[發(fā)明專利]一種基于Xgboost集成學(xué)習(xí)的物聯(lián)終端類型識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210952144.1
• 申請(qǐng)日: 2022-08-09
• 公開（公告）號(hào): CN115510041A
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 沈健;張磊;袁譽(yù)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(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)浙江省電力有限公司紹興供電公司
• 主分類號(hào): G06F16/215
• 分類號(hào): G06F16/215;G06N20/20;G06Q50/06;G16Y10/35;G16Y20/20
• 代理公司: 杭州華鼎知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 王旭峰

本發(fā)明涉及物聯(lián)終端類型識(shí)別技術(shù)領(lǐng)域，尤其為一種基于Xgboost集成學(xué)習(xí)的物聯(lián)終端類型識(shí)別方法，包括如下步驟：對(duì)數(shù)據(jù)進(jìn)行終端識(shí)別，基于流處理，通過(guò)以MAC為中心的設(shè)備唯一識(shí)別方法，識(shí)別出網(wǎng)絡(luò)中的終端，并賦予唯一的ID；進(jìn)行終端類型識(shí)別，通過(guò)特征提取、特征篩選、特征轉(zhuǎn)換、類型預(yù)測(cè)，識(shí)別出終端的類型；進(jìn)行縱向行為畫像，在時(shí)間的維度，對(duì)終端的公共行為、特殊行為進(jìn)行畫像：進(jìn)行橫向行為畫像，以相同類型的終端行為為基準(zhǔn)，對(duì)比當(dāng)前終端的行為。本發(fā)明通過(guò)構(gòu)建針對(duì)性強(qiáng)的行為畫像，考慮了終端的行為問(wèn)題、終端類型的問(wèn)題、終端的互補(bǔ)問(wèn)題，因此特征處理和行為畫像更加貼合物聯(lián)網(wǎng)的終端場(chǎng)景。

技術(shù)領(lǐng)域

本發(fā)明涉及物聯(lián)終端類型識(shí)別技術(shù)領(lǐng)域，尤其是一種基于Xgboost集成學(xué)習(xí)的物聯(lián)終端類型識(shí)別方法。

背景技術(shù)

隨著泛在電力物聯(lián)網(wǎng)建設(shè)的快速推進(jìn)，原有的網(wǎng)絡(luò)邊界不斷向用戶側(cè)延伸，其計(jì)算能力和安全防護(hù)特性也從云端向終端和邊緣側(cè)下沉，傳統(tǒng)的中心化網(wǎng)絡(luò)安全防護(hù)架構(gòu)和基于邊界訪問(wèn)控制的安全防護(hù)手段已無(wú)法適應(yīng)物聯(lián)網(wǎng)的防護(hù)需求，當(dāng)前,物聯(lián)網(wǎng)安全問(wèn)題主要通過(guò)IOT終端識(shí)別技術(shù)來(lái)解決。而在現(xiàn)有的技術(shù)條件下，智能終端身份識(shí)別方法不是非常安全可靠。在傳統(tǒng)網(wǎng)絡(luò)中，只有用戶名口令、SIM卡等針對(duì)用戶的識(shí)別方法，沒有針對(duì)終端的身份標(biāo)識(shí)方法，而在物聯(lián)網(wǎng)中，由于設(shè)備的類型不一且相互聯(lián)系，數(shù)量又過(guò)于龐大，因此傳統(tǒng)的智能終端身份識(shí)別便不再很好的適用于物聯(lián)網(wǎng)終端設(shè)備，有必要提出一種智能化的算法自動(dòng)的識(shí)別海量終端身份類型。

發(fā)明內(nèi)容

本發(fā)明的目的是通過(guò)提出一種基于Xgboost集成學(xué)習(xí)的物聯(lián)終端類型識(shí)別方法，以解決上述背景技術(shù)中提出的缺陷。

本發(fā)明采用的技術(shù)方案如下：

提供一種基于Xgboost集成學(xué)習(xí)的物聯(lián)終端類型識(shí)別方法，包括如下步驟：

S1.1：對(duì)數(shù)據(jù)進(jìn)行終端識(shí)別，基于流處理，通過(guò)以MAC為中心的設(shè)備唯一識(shí)別方法，識(shí)別出網(wǎng)絡(luò)中的終端，并賦予唯一的ID；

S1.2：進(jìn)行終端類型識(shí)別，通過(guò)特征提取、特征篩選、特征轉(zhuǎn)換、類型預(yù)測(cè)，識(shí)別出終端的類型；

S1.3：進(jìn)行縱向行為畫像，在時(shí)間的維度，對(duì)終端的公共行為、特殊行為進(jìn)行畫像：

S1.4：進(jìn)行橫向行為畫像，以相同類型的終端行為為基準(zhǔn)，對(duì)比當(dāng)前終端的行為。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟S1.2中，所述特征提取包括數(shù)據(jù)清洗、數(shù)據(jù)規(guī)范化和特征衍生與提取。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟S1.2中，所述特征篩選采用過(guò)濾法、包裝法和嵌入法。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：通過(guò)對(duì)比模型對(duì)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模型。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述XGBoost模型流程如下：

S2.1：判斷是否有主動(dòng)掃描任務(wù)，判斷的同時(shí)進(jìn)行旁路解析生成流量日志；若有主動(dòng)掃描任務(wù)，則根據(jù)用戶指定IP范圍，通過(guò)主動(dòng)掃描任務(wù)獲取更多設(shè)備信息并生成日志，否則采集日志數(shù)據(jù)，生成日志流并送入流處理模型；

S2.2：判斷設(shè)備是否存在，設(shè)備存在則生成設(shè)備信息并形成設(shè)備行為畫像，設(shè)備不存在則更新設(shè)備信息和設(shè)備行為畫像；同時(shí)對(duì)機(jī)器學(xué)習(xí)進(jìn)行在線學(xué)習(xí)、改變模型成熟度∝d；

S2.3：設(shè)備行為畫像進(jìn)入設(shè)備畫像流處理模塊獲得pd，設(shè)備行為畫像進(jìn)入機(jī)器學(xué)習(xí)流處理模塊獲得qd；

S2.4：得到最終判定rd。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟S2.3中，qd形成數(shù)據(jù)反饋至模型成熟度∝d。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟S2.4中，rd形成用戶反饋至模型成熟度∝d。