一种基于语义感知表征与自适应语义反馈的物联网设备识别方法及系统

本发明涉及物联网设备识别，尤其涉及一种基于语义感知表征与自适应语义反馈的物联网设备识别方法及系统。

背景技术：

1、随着物联网技术的飞速发展，海量异构设备被广泛部署于各个关键领域，但随之而来的网络安全隐患也日益凸显。由于物联网设备普遍存在资源受限、系统更新滞后等问题，极易成为网络攻击的跳板。因此，对接入网络的设备进行精准的身份识别，是实施有效安全管控的首要前提。基于网络通信行为的设备指纹技术作为一种被动身份认证手段，能够有效克服传统物理标识（如ip/mac地址）易被伪造与篡改的局限性，已成为该领域的核心技术。

2、然而，传统的设备指纹提取方法大多依赖于单一维度的浅层流量特征。在面对真实网络环境中的抖动、丢包以及日益普及的加密协议时，这些单一特征往往表现出严重的不稳定性与表达局限。为了突破这一瓶颈，现有的技术趋势逐渐向多维度特征变换与深层模式挖掘演进。通过将网络流量映射至更丰富的表征空间（如多尺度空间或频域变换等），旨在更有效地捕捉设备底层的固有通信规律，从而增强设备指纹的抗干扰能力与鲁棒性，为复杂网络环境下的物联网安全防护提供更为可靠的技术路径。

3、中国专利授权号为“cn116958586b”，名称为“基于多尺度注意力胶囊网络的物联网设备识别方法及系统”。该方法通过在前向网络中引入多尺度特征提取架构与注意力机制，以增强关键流量特征的判别性表达，并利用胶囊网络特有的向量激活与耦合机制，试图保留流量指纹在空间维度的拓扑与位置关联，从而提升模型对底层通信行为特征的捕获能力。该方法在物联网设备识别中存在深层特征提取不充分、抗混淆能力弱、少数类识别率低和长尾场景下泛化性能差的问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于语义感知表征与自适应语义反馈的物联网设备识别方法，解决现有的物联网设备识别方法由于单一特征表达受限、加密协议同态化严重以及极端长尾数据分布带来的深层特征提取不充分、高相似度设备易混淆以及少数类识别精度低的问题。

2、本发明为了实现上述目的具体采用以下技术方案：

3、一种基于语义感知表征与自适应语义反馈的物联网设备识别方法及系统，包括以下步骤：

4、步骤1，准备数据集：获取物联网设备的网络流量数据集，并将数据集按照一定的比例划分为训练集、验证集和测试集；

5、步骤2，数据预处理：获取原始网络流量统计特征，按照预设的物理语义逻辑对特征进行分组重构排列；利用非线性变换平衡离群值，并应用直方图均衡化算法增强流量纹理差异，将特征数据映射为具备物理语义关联的伪彩色流量指纹图像；

6、步骤3，构建网络模型：整个基于语义感知表征与自适应语义反馈的物联网设备识别网络由特征提取模块、全局语境感知模块、语义反馈调制模块和多任务联合输出模块组成；其中，特征提取模块由多尺度卷积模块、动态门控残差模块、混合时空特征模块以及自适应解耦残差模块组成；全局语境感知模块由全局差分注意力模块和全局上下文提取模块组成；语义反馈调制模块由线性映射层和特征线性调制层组成；多任务联合输出模块由分类映射头和对比特征投影头组成；

7、步骤4，选择合适的损失函数和评价指标：选取带标签平滑的交叉熵损失函数与监督对比学习损失函数构成的联合损失函数；采用准确率、精确率、召回率以及宏平均f1值作为模型的性能评价指标；

8、步骤5，训练网络模型：训练物联网设备识别模型，将步骤1中的数据集使用步骤2的中方式进行数据预处理，并将预处理之后的数据输入到步骤3构建的物联网设备识别模型进行训练；

9、步骤6，保存模型：根据评价指标表现最好的模型参数进行固化，确定最终物联网设备识别模型。

10、进一步地，所述步骤1中，将数据集按照一定的比例划分为训练集、验证集和测试集具体为：采用分层抽样策略，按照预设比例对所述网络流量数据集进行划分，以保证训练集、验证集和测试集中各类物联网设备的样本分布比例保持一致。

11、进一步地，所述步骤2中，按照预设的物理语义逻辑对特征进行分组重构排列具体包括：将提取的网络流量统计特征，按照时间相关特征、数据包计数特征、字节流特征、包长度分布特征、到达间隔特征、tcp标志位特征以及连接行为特征的物理语义顺序进行有序串联排列。

12、进一步地，所述步骤3中，所述特征提取模块中的自适应解耦残差模块的具体工作方式为：自适应解耦残差模块由主体语义分支与梯度增强分支组成，主体语义分支提取平滑的上下文语义分量以捕获稳定的语义模式；梯度增强分支通过包含不同步长错位差分操作的多尺度差分算子组捕捉梯度变化信息，经由跨通道特征融合与自适应调制生成梯度增强分量；随后将两路分量加权映射并进行残差相加，实现对平滑语义特征与梯度响应特征的分支化解耦建模。

13、进一步地，所述步骤3中，所述全局语境感知模块与语义反馈调制模块的交互过程为：全局差分注意力模块通过多头自注意力机制构建特征的全局长程依赖关系，全局上下文提取模块通过空间金字塔池化浓缩得到全局语义向量；随后，语义反馈调制模块中的线性映射层根据所述全局语义向量生成动态的缩放参数与偏置参数，由特征线性调制层对特征提取模块输出的浅层特征执行通道级仿射变换，实现自顶向下的特征重标定。

14、进一步地，所述步骤3中，所述多任务联合输出模块的具体工作方式为：分类映射头通过全连接映射输出设备身份的分类概率分布；对比特征投影头将融合后的特征映射至高维超球面，通过对比聚类拉近同类设备特征并推远异类设备特征。

15、进一步地，所述步骤4中，所述联合损失函数为带标签平滑的交叉熵损失与监督对比学习损失的加权组合；前者通过软标签机制抑制模型对多数类设备的过度置信以缓解长尾偏差；后者通过对比约束促使同类特征在隐空间内形成紧致且边界清晰的聚类簇；两者协同进行多任务联合优化，同步完成设备分类决策与特征空间排布。

16、进一步地，所述步骤5中，在输入模型进行训练的过程中，还包括：采用基于平方根平滑权重的随机采样策略对训练集的数据进行加权采样，并应用mixup数据混淆技术在特征空间生成虚拟增强样本，以自适应调节非平衡样本的判别边界，缓解极小样本场景下的长尾分布偏差。

17、与现有技术相比，本发明提供了一种基于语义感知表征与自适应语义反馈的物联网设备识别方法，具备以下有益效果：

18、本发明提供了一种基于语义感知表征与自适应语义反馈的物联网设备识别方法，通过构建多级特征感知与自适应反馈的闭环网络架构，实现了对底层物理流量指纹与深层协议语境特征的全面捕获与深度融合。该总体架构有效打破了传统单一特征的表达局限，提升了模型在复杂网络环境下的设备分类精度、抗混淆能力以及面对未知环境的整体鲁棒性。

19、本发明在特征提取模块中提出自适应解耦残差模块，通过构建双路径并行处理架构，实现对平滑语义特征与梯度响应特征的解耦建模。利用集成于分支内部的多尺度差分算子组提取流量特征在不同尺度下的梯度变化信息，生成自适应调制的梯度增强分量，并将其与主体语义分支提取的平滑上下文语义分量执行加权融合与特征映射。这一解耦机制使得模型能够在网络抖动或丢包的高噪环境中，捕获设备固有的平滑语义模式与显著梯度变化，提高了特征提取的稳定性。

20、本发明构建了全局语义反馈机制，利用全局语境感知模块提取深层协议的全局语义，并通过语义反馈调制模块生成动态仿射参数，反向对浅层特征执行通道级重标定。该动态反馈架构能够抑制同厂商或同类型设备的冗余相似噪声，强化设备间的微观特征差异，从而在加密流量环境中实现设备的有效区分。

21、本发明采用了一种多任务联合输出与动态平滑策略。一方面，通过在多任务联合输出模块中构建对比特征投影头，基于高维特征空间施加监督对比约束，促使同类少样本设备的特征形成紧致聚类；另一方面，结合带标签平滑的交叉熵损失机制，抑制模型对多数类大样本设备的过度置信预测。该联合优化策略缓解了少数类特征表征受限的问题，提升了模型在样本不平衡数据下的泛化性能与少数类设备的识别准确率。