基于LCNN和LSTM混合结构的物联网设备识别方法

作     者：李志华 王志豪 LI Zhihua;WANG Zhihao

作者机构：江南大学人工智能与计算机学院无锡214122 

出 版 物：《信息网络安全》 (Netinfo Security)

年 卷 期：2023年第23卷第6期

页      面：43-54页

学科分类：0839[工学-网络空间安全] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金 工业和信息化部智能制造项目[ZH-XZ-180004] 中央高校基本科研业务费专项资金[JUSRP211A41,JUSRP42003] 111基地建设项目[B2018] 

主　　题：物联网 设备识别 卷积神经网络 长短期记忆 网络流量 

摘      要：随着物联网设备数量的与日俱增,物联网环境中网络流量的规模也随之剧增,为了从海量的网络流量中高效地实现物联网设备的识别和分类,文章提出一种物联网设备识别方法。首先,为了消除网络流量中不规范的数据样本,研究并提出一种基于滑动窗口的数据预处理(Sliding Window-Based Data Pre-Processing,SW-Based DPP)算法,使用SW-Based DPP算法对数据进行清洗;然后,为了降低物联网设备识别方法的复杂度,通过把轻量级卷积神经网络(Lightwight Convolution Neural Network,LCNN)和LSTM结构进行结合,提出一种基于LCNN-LSTM混合结构的神经网络模型;接着,将数据预处理后的网络流量输入到LCNN-LSTM模型中进行物联网设备分类;最后,基于上述混合结构的神经网络模型,进一步提出一种基于LCNN和LSTM混合结构的物联网设备识别(Internet of Things Devices Identification Based on LCNN and LSTM Hybrid Structure,LCNN-LSTM-Based IoTDI)方法。该方法通过迭代训练LCNN-LSTM模型,深度挖掘网络流量中的时间和空间双重特征,并使用softmax分类器实现物联网设备识别的目标。实验结果表明,在UNSW、CIC IoT和Laboratory数据集上,LCNN-LSTM模型的运行时间与CNN-LSTM模型相比平均降低了约47.63%,并且LCNN-LSTM-Based IoTDI方法的F1值分别为88.6%、95.6%和99.7%。证明了该方法具有高效的设备识别能力。