(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211004766.8 (22)申请日 2022.08.22 (71)申请人 东北大学秦皇岛分校 地址 066004 河北省秦皇岛市经济技 术开 发区泰山路143号 (72)发明人 邹俊杰　鲁宁　史闻博　黄儒霄　 张广岩　姜维　 (74)专利代理 机构 中国商标专利事务所有限公 司 11234 专利代理师 郝震 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/20(2019.01) G06F 16/2455(2019.01) G06F 16/2458(2019.01) (54)发明名称 大规模监控设备自动化识别方法 (57)摘要 本发明公开了大规模监控设备自动化识别 方法， 该方法包括： 1)先用粗粒度识别方案把设 备分为物联网设备和非物联网设备； 2)再利用收 集到的物联网设备信息去细粒度识别方案中进 行识别； 3)利用规则库方法进行识别， 验证上述 识别方案的正确性。 本发明具有针对监控设备的 机器学习识别算法， 即通过利用随机森林分类算 法开发出来的针对监控设备的粗粒度和细粒度 识别模型， 具有面向大规模监控设备的设备识别 方案， 即通过结合基于分类算法的设备识别方案 和基于规则库的识别方案的优点， 提出了本申请 的识别方案， 解决了基于分类算法的设备识别方 案， 无法识别新增设备和基于规则库识别方案漏 报率高和规则库需要人工维护等 缺点。 权利要求书1页 说明书7页 附图4页 CN 115526229 A 2022.12.27 CN 115526229 A 1.大规模监控设备自动化识别方法， 其特 征在于， 该 方法包括： 1)先用粗粒度识别方案把设备分为物联网设备和非物联网设备； 2)再利用收集到的物联网设备信息去细粒度识别方案中进行识别； 3)利用规则库方法进行识别， 验证上述识别方案的正确性。 2.根据权利要求1所述的大规模监控设备自动 化识别方法， 其特征在于： 所述粗粒度识 别方案为对全网设备进行数据收集并过滤了HTTP协议的数据包， 通过筛选开放了RTSP和 HTTP服务的设备， 将其HTTP响应包作为监控设备的样本数据集， 再通过分析监控设备与非 监控设备的数据包初步筛选特征， 结合方差选择以及随机森林算法完成特征的自动化提 取， 最后利用机器学习中的随机森林构建了监控设备 的粗粒度识别模型， 完成对设备 的粗 粒度识别。 3.根据权利要求1所述的大规模监控设备自动 化识别方法， 其特征在于： 所述细粒度识 别方案为通过监控设备的粗粒度识别完成对监控设备数据的收集， 然后为了更好的选择特 征， 通过余弦相似度算法将相似的监控设备 的数据包进行聚类， 余弦相似度的值越接近于 1， 代表二者的数据包越相似， 之后对聚类后的数据包进行特征筛选， 最后通过机器学习中 的随机森林算法构建了监控设备的细粒度识别模型， 完成对监控设备的细粒度识别。 4.根据权利要求1所述的大规模监控设备自动 化识别方法， 其特征在于： 所述规则库的 构建分为两步， 具体为数据包聚类、 提取 特征并构建规则库。权　利　要　求　书 1/1 页 2 CN 115526229 A 2大规模监控设备自动化识别方 法 技术领域 [0001]本发明涉及 监控设备自动化识别技术领域， 具体为大规模监控设备自动化识别方 法。 背景技术 [0002]在网络空间测绘过程中， 设备自动化识别是一个非常重要的技术环节， 目前的设 备自动化识别方案主要分为两种， 一种 是基于规则库的自动化识别方案， 一种是基于机器 学习分类算法的自动化识别方案， 在设备识别过程中， 基于规则库的设备识别方案具有准 确度高和可扩展性 强的优点， 但是存在漏报率高、 匹配效率低的问题； 基于机器学习分类算 法的可以较快 的完成设备自动化分类， 但是训练好的识别算法只能识别已有的分类模型， 不能识别新增的设备。 发明内容 [0003]本发明的目的在于提供大规模监控设备自动化识别方法， 以解决上述背景的技术 问题。 [0004]为实现上述目的， 本 发明提供如下技术方法： 大规模监控设备自动化识别方法， 包 括 [0005]1)先用粗粒度识别方案把设备分为物联网设备和非物联网设备； [0006]2)再利用收集到的物联网设备信息去细粒度识别方案中进行识别； [0007]3)利用规则库方法进行识别， 验证上述识别方案的正确性。 [0008]进一步在于， 所述粗粒度识别方案为对全网设备进行数据收集并过滤了HTTP协议 的数据包， 通过筛选开放了RTSP和HTTP服务的设备， 将其HTTP响应包作为监控设备的样本 数据集， 再通过分析监控设备与非监控设备 的数据包初步筛选特征， 结合方差选择以及随 机森林算法完成特征的自动化提取， 最后利用机器学习中的随机森林构建了监控设备的粗 粒度识别模型， 完成对设备的粗粒度识别。 [0009]进一步在于， 所述细粒度识别方案为通过监控设备的粗粒度识别完成对监控设备 数据的收集， 然后为了更好的选择特征， 通过余弦相似度算法将相似的监控设备 的数据包 进行聚类， 余弦相似度的值越接近于1， 代表二者的数据包越相似， 之后对聚类后的数据包 进行特征筛选， 最后通过机器学习中的随机森林算法构建了监控设备 的细粒度识别模型， 完成对监控设备的细粒度识别。 [0010]进一步在于， 所述规则库的构建分为两步， 具体为数据 包聚类、 提取特征并构建规 则库。 [0011]与现有技 术相比， 本发明的有益效果是： [0012]1.具有针对监控设备的机器学习识别算法， 即通过利用随机森林分类算法开发出 来的针对监控设备的粗粒度和细粒度识别模型。 [0013]2.具有面向大规模监控设备的设备识别方案， 即通过结合基于分类算法的设备识说　明　书 1/7 页 3 CN 115526229 A 3