分阶段的设备细粒度类型识别方法及系统

1.本发明属于设备类型识别技术领域，具体涉及一种分阶段的设备细粒度类型识别方法及系统。


背景技术：

2.设备类型识别是研判品牌型号、服务类型、版本信息等设备信息的技术，准确识别设备的细粒度类型能够为网络资源测绘、网络资产普查、漏洞风险评估、打击仿冒产品等方面提供重要基础支撑，对于提升网络治理效能和保护知识产权具有重要意义。现有设备类型识别方法主要可分为基于测量结果的设备类型识别、基于信息搜索的设备类型识别和基于物理信息的设备类型识别。
3.基于测量结果的设备类型识别方法，通过挖掘和分析主动测量结果中的属性信息(如端口、协议、banner等)，以及被动侦听结果中的行为特征(如数据包长度、发包间隔、数据流统计特征等)，构建设备指纹库和分类识别模型，实现对设备类型的判别。nmap从设备的主动测量结果中提取端口信息构建设备指纹，率先实现了对设备承载服务类型和操作系统的识别。此后，durumeric等人研制zmap极大地加快了识别过程中对目标设备的信息采集，提升了网络设备识别效能。有的文献抽取tcp报文首部中的ip、端口、标志位等作为特征，使用机器学习算法训练识别模型，从而实现对设备类型的判别。有的文献从被动侦测结果的各层协议数据中提取特征生成设备指纹，通过指纹匹配获得设备类型。arunan等人从网络层和应用层的数据流中提取报文时间、端口、dns等特征，使用多种机器学习算法构建分阶段识别模型，实现对设备类型的识别。有的文献从被动侦测结果中统计分析不同设备类型的报文时间、活动周期、信号模式等行为特征，构建设备描述符标识设备类型。cheng等人则根据测量流量中不同类型设备的文件头间的差异性进行设备类型判别。
4.基于测量结果的设备类型识别方法具有广泛的测量数据来源，能够在正常网络环境下批量识别设备种类和品牌信息，且方法具有良好的环境适用性。然而，由于种类和品牌相同的设备在网络测量数据中的差异性体现不明显，该类方法难以有效判别设备的细粒度型号。
5.基于网络搜索的设备类型识别方法使用互联网爬虫从url字符串、web页面等互联网资源中搜索设备产品属性相关信息，从而构建用于设备类型判别的设备信息库。li等人基于监控设备的web页面中的gui信息，设计了一种设备种类信息识别算法,发现了大约160万个监控设备。zou等人搭建了物联网设备类型识别框架，基于物联网设备协议标语中包含的产品属性构建设备信息库，进而实现对设备类型的分级识别。agarwal等人开发了wid工具，从设备主页面及其子页面的源代码中标定设备类型。feng等人设计的are引擎能够在设备网站上搜索应用层响应数据中的特殊标语，从设备注释中获得设备描述信息用以判别设备类型。
6.基于网络搜索的设备类型识别方法基于互联网web资源对设备类型进行标定，无需构建设备指纹库或训练机器学习模型即可对设备类型的细粒度识别。然而，由于web资源
的可靠性难以评估，且搜索结果的页面结构多样，该类方法在实际网络环境中的识别准确率不高，且实现复杂。
7.基于物理信息的设备类型识别方法基于设备物理特征上的差异性进行设备类型识别。guo等人分析了设备物理地址的结构分配特点，使用mac地址进行设备类型识别。有的文献利用“每种设备的时钟具有唯一性，且经网络时间协议(network time protocol,ntp)校准后仍存在的偏差”这一时间偏移特性对物联网设备进行分类。s.radhakrishnan发现设备硬件时钟偏差会导致网络行为间的差异性，基于神经网络设计设备指纹生成算法gtid识别设备类型。
8.基于物理信息的设备类型识别方法能够识别设备的细粒度类型，特别是基于时钟偏移特性的识别方法，大幅度提升了类型识别的精度和准确率。然而由于网络干扰，精准的时间偏移量难以测量，该类方法在实际网络环境中的识别准确率较低，同时计算设备的时钟偏移需要大量连续的数据包，这也限制了该类方法的大规模使用。


技术实现要素：

9.针对现有方法在实际环境中识别设备细粒度类型的准确率低的问题，本发明提出一种分阶段的设备细粒度类型识别方法及系统，能够高效识别目标设备的品牌和型号，识别准确率高。
10.为了实现上述目的，本发明采用以下的技术方案：
11.本发明提供了一种分阶段的设备细粒度类型识别方法，包含以下步骤：
12.依据设备品牌将知识集中的所有设备进行分组，属于同一品牌的设备划分为一组，对于每个品牌分组，从分组内设备的信息中抽取共同设备属性作为品牌属性，若所有品牌分组均具有某个品牌属性，则提取该属性作为特征；
13.根据特征的表现形式，将提取特征分为数值型特征和字符串型特征，对于不同形式的特征，分别设计特征相似性度量规则；
14.设计提取特征在品牌识别中的重要性衡量算法和提取特征在型号识别中的重要性衡量算法来衡量各提取特征在品牌识别和型号识别中的重要性，从而进行品牌特征、型号特征选择并确定权值；
15.依据品牌特征及其权值识别目标设备的品牌后，由型号特征及其权值识别目标设备的型号，从而实现对目标设备类型的识别。
16.进一步地，对于数值型特征，设计特征相似性度量规则包括：
17.若设备di和dj的第k个提取特征为数值型特征，且仅有一个数值，则使用公式(1)计算目标特征与基准特征间的特征相似度：
[0018][0019]
其中，ε为误差阈值，为设备di的第k个提取特征，为设备dj的第k个提取
特征，为特征值的绝对值；
[0020]
若与包含多个数值，记则对每个维度上的数值分别计算相似度，最终的特征相似度值为每个维度上的相似度的乘积，那么与间的特征相似度计算如公式(2)：
[0021][0022]
根据公式(1)和公式(2)计算特征相似度时，若或则表明特征值或某个维度上的数值间的差值过大，此时特征判定为不相似，特征相似度为0。
[0023]
进一步地，对于字符串型特征，设计特征相似性度量规则包括：
[0024]
若设备di和dj的第k个提取特征为字符串型特征，且或为单字符串型特征时，利用公式(3)计算与间的特征相似度：
[0025][0026]
当或时，认为此时特征获取不完整，因此将特征相似度值设置为0.8；
[0027]
当和均为多字符串型特征时，以构建向量空间将和向量化，将向量间的余弦相似度作为特征间的相似度，记和的向量化结果分别为v
i,k
和v
j,k
，则与间的特征相似度计算如公式(4)：
[0028][0029]
进一步地，使用提取特征在品牌识别中的重要性衡量算法进行品牌特征选择包括：
[0030]
设ef1,ef2,ef3,
…
,efn为提取特征，则提取特征向量ef＝[ef1,ef2,ef3,
…
,efn]，对提取特征efm，1≤m≤n，令ef
′
＝ef\efm，从向量ef去除efm；根据公式(5)计算删除efm前后品牌内相似性增量的平均值：
[0031][0032]
式中，di,dj∈brandk,brandk∈brand，brandk表示所有品牌类型为k的设备构成的
集合，brand表示品牌类型集合，m为品牌类型数；同时根据公式(6)计算删除efm前后品牌间相似性增量的平均值：
[0033][0034]
式中，di∈brandk,brandk∈brand,d
l
∈brand-{brandk}，brand-{brandk}表示从集合brand中删除brandk；由于0≤s(ef,ef)≤1，根据式(5)和(6)可得：
[0035][0036]
根据得到的avebins和avebouts，设计特征重要性规则用公式(8)表达，来评估特征efm在品牌识别中的重要性：
[0037][0038]
式中，α是衡量avebins和avebouts值对提取特征rqb值的影响因子；若rqb(efm)》0，则efm将被选为品牌特征，将所有品牌特征的rqb值正则化，得到的结果作为特征权值。
[0039]
进一步地，使用提取特征在型号识别中的重要性衡量算法进行型号特征选择包括：
[0040]
设ef1,ef2,ef3,
…
,efn为提取特征，则提取特征向量ef＝[ef1,ef2,ef3,
…
,efn]，对提取特征efm，1≤m≤n，令ef
′
＝ef\efm，从向量ef去除efm；根据公式(5)计算删除efm前后品牌内相似性增量的平均值avebins；同时，根据公式(9)计算删除efm前后品牌内相似性增量标准差aved：
[0041][0042]
式中，di,dj∈brandk,brandk∈brand；根据得到的avebins和aved，设计特征重要性规则用公式(10)表达，来评估特征efm在型号识别中的重要性：
[0043][0044]
式中，β∈[0.5,1]，若rqm(efm)》0，efm将被选为型号特征，将所有型号特征的rqm值正则化，得到的结果作为特征权值。
[0045]
进一步地，依据品牌特征及其权值识别目标设备的品牌包括：
[0046]
根据公式(11)加权计算目标设备与知识集中设备的品牌相似性：
[0047]
bsimi(ki,t)＝s(bf(ki),bf(t))w(bf)
ꢀꢀꢀ
(11)
[0048]
式中，t为目标设备，ki为知识集中的设备，bf表示品牌特征向量，w(bf)为正则化的品牌特征权值；将知识集中与目标具有最大相似度的设备的品牌作为目标设备的品牌，从而实现对目标设备的品牌识别。
[0049]
进一步地，由型号特征及其权值识别目标设备的型号包括：
[0050]
根据公式(12)加权计算目标设备与知识集中设备的型号相似性：
[0051]
msimi(ki,t)＝s(mf(ki),mf(t))w(mf)
ꢀꢀꢀ
(12)
[0052]
式中，t为目标设备，ki为知识集中的设备，mf表示型号特征向量，w(mf)为正则化的型号特征权值；将知识集中与目标具有最大相似度的设备的型号作为目标设备的型号，从而实现对目标设备的型号识别。
[0053]
本发明还提供了一种分阶段的设备细粒度类型识别系统，包括：
[0054]
设备分组及特征提取模块，用于依据设备品牌将知识集中的所有设备进行分组，属于同一品牌的设备划分为一组，对于每个品牌分组，从分组内设备的信息中抽取共同设备属性作为品牌属性，若所有品牌分组均具有某个品牌属性，则提取该属性作为特征；
[0055]
特征相似性度量模块，用于根据特征的表现形式，将提取特征分为数值型特征和字符串型特征，对于不同形式的特征，分别设计特征相似性度量规则；
[0056]
品牌特征及型号特征选择模块，用于设计提取特征在品牌识别中的重要性衡量算法和提取特征在型号识别中的重要性衡量算法来衡量各提取特征在品牌识别和型号识别中的重要性，从而进行品牌特征、型号特征选择并确定权值；
[0057]
类型识别模块，用于依据品牌特征及其权值识别目标设备的品牌后，由型号特征及其权值识别目标设备的型号，从而实现对目标设备类型的识别。
[0058]
与现有技术相比，本发明具有以下优点：
[0059]
本发明的分阶段的设备细粒度类型识别方法，该方法首先从设备的共有属性中提取特征，并根据特征的表现形式，制定了特征相似性度量规则；然后设计提取特征在品牌识别中的重要性衡量算法和提取特征在型号识别中的重要性衡量算法来衡量各提取特征在品牌识别和型号识别中的重要性，在获得提取特征的rqb值和rqm值后，进行品牌特征和型号特征的选择，并确定了特征权值，最后，依据品牌特征、型号特征和特征权值实现对设备品牌和型号的识别。本发明的方法能够有效区分品牌和型号不同的设备，识别准确率高。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1是本发明实施例的分阶段的设备细粒度类型识别方法的流程示意图；
[0062]
图2是本发明实施例的知识集中与目标具有最大设备相似度的设备数量对比图；
[0063]
图3是本发明实施例的不同策略下，各型号设备与其他型号设备间的平均相似性值对比图。
具体实施方式
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
首先对下面实例中用到的符号进行如下解释说明。
[0066]
ef：提取特征，从设备共有属性中提取得到。对具体设备di，其第i个提取特征记为
[0067]
ef：提取特征向量，ef＝[ef1,ef2,ef3,
…
]。对具体设备di，其提取特征向量记为：
[0068][0069]
bf：品牌特征，从提取特征中根据rqb规则进行特征选择得到。对某个设备di，其第i个品牌特征记为
[0070]
bf：品牌特征向量，bf＝[bf1,bf2,bf3,
…
,bfm]。对具体设备di，其品牌特征向量记为：
[0071][0072]
mf：型号特征，从提取特征中根据rqm规则进行特征选择得到。对某个设备di，其第i个型号特征记为
[0073]
mf：型号特征向量，mf＝[mf1,mf2,mf3,
…
,mfn]。对具体设备di，其型号特征向量记为：
[0074][0075]
设备di和设备dj在第k个提取特征上的相似性，则有
[0076][0077]
s(ef
′
(di),ef
′
(dj))：设备di和设备dj的特征相似性向量。
[0078][0079]
ef\efi：从向量ef中去除分量efi。若ef＝[ef1,ef2,ef3]，则ef\ef2＝[ef1,ef3]。
[0080]
branda：所有品牌类型为a的设备构成的集合，branda＝{d1,d2,d3,
…
}。|branda|表示集合branda中元素的个数。
[0081]
brand：品牌类型集合，brand＝{branda,brandb,brandc,
…
}，m为品牌类型数，m＝|brand|。
[0082]
brand-{brandi}：从集合brand中删除元素brandi。若brand＝{branda,brandb,brandc}，则brand-{brandb}＝{branda,brandc}。
[0083]
[t]：表示一个t维的行向量，向量中的每个值均为1/t。如[2]＝[0.5，0.5]。
[0084]
min|(a-b),ε|：表示|a-b|、|a-b ε|、|a-b-ε|中的最小值。
[0085]
为了解决现有方法在实际环境中识别设备细粒度类型的准确率低的问题，本实施
例提出一种分阶段的设备细粒度类型识别方法，我们称之为“namefinder”，包含以下步骤：
[0086]
步骤s11，依据设备品牌将知识集中的所有设备进行分组，属于同一品牌的设备划分为一组，对于每个品牌分组，从分组内设备的信息中抽取共同设备属性作为品牌属性，若所有品牌分组均具有某个品牌属性，则提取该属性作为特征(该特征称为“提取特征”)。
[0087]
步骤s12，根据特征的表现形式，将提取特征分为数值型特征和字符串型特征，对于不同形式的特征，分别设计特征相似性度量规则，进而度量设备间的特征相似性。
[0088]
步骤s13，设计提取特征在品牌识别中的重要性衡量算法(简称rfbr算法)和提取特征在型号识别中的重要性衡量算法(简称rfmr算法)来衡量各提取特征在品牌识别和型号识别中的重要性，使用rfbr算法分别计算每个提取特征的rqb值，依据rqb值选择品牌特征，并将特征的rqb值作为特征权值，使用rfmr算法分别计算每个提取特征的rqm值，依据rqm值选择型号特征，并将特征的rqm值作为特征权值。
[0089]
步骤s14，从目标设备的属性信息中获得提取特征，依据品牌特征及其权值识别目标设备的品牌后，由型号特征及其权值识别目标设备的型号，从而实现对目标设备类型的识别。
[0090]
根据品牌特征和型号特征的表现形式，将提取特征分为数值型特征和字符串型特征，并分别设计特征相似性度量规则。
[0091]
对于数值型特征，设计特征相似性度量规则包括：
[0092]
对于数值型特征，特征值差值越小，特征越相似。由于存在测量误差，特征的获取值和实际值之间存在偏差，因此数值型特征的相似性度量规则中应当考虑误差阈值，从而减少测量误差对特征相似性带来的影响。
[0093]
若设备di和dj的第k个提取特征为数值型特征，且仅有一个数值，则使用公式(1)计算目标特征与基准特征间的特征相似度：
[0094][0095]
其中，ε为误差阈值，为设备di的第k个提取特征，为设备dj的第k个提取特征，为特征值的绝对值。
[0096]
若与包含多个数值，记则对每个维度上的数值分别计算相似度，最终的特征相似度值为每个维度上的相似度的乘积，那么与间的特征相似度计算如公式(2)：
[0097][0098]
根据公式(1)和公式(2)计算特征相似度时，若或则表明特征值或某个维度上的数值间的差值过大，此时特征判定为不相似，特征相似度为0。
[0099]
对于字符串型特征，设计特征相似性度量规则包括：
[0100]
对于字符串型特征，由于字符串表示特定含义，因此将每个字符串视为一个整体来计算相似度。在namefinder中，根据特征中字符串的个数，将字符串型特征分为单字符串型特征和多字符串型特征。
[0101]
若设备di和dj的第k个提取特征为字符串型特征，且或为单字符串型特征时，利用公式(3)计算与间的特征相似度：
[0102][0103]
当或时，认为此时特征获取不完整，因此将特征相似度值设置为0.8。
[0104]
当和均为多字符串型特征时，以构建向量空间将和向量化，将向量间的余弦相似度作为特征间的相似度。例如，若向量化，将向量间的余弦相似度作为特征间的相似度。例如，若则构建的向量空间为{str1,str2,str3}，此时特征的向量化结果为[1,1,0]，的向量化结果为[0,1,1]。记和的向量化结果分别为v
i,k
和v
j,k
，则与间的特征相似度计算如公式(4)：
[0105][0106]
在namefinder中，使用rfbr算法进行品牌特征选择包括：
[0107]
设ef1,ef2,ef3,
…
,efn为提取特征，则提取特征向量ef＝[ef1,ef2,ef3,
…
,efn]，对提取特征efm，1≤m≤n，令ef
′
＝ef\efm，从向量ef去除efm；根据公式(5)计算删除efm前后品牌内相似性增量的平均值：
[0108][0109]
式中，di,dj∈brandk,brandk∈brand，brandk表示所有品牌类型为k的设备构成的集合，brand表示品牌类型集合，m为品牌类型数；同时根据公式(6)计算删除efm前后品牌间相似性增量的平均值：
[0110][0111]
式中，di∈brandk,brandk∈brand,d
l
∈brand-{brandk}，brand-{brandk}表示从集合brand中删除brandk；由于0≤s(ef,ef)≤1，根据式(5)和(6)可得：
[0112][0113]
根据得到的avebins和avebouts，设计特征重要性规则(role quantification in brand-differentiation rule,rqb规则)用公式(8)表达，来评估特征efm在品牌识别中的重要性：
[0114][0115]
式中，α是衡量avebins和avebouts值对提取特征rqb值的影响因子；若rqb(efm)》0，则efm将被选为品牌特征，将所有品牌特征的rqb值正则化，将所有品牌特征的权值之和为1，得到的结果作为特征权值。
[0116]
在namefinder中，使用rfmr算法进行型号特征选择包括：
[0117]
设ef1,ef2,ef3,
…
,efn为提取特征，则提取特征向量ef＝[ef1,ef2,ef3,
…
,efn]，对提取特征efm，1≤m≤n，令ef
′
＝ef\efm，从向量ef去除efm；根据公式(5)计算删除efm前后品牌内相似性增量的平均值avebins；同时，根据公式(9)计算删除efm前后品牌内相似性增量标准差aved：
[0118][0119]
式中，di,dj∈brandk,brandk∈brand；根据得到的avebins和aved，设计特征重要性规则(role quantification in model-differentiation rule,rqm规则)用公式(10)表达，来评估特征efm在型号识别中的重要性：
[0120][0121]
式中，β∈[0.5,1]，若rqm(efm)》0，efm将被选为型号特征，将所有型号特征的rqm值正则化，将所有型号特征的权值之和为1，得到的结果作为特征权值。
[0122]
在设备类型识别部分，主要分为品牌识别和型号识别两部分。
[0123]
在进行品牌识别时，根据公式(11)加权计算目标设备与知识集中设备的品牌相似性：
[0124]
bsimi(ki,t)＝s(bf(ki),bf(t))w(bf)
ꢀꢀ
(11)
[0125]
式中，t为目标设备，ki为知识集中的设备，bf表示品牌特征向量，w(bf)为正则化的品牌特征权值；将知识集中与目标具有最大相似度的设备的品牌作为目标设备的品牌，从而实现对目标设备的品牌识别。
[0126]
在进行型号识别时，根据公式(12)加权计算目标设备与知识集中设备的型号相似性：
[0127]
msimi(ki,t)＝s(mf(ki),mf(t))w(mf)
ꢀꢀ
(12)
[0128]
式中，t为目标设备，ki为知识集中的设备，mf表示型号特征向量，w(mf)为正则化的型号特征权值；将知识集中与目标具有最大相似度的设备的型号作为目标设备的型号，从而实现对目标设备的型号识别。
[0129]
与上述分阶段的设备细粒度类型识别方法相应地，本实施例还提出一种分阶段的设备细粒度类型识别系统，包括：
[0130]
设备分组及特征提取模块，用于依据设备品牌将知识集中的所有设备进行分组，属于同一品牌的设备划分为一组，对于每个品牌分组，从分组内设备的信息中抽取共同设备属性作为品牌属性，若所有品牌分组均具有某个品牌属性，则提取该属性作为特征；
[0131]
特征相似性度量模块，用于根据特征的表现形式，将提取特征分为数值型特征和字符串型特征，对于不同形式的特征，分别设计特征相似性度量规则；
[0132]
品牌特征及型号特征选择模块，用于设计提取特征在品牌识别中的重要性衡量算法和提取特征在型号识别中的重要性衡量算法来衡量各提取特征在品牌识别和型号识别中的重要性，从而进行品牌特征、型号特征选择并确定权值；
[0133]
类型识别模块，用于依据品牌特征及其权值识别目标设备的品牌后，由型号特征及其权值识别目标设备的型号，从而实现对目标设备类型的识别。
[0134]
下面通过实验与分析更好地说明本发明。
[0135]
首先对实验数据集进行介绍，在此数据集上，为验证namefinder进行设备识别的有效性，将namefinder与使用网络特征进行设备识别的netfeat方法在全特征条件下对不同型号设备的可分性实验对比。
[0136]
(1)知识数据集
[0137]
以18个品牌的587款手机型号设备开展实验，设备品牌和型号见表1。
[0138]
表1设备列表
[0139]
[0140][0141]
从上述设备信息中提取21个共有属性作为提取特征：设备尺寸、重量、屏幕尺寸、屏占比、分辨率、屏幕像素密度、处理器、gpu型号、ram rom、存储卡、操作系统、电池容量、充电方式、前置摄像头、后置摄像头、网络类型、sim卡、wlan协议、nfc、蓝牙版本和定位系统。基于测量结果的方法能够从应用层数据中获得的特征为分辨率、gpu型号和操作系统，将使用分辨率、gpu型号和操作系统三个特征进行设备类型识别记为netfeat方法。
[0142]
根据提取特征的表现形式，设备尺寸、重量、屏幕尺寸、屏占比、分辨率、屏幕像素密度、电池容量、nfc、蓝牙版本为数值型特征(其中，设备尺寸和分辨率为多数值型特征)，处理器、gpu型号、ram rom、存储卡、操作系统、充电方式、前置摄像头、后置摄像头、网络类型、sim卡、wlan协议、定位系统为字符串型特征(其中，充电方式、前置摄像头、后置摄像头、wlan协议和定位系统为多字符串型特征)。
[0143]
(2)全特征条件下不同型号设备的可分性实验
[0144]
netfeat方法使用从测量的应用层数据中提取的特征进行设备类型识别。为衡量netfeat方法与namefinder对不同型号设备的区分效果，在全特征条件(全特征条件：使用提取的所有特征，且设备的特征取值与知识集中的值相同)下开展不同型号设备间的可分
性实验。
[0145]
根据特征相似性度量规则可知，当目标设备t与知识集中的设备k具有相同的型号时，t与k的相似度将取得最大值。对于设备类型识别方法，若t与k的相似度大于t与知识集中其他任意设备的相似度值，即t与k之间取得最大相似度值且最大值唯一，则表明该识别方法实现了不同型号设备间的完全可分。对于知识集中的任一型号的设备，分别使用netfeat方法和namefinder计算该型号设备与知识集中各型号设备间(包括该型号设备)的相似度值，统计与该型号设备取得最大相似度的设备数，得到的结果如图2所示。
[0146]
图2中，横坐标表示知识集中的第i个设备，纵坐标表示第i个设备与知识集中所有具有最大相似度值的设备数量。由于第i个设备自身也在知识集中，因此，当设备的maxsimnum值为1时，表明该方法对该方法实现了完全可分。在图2中，netfeat方法下，maxsimnum值大于1的设备数显著多于namefinder，这是因为很多同系列不同型号手机设备(如iphone 12和iphone 12pro)的分辨率、gpu和操作系统通常相同，这降低了netfeat方法对不同型号设备的区分效果。使用netfeat和namefinder分别计算第i个设备与知识集中其他设备(不包括设备自身)的平均相似度，得到的结果如图3。
[0147]
图3表明，对于每个型号的设备，netfeat得到的相似度均值均大于namefinder计算得到的均值。netfeat得到的所有型号手机的总体相似度均值为0.2567，该值远大于namefinder的0.0645，这意味着namefinder能更好的区分不同型号的手机设备。
[0148]
实验结果表明，namefinder能有效区分型号不同的设备。
[0149]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0150]
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。