【技術實現步驟摘要】
本專利技術涉及物聯網，具體涉及一種物聯網終端行為畫像方法、系統、設備及介質。
技術介紹
1、近年來，物聯網發展的速度讓人驚訝，大多數機構都預計其發展速度還會加快。預計到2025年，在設備數目方面，物聯網設備的數量規模可以達到246億；在產生收入方面，物聯網設備銷售的年收入將會達到1.1萬億美元以上。伴隨著物聯網的快速發展，物聯網安全問題也越發嚴重。2016年發生的影響全世界的ddos(分布式拒絕服務)攻擊，對物聯網設備和用戶造成了嚴重破壞，自此，各國開始重視物聯網安全問題。
2、與通用設備不同，特定的物聯網終端設備往往用于執行特定的工作任務，例如溫濕度測量、定位追蹤、運動感知等。因此，如果能夠對物聯網終端設備的行為進行準確的畫像，就可以利用行為畫像及時發現出現異常的物聯網終端設備，并進行相應的處置，避免其對其他物聯網終端或整個網絡造成危害。
3、但是，如何準確的對物聯網設備進行行為畫像，卻是一項極大的挑戰。這是主要因為：
4、(1)物聯網設備種類繁多，數量極大，人工分析、建立每個物聯網設備的精準行為模型是不現實的；
5、(2)不同設備廠商所生產的物聯網設備采用不同通信協議的，比如：藍牙、wifi、zigbee、plc、z-wave、rf、thread、z-wave、nfc、uwb、lifi、nb-iot、lora等。在實際的物聯網場景中，經常會混合使用不同產商的設備，而不同廠商設備所產生的流量雜亂無章，這都成為準確畫像物聯網終端行為的阻礙。
6、目前，研究者主要依賴設備
7、綜上所述，如何構建一種不依賴預設數據，無需人工介入，適用于不同類型、不同廠商物聯網設備，同時能夠應對海量設備接入場景的、自動化物聯網終端設備畫像方法始終是一個難以解決的問題。
技術實現思路
1、為了解決不依賴預設數據、無需人工介入的物聯網終端設備畫像的問題，本專利技術提出了一種物聯網終端行為畫像方法，包括：
2、對全部網絡流量按會話進行分割，裁剪和維度轉換，得到會話數據向量；
3、基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型；
4、基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型；
5、由訓練好的物聯網終端設備行為模型中從輸入層到輸出層的參數，作為物聯網終端設備行為畫像。
6、可選地，所述基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型，包括：
7、將會話數據向量依照時間順序輸入所述物聯網終端設備行為模型，并通過比對預測的會話數據向量與真實的會話數據向量之間的差異來調整模型參數，得到訓練好的物聯網終端設備行為模型。
8、可選地，所述對所述全部網絡流量按會話進行分割，裁剪和維度轉換，得到會話數據向量，包括：
9、對所述全部網絡流量按會話進行分割，將屬于同一會話的數據包存儲到一個文件中，得到會話流量包；
10、對會話流量包進行裁剪，確保數據包長度為1024字節，并將1024字節的數據包轉換為32*32的向量，得到會話數據向量。
11、可選地，所述基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型，包括：
12、由融合卷積神經網絡的輸入層、2層卷積層、2層池化層、輸出層結合長短時記憶神經網絡的2層lstm隱藏層建立物聯網終端設備行為模型。
13、再一方面本專利技術還公開了一種物聯網終端行為畫像系統，包括：
14、物聯網終端設備流量拆分模塊：對全部網絡流量按會話進行分割，得到會話流量包；
15、會話數據裁剪與維度轉換模塊：用于對會話流量包進行裁剪和維度轉換，得到會話數據向量；
16、構建模塊，用于基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型；
17、訓練模塊，用于基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型；
18、畫像生成模塊，用于由訓練好的物聯網終端設備行為模型中從輸入層到輸出層的參數，作為物聯網終端設備行為畫像。
19、可選地，所述訓練模塊，具體用于：
20、將會話數據向量依照時間順序輸入所述物聯網終端設備行為模型，并通過比對預測的會話數據向量與真實的會話數據向量之間的差異來調整模型參數，得到訓練好的物聯網終端設備行為模型。
21、可選地，所述物聯網終端設備流量拆分模塊具體用于：
22、對所述全部網絡流量按會話進行分割，將屬于同一會話的數據包存儲到一個文件中，得到會話流量包。
23、可選地，所述會話數據裁剪與維度轉換模塊具體用于：
24、對會話流量包進行裁剪，確保數據包長度為1024字節，并將1024字節的數據包轉換為32*32的向量，得到會話數據向量。
25、可選地，所述構建模塊具體用于：
26、由融合卷積神經網絡的輸入層、2層卷積層、2層池化層、輸出層結合長短時記憶神經網絡的2層lstm隱藏層建立物聯網終端設備行為模型。
27、再一方面，本申請還提供了一種計算設備，包括：至少一個處理器和存儲器；
28、所述存儲器，用于存儲一個或多個程序；
29、當所述一個或多個程序被所述至少一個處理器執行時，實現如上述所述的一種物聯網終端行為畫像方法。
30、再一方面，本申請還提供了一種計算機可讀存儲介質，其上存有計算機程序，所述計算機程序被執行時，實現如上述所述的一種物聯網終端行為畫像方法。
31、與現有技術相比，本專利技術的有益效果為：
32、本專利技術公開了一種物聯網終端行為畫像方法、系統、設備及介質，包括：對全部網絡流量按會話進行分割，裁剪和維度轉換，得到會話數據向量；基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型；基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型；由訓練好的物聯網終端設備行為模型中從輸入層到輸出層的參數，作為物聯網終端設備行為畫像。本專利技術以全流量數據作為設備畫像的依據，從而可以涵蓋視頻行為數據之外的特征，而且流量數據可以直接從網絡中獲得，可以實現自動化的設備畫像，不需要使用預設信息、無需建立預設數據庫，對于場景的適配能力強。本文檔來自技高網...
【技術保護點】
1.一種物聯網終端行為畫像方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型，包括：
3.如權利要求1所述的方法，其特征在于，所述對所述全部網絡流量按會話進行分割，裁剪和維度轉換，得到會話數據向量，包括：
4.如權利要求1所述的方法，其特征在于，所述基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型，包括：
5.一種物聯網終端行為畫像系統，其特征在于，包括：
6.如權利要求5所述的系統，其特征在于，所述訓練模塊，具體用于：
7.如權利要求5所述的系統，其特征在于，所述物聯網終端設備流量拆分模塊具體用于：
8.如權利要求5所述的系統，其特征在于，所述會話數據裁剪與維度轉換模塊具體用于：
9.一種電子設備，其特征在于，包括：至少一個處理器和存儲器；所述存儲器和處理器通過總線相連；
10.一種可讀存儲介質，其特征在于，其上存有執行程序，所述
...【技術特征摘要】
1.一種物聯網終端行為畫像方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述基于所述會話數據向量對所述物聯網終端設備行為模型進行訓練，得到訓練好的物聯網終端設備行為模型，包括：
3.如權利要求1所述的方法，其特征在于，所述對所述全部網絡流量按會話進行分割，裁剪和維度轉換，得到會話數據向量，包括：
4.如權利要求1所述的方法，其特征在于，所述基于融合卷積神經網絡和長短時記憶神經網絡的深度神經網絡建立物聯網終端設備行為模型，包括：
5.一種物聯網終端行為畫像系統，其特征...
【專利技術屬性】
技術研發人員：陳凱，張錋，趙宇飛，高雪芹，王文輝，韓龍璽，
申請(專利權)人：國網智能電網研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。