引言

物聯(lián)網(wǎng)（IoT）作為信息科技產(chǎn)業(yè)的第三次革命，正迅速擴展，尤其在工業(yè)物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、衛(wèi)星互聯(lián)網(wǎng)等領(lǐng)域［1］。然而，伴隨物聯(lián)網(wǎng)設(shè)備的激增，傳統(tǒng)的設(shè)備資產(chǎn)管理方式不僅需要大量人力物力，還對管理員的專業(yè)能力提出了更高要求。物聯(lián)網(wǎng)設(shè)備通過多種無線方式接入網(wǎng)絡(luò)，使用多種協(xié)議，其中許多為專有或非標準協(xié)議，如何快速、準確地識別和管理這些設(shè)備成為亟待解決的難題。

傳統(tǒng)的主被動資產(chǎn)摸底檢測方式容易將物聯(lián)網(wǎng)設(shè)備誤分類，忽略其獨特屬性。同時，物聯(lián)網(wǎng)設(shè)備的安全問題不容忽視，受攻擊的設(shè)備不僅會喪失功能，還可能被利用作為跳板威脅整個網(wǎng)絡(luò)的安全［2］。因此，有效識別物聯(lián)網(wǎng)設(shè)備顯得尤為緊迫。

物聯(lián)網(wǎng)資產(chǎn)識別技術(shù)在物聯(lián)網(wǎng)系統(tǒng)中具有重要作用［3］：它幫助管理員建立全面的設(shè)備清單，支持漏洞管理、補丁分發(fā)和訪問控制；能夠發(fā)現(xiàn)未授權(quán)或異常設(shè)備，有效降低安全風險；同時，精準識別和跟蹤設(shè)備活動是滿足隱私保護法規(guī)的前提。

近年來,物聯(lián)網(wǎng)設(shè)備識別和異常檢測工作成為研究熱點，主要針對以下幾個方面：

（1）針對物聯(lián)網(wǎng)特征提取問題，文獻［4］提出了一種稱為DPFEN的獨特雙相特征提取技術(shù)，用于對IoT設(shè)備上的網(wǎng)絡(luò)攻擊進行分類，但所提出的方法在數(shù)據(jù)集的選擇和應(yīng)用范圍上存在一定的局限性，會影響其在實際IoT環(huán)境中的有效性和可靠性。文獻［5］使用云計算的多特征提取極限學習機（MFEELM）算法，檢測和發(fā)現(xiàn)對云節(jié)點的網(wǎng)絡(luò)入侵。但MFE-ELM算法只在特定的云環(huán)境上進行訓練和測試，無法很好地泛化到其他不同的網(wǎng)絡(luò)環(huán)境和攻擊類型。

（2）針對樣本不均衡問題，文獻［6］根據(jù)語義邊界檢測任務(wù)的特點，提出了一種損失函數(shù)來解決樣本不平衡的問題，可以以不同的方式處理樣本，讓網(wǎng)絡(luò)更加關(guān)注難以分類的樣本。文獻［7］提出了樣本平衡策略模塊來優(yōu)化訓練樣本之間的不平衡，尤其是正和負、簡單和困難樣本之間的不平衡。但這兩種方法，在處理極端不平衡的數(shù)據(jù)集時，會限制模型的泛化能力，導(dǎo)致預(yù)測精度較低。

(3)針對物聯(lián)網(wǎng)資產(chǎn)識別問題，文獻［8］提出一種基于流量特征的兩層物聯(lián)網(wǎng)設(shè)備類型定義和識別方法，可以訓練物聯(lián)網(wǎng)設(shè)備類型并識別每種類型下的設(shè)備。文獻［9］提出一種基于網(wǎng)絡(luò)流量的物聯(lián)網(wǎng)設(shè)備識別方法，此方法通過提取協(xié)議統(tǒng)計特征和流級統(tǒng)計特征，有效降低了特征提取的成本。IoT設(shè)備類型眾多，特征構(gòu)造復(fù)雜，但當新的設(shè)備類型被引入網(wǎng)絡(luò)或現(xiàn)有設(shè)備的行為因制造商的合法固件升級而發(fā)生變化時，文獻［8］需要為每種設(shè)備類型定制特征模型，而文獻［9］則必須針對所有類別重新訓練所有型號。上述兩種方法均表現(xiàn)了其在實現(xiàn)上具有較高的算法復(fù)雜度。

上述方法雖然能夠識別出網(wǎng)絡(luò)中的物聯(lián)網(wǎng)設(shè)備，但依舊存在局限性：（1）隨著物聯(lián)網(wǎng)設(shè)備種類和特征的增加，模型計算復(fù)雜度和資源需求顯著提高；（2）設(shè)備加密通信的普及，流量內(nèi)容特征無法直接獲取；（3）設(shè)備流量分布不均，某些設(shè)備流量稀少，導(dǎo)致訓練數(shù)據(jù)不平衡，影響模型性能，可能導(dǎo)致過擬合。

為解決上述問題，本文提出了兩階段物聯(lián)網(wǎng)資產(chǎn)識別技術(shù)。第一階段，采用異構(gòu)協(xié)議融合的流量特征選擇算法，從網(wǎng)絡(luò)流量中提取關(guān)鍵特征，有效應(yīng)對多樣化協(xié)議環(huán)境和加密流量特征提取困難問題。同時，利用輕量化SqueezeNet模型過濾非物聯(lián)網(wǎng)設(shè)備，減少不必要的計算資源消耗。第二階段，引入GAN模型生成稀缺類別樣本，平衡數(shù)據(jù)分布，提升模型的泛化能力。在此基礎(chǔ)上，結(jié)合XLNet-Attention模型進一步對物聯(lián)網(wǎng)資產(chǎn)類型進行識別。該方法有效應(yīng)對了計算復(fù)雜度、加密流量分析和數(shù)據(jù)不均衡問題，為物聯(lián)網(wǎng)資產(chǎn)管理和安全防護提供了可行技術(shù)路徑。

本文詳細內(nèi)容請下載：

http://m.jysgc.com/resource/share/2000006407

作者信息：

權(quán)曉文1,2，汪連連2，韓衛(wèi)東2，任高峰2，楊家海1

（1.清華大學網(wǎng)絡(luò)科學與網(wǎng)絡(luò)空間研究院，北京100084；

2.遠江盛邦（北京）網(wǎng)絡(luò)安全科技股份有限公司，北京100085）