基于深度学习的网络资产智能标签识别方法、设备及介质与流程

本发明涉及网络资产识别，更具体地说，本发明涉及基于深度学习的网络资产智能标签识别方法、设备及介质。

背景技术：

1、现阶段互联网环境下，网络资产种类增多，智能终端、iot设备的增加，通常会基于web管理系统对于这些网络设备进行管理。目前的网络资产技术需要预先了解资产的协议交互规则和资产指纹信息，然后构造特定数据包与目标资产交互，根据相应信息在指纹数据库中进行比对，从而确定目标资产信息。这种方式几乎只停留在协议识别的层面，难以识别资产的设备类型和应用类型，而且资产识别的准确性取决于指纹提取方式的设计是否合理与全面，因此对专家知识有较强的依赖性，同时需要人为不断设计更新指纹的提取规则，人为设计特征提取规则也会出现冗余，且有些隐式特征难以被挖掘。针对上述问题，本发明提出基于深度学习的网络资产智能标签识别方法、设备及介质。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供基于深度学习的网络资产智能标签识别方法、设备及介质，通过基于深度学习的网络资产智能标签识别方法、设备及介质，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于深度学习的网络资产智能标签识别方法、设备及介质，包括如下步骤：获取网络资产流量数据，对所述网络资产流量数据进行数据预处理；将预处理后的网络资产流量数据经过词嵌入转换，得到包含语义信息的向量矩阵；构建基于cnn和attention的识别模型识别网络资产。

4、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述网络资产流量数据，具体为：获取资产设备类型的资产地址列表；于所述的资产地址列表，获取资产设备被访问时返回的网络资产流量数据。

5、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述对所述网络资产流量数据进行数据预处理，具体为：将所述网络资产流量数据进行空缺值处理、数字归一化和离散化处理。

6、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述将预处理后的网络资产流量数据进行词嵌入转换，得到包含语义信息的向量矩阵，具体为：使用词嵌入模型生成embedding矩阵；将所述预处理后的网络资产流量数据按照所述embedding矩阵映射为向量矩阵。

7、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述构建基于cnn和attention的识别模型识别网络资产，具体为：构建自注意力层；在所述自注意力层之后增加一个cnn层；构建全连接层，得到基于cnn和attention的识别模型；将网络资产流量数据划分为训练集和测试集，将训练集输入至所述基于cnn和attention的识别模型中，初始化模型参数并进行模型的训练；使用测试集对训练后的模型进行测试，验证得到训练好的识别模型；将待识别的网络资产数据输入至训练好的识别模型中进行网络资产智能标签识别。

8、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述构建自注意力层，具体为：加入自注意力机制，通过注意力分数公式计算每个特征向量的注意力分数并将所述每个特征向量的注意力分数进行加权组合，得到输出向量。

9、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述在所述自注意力层之后增加一个cnn层，具体为：cnn层基于卷积运算和最大池化操作进行特征提取。

10、在一个优选的实施方式中，所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述将网络资产流量数据划分为训练集和测试集，将训练集输入至所述基于cnn和attention的识别模型中，初始化模型参数并进行模型的训练，具体为：在训练过程中，通过选择交叉熵损失函数作为目标函数，优化所述基于cnn和attention的识别模型参数。

11、为了解决上述问题，本发明还提供了一种电子设备，所述电子设备，包括：

12、至少一个处理器；以及，

13、与所述至少一个处理器通信连接的存储器；其中，

14、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的基于深度学习的网络资产智能标签识别方法。

15、为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于深度学习的网络资产智能标签识别方法。

16、本发明基于深度学习的网络资产智能标签识别方法、设备及介质的技术效果和优点：

17、1.本发明通过获取网络资产流量数据，对所述网络资产流量数据进行数据预处理并将预处理后的网络资产流量数据经过词嵌入转换，通过词嵌入转换，将预处理后的网络资产流量数据转换为包含丰富语义信息的向量矩阵，使得模型能够更好地理解和处理复杂的网络资产数据。

18、2.本发明通过构建基于cnn和attention的识别模型识别网络资产，结合了cnn和attention机制的模型可以更准确地识别和分类网络资产，提升识别的准确率和鲁棒性。其中cnn在处理大规模数据和高维特征时具有显著优势，可以快速提取和处理网络流量中的关键特征；注意力机制通过给不同的特征分配不同的权重，来表示不同特征的重要性，能有效地提升模型的训练效果。此外，采用基于cnn和attention的识别模型识别网络资产可以解决网络资产指纹和更新困难的问题，实现了设备类型资产的识别并得到设备类型资产的信息。

技术特征：

1.基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述网络资产流量数据，具体为：

3.根据权利要求2所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述对所述网络资产流量数据进行数据预处理，具体为：

4.根据权利要求3所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述将预处理后的网络资产流量数据进行词嵌入转换，得到包含语义信息的向量矩阵，具体为：

5.根据权利要求4所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述构建基于cnn和attention的识别模型识别网络资产，具体为：

6.根据权利要求5所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述构建自注意力层，具体为：

7.根据权利要求6所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述在所述自注意力层之后增加一个cnn层，具体为：

8.根据权利要求7所述的基于深度学习的网络资产智能标签识别方法、设备及介质，其特征在于，所述将网络资产流量数据划分为训练集和测试集，将训练集输入至所述基于cnn和attention的识别模型中，初始化模型参数并进行模型的训练，具体为：

9.一种电子设备，其特征在于，所述电子设备，包括：

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于深度学习的网络资产智能标签识别方法。

技术总结
本发明公开了基于深度学习的网络资产智能标签识别方法、设备及介质，涉及网络资产识别技术领域，包括以下步骤：获取网络资产流量数据，对所述网络资产流量数据进行数据预处理；将预处理后的网络资产流量数据进行词嵌入转换，得到包含语义信息的向量矩阵；构建基于CNN和Attention的识别模型识别网络资产，本申请通过基于CNN和Attention的识别模型识别网络资产可以解决网络资产指纹和更新困难的问题，实现了设备类型资产的识别并得到设备类型资产的信息。

技术研发人员：蔡翔,叶磊,程兰芳,魏绪亮,刘立亮,孙露露,杜成斌,张科健,冯梦姣,徐擒彪,文涛,周海鹏
受保护的技术使用者：国网安徽省电力有限公司宣城供电公司
技术研发日：
技术公布日：2024/10/28