基于LCNN和LSTM混合结构的物联网设备识别方法

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.

关键词：物联网、设备识别、卷积神经网络、长短期记忆、网络流量

所属期刊栏目：23

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;工业和信息化部智能制造综合标准化与新模式应用项目;中央高校基本科研业务费专项;中央高校基本科研业务费专项;基地建设项目

在线出版日期：2023-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：43-54