一种基于资产指纹的物联网设备实时监管方法及系统与流程
本发明涉及物联网设备管理,具体涉及一种基于资产指纹的物联网设备实时监管方法及系统。
背景技术:
1、目前,交通路网的电子管理系统中存在大量的物联网设备(摄像头、雷达、plc控制器等),因为这些物联网设备来源复杂,部署的时间节点也不相同,因此难以直观且有效地对这些物联网设备进行统一有效管理:传统管理方案中,只能通过监测ip地址来判断物联网设备“在不在线”,管理手段粗糙且有限;但这无法确定物联网设备“是否正常工作”、“是不是原装正品”、“有没有被非法替换”等深层次管理问题;也就是说,目前缺乏一种能够对同一物联网系统(例如交通路网系统)中的物联网设备进行更加有效且完善地实时监管的技术方案。
技术实现思路
1、本发明的主要目的是提供一种基于资产指纹的物联网设备实时监管方法及系统,旨在解决目前缺乏能够对同一物联网系统中的物联网设备进行更加有效且完善地实时监管的技术方案的问题。
2、本发明提出的技术方案为:
3、一种基于资产指纹的物联网设备实时监管方法,应用于基于资产指纹的物联网设备实时监管系统;所述系统包括服务器,以及通信连接于服务器的边缘采集组件;所述方法,包括:
4、边缘采集组件采集各物联网设备的多维度原始特征数据,并发送至服务器,其中,边缘采集组件设置于物联网的各节点,且多维度原始特征数据包括:硬件与物理层特征数据、网络与协议栈特征数据、通信与网络行为特征数据,以及应用与服务层特征数据;
5、服务器基于多维度原始特征数据通过哈希算法生成的物联网设备对应且全局唯一的设备指纹信息;
6、服务器对多维度原始特征数据进行预处理,并提取出多个设备维度特征;
7、服务器基于设备维度特征通过机器学习模型生成的物联网设备对应的设备标识信息;
8、服务器将各物联网设备首次生成的设备指纹信息标记为初始设备指纹信息,将首次生成的设备标识信息标记为初始设备标识信息;
9、对于正在运行中各物联网设备,服务器每隔预设时长获取一次边缘采集组件采集的多维度原始特征数据,并生成物联网设备对应的当前设备指纹信息和当前设备标识信息;
10、服务器基于当前设备指纹信息、当前设备标识信息、初始设备指纹信息、初始设备标识信息判断物联网设备是否存在身份异常。
11、优选的,所述硬件与物理层特征数据包括:时钟偏移量、网卡组织唯一标识符、硬件接口序列号;所述网络与协议栈特征数据包括:默认ttl值、tcp窗口大小、报文最大段大小、tcp选项排列顺序、特定协议交互特征标识字段、特定协议序列号生成规律;所述通信与网络行为特征数据包括:心跳包发送频次、心跳包时间间隔方差、上下行流量比例、并发连接数、通信对端ip基线、通信对端端口基线;所述应用与服务层特征数据包括:开放端口列表、端口服务banner信息、加密通信tls握手密码套件列表、tls加密扩展字段。
12、优选的,所述服务器基于多维度原始特征数据通过哈希算法生成的物联网设备对应且全局唯一的设备指纹信息,包括:
13、服务器基于多维度原始特征数据中的网卡组织唯一标识符和硬件接口序列号生成物联网设备对应的mac地址;
14、服务器获取物联网设备对应的时钟偏移量;
15、服务器将mac地址字符串中的十六进制字节依次取出,并拼接为48位索引整数ms:
16、,
17、式中,为mac地址字符串中第i+1个的十六进制字节,0≤i≤5;
18、服务器将时钟偏移量与索引整数ms进行双层绑定哈希融合,以生成与物联网设备对应且全局唯一的设备指纹信息。
19、优选的,所述服务器获取物联网设备对应的时钟偏移量,包括:
20、边缘采集组件对物联网设备连续发送n次探测包,并计算每次发送探测包所对应的时钟偏移量:
21、,
22、式中,为时钟偏移量;为边缘采集组件发送探测包的时刻;为物联网设备收到探测包的时刻;为物联网设备发送响应包的时刻,为边缘采集组件收到响应包的时刻;
23、服务器剔除多个时钟偏移量中的明显离群值,并取剩余时钟偏移量的中位数作为本次采集的时钟偏移量。
24、优选的,所述服务器将时钟偏移量与索引整数ms进行双层绑定哈希融合,以生成与物联网设备对应且全局唯一的设备指纹信息,包括:
25、服务器将时钟偏移量进行量化以得到64位的时钟偏移量化值c:
26、,
27、式中,为放大因子;round()表示四舍五入到最接近的整数;
28、服务器将索引整数ms与时钟偏移量化值c进行交叉位交织处理,以生成一个96位的中间绑定值b:
29、,
30、式中,:将64位的c向左移48位,以占据高64位;附加项为64位校验码;
31、服务器将96位的中间绑定值b进行字节填充以补齐至128位,然后输入至sha-256单向哈希函数,并截取输出的哈希值的前128位作为最终的设备指纹信息。
32、优选的,所述服务器对多维度原始特征数据进行预处理,并提取出多个设备维度特征,包括:
33、服务器对各多维度原始特征数据进行针对性标准化与归一化处理,以得到多个设备维度特征,包括:
34、服务器针对时钟偏移量、特定协议序列号生成规律、心跳包发送频次进行z-score标准化处理,以得到对应的设备维度特征;
35、服务器针对网卡组织唯一标识符进行有序标签编码和z-score标准化处理,以得到对应的设备维度特征;
36、服务器针对硬件接口序列号进行哈希摘要算法和最小-最大归一化处理,以得到对应的设备维度特征;
37、服务器针对默认ttl值、报文最大段大小、上下行流量比例进行最小-最大归一化处理,以得到对应的设备维度特征;
38、服务器针对tcp窗口大小、心跳包时间间隔方差、并发连接数进行对数变换和z-score标准化处理,以得到对应的设备维度特征;
39、服务器针对tcp选项排列顺序进行频率编码处理和z-score标准化处理,以得到对应的设备维度特征;
40、服务器针对特定协议交互特征标识字段进行独热编码压缩法和角度归一化处理,以得到对应的设备维度特征;
41、服务器针对通信对端ip基线进行网络前缀聚合和最小-最大归一化处理,以得到对应的设备维度特征;
42、服务器针对通信对端端口基线进行加权质心编码和最小-最大归一化处理,以得到对应的设备维度特征;
43、服务器针对开放端口列表进行布尔矩阵降维和哈希归一化处理,以得到对应的设备维度特征;
44、服务器针对端口服务banner信息进行tf-idf加权哈希归一化处理,以得到对应的设备维度特征;
45、服务器针对加密通信tls握手密码套件列表进行集合哈希编码和最小-最大归一化处理,以得到对应的设备维度特征;
46、服务器针对tls加密扩展字段进行位掩码编码和最小-最大归一化处理,以得到对应的设备维度特征。
47、优选的,所述服务器基于设备维度特征通过机器学习模型生成的物联网设备对应的设备标识信息,包括:
48、服务器构建多任务深度神经网络模型,并获取训练数据,其中,训练数据包括与多个物联网设备一一对应的样本数据,每个样本数据包括设备维度特征,以及人工标注的物联网设备对应的设备标识信息,设备标识信息的种类包括设备类型、设备厂商、设备型号、固件版本号,以及通信协议类型;多任务深度神经网络模型包括多个独立的全连接输出头,每个输出头对应一种设备标识信息的分类任务;
49、服务器基于训练数据构建词汇表映射文件,其中,词汇表映射文件包括设备标识信息中各实际标识名称唯一对应的索引值;
50、服务器基于词汇表映射文件将训练数据中各训练样本的设备标识信息转换为对应的索引值;
51、服务器将各训练样本的设备维度特征作为多任务深度神经网络模型的输入参数,将各训练样本的设备标识信息对应的索引值作为输出参数,以对多任务深度神经网络模型进行训练;
52、服务器基于完成训练的多任务深度神经网络模型得到物联网设备的设备标识信息。
53、优选的,所述服务器基于完成训练的多任务深度神经网络模型得到物联网设备的设备标识信息,包括:
54、服务器将物联网设备的设备维度信息输入完成训练的多任务深度神经网络模型,以得到输出的预测索引值;
55、服务器基于词汇表映射文件将预测索引值转换为对应的实际标识名称,并作为当前物联网设备对应的设备标识信息。
56、优选的,所述系统还包括与服务器通信连接的管理终端;所述服务器基于当前设备指纹信息、当前设备标识信息、初始设备指纹信息、初始设备标识信息判断物联网设备是否存在身份异常,包括:
57、若当前设备指纹信息和初始设备指纹信息不一致,服务器判定当前的物联网设备存在身份异常,并生成警告级告警信息;
58、若当前设备指纹信息和初始设备指纹信息一致,且当前设备标识信息和初始设备标识信息不一致,服务器判定当前的物联网设备存在身份异常,并生成关注级告警信息;
59、服务器将警告级告警信息或关注级告警信息发送至管理终端。
60、本发明还提出一种基于资产指纹的物联网设备实时监管系统,应用基于资产指纹的物联网设备实时监管方法;所述系统包括服务器,以及通信连接于服务器的边缘采集组件。
61、通过上述技术方案,能实现以下有益效果:
62、本发明提出的基于资产指纹的物联网设备实时监管方法能够提供一种对同一物联网系统中的物联网设备进行更加有效且完善地实时监管的技术方案;本技术从硬件与物理层、网络与协议栈、通信与网络行为,以及应用与服务层四个维度提取多个原始特征数据,然后基于多维度原始特征数据通过哈希算法生成的物联网设备对应且全局唯一的设备指纹信息;并对多维度原始特征数据进行预处理,并提取出多个设备维度特征,之后基于设备维度特征通过机器学习模型生成的物联网设备对应的设备标识信息;即使攻击者伪造了ip地址和mac地址,由于时钟偏移量等底层物理特征无法伪造,依然能够从设备指纹信息和设备标识信息中精准识别设备的真实身份,从而实现对物联网设备进行更加有效且完善地实时监管。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com