6.根據權利要求5所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述步驟S2.3中，qd形成數據反饋至模型成熟度∝d。

7.根據權利要求5所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述步驟S2.4中，rd形成用戶反饋至模型成熟度∝d。

8.根據權利要求5所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述模型建立完成后，將終端行為畫像送入訓練好的模型中，預測終端的類型，取概率最大的類型識別為終端的類型。

9.根據權利要求8所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：當模型判斷的終端類型與用戶的預期不符時，用戶通過在交互頁面上簡單地更新終端的類型，修正該終端的類型，同時更新模型。

10.根據權利要求9所述的基于Xgboost集成學習的物聯終端類型識別方法，其特征在于：所述模型更新邏輯如下：

S3.1：判斷用戶是否更新了終端的類型；若用戶更新了終端類型，記錄該設備不同時間段的行為畫像；

S3.2：當行為畫像數據積累到一定程度，在原模型的基礎上，進一步訓練模型，且提高最新行為畫像數據的權重；

S3.3：保存訓練好的新模型，并將新模型應用到后續的預測中。