物聯網終端自動識別方法*

沈 艷，席 兵，張治中

(1.重慶郵電大學 通信與信息工程學院，重慶 400065;2.南京信息工程大學 電子與信息工程學院，南京210044)

0 引 言

隨著5G的迅速發展，越來越多的物聯網(Internet of Things,IoT)終端將以5G的形式進入物聯網[1]。據研究機構Gartner給出的報告，全球物聯網終端接入量在2020年將會達到260億[2]。物聯網終端數量激增的同時也給識別工作帶來了巨大的挑戰。

傳統的識別方法利用人工規則發現網絡空間中的物聯網終端，如工業控制系統、webcam等設備[3]。而人工方法依賴于研究人員的專業背景和經驗，成本過高且需要長期的培訓，所以不能廣泛應用于物聯網終端識別。隨著科學的發展，各種新興的技術也應用于終端識別領域。文獻[4]中提出了一種基于專用協議的識別方案，具有較高的準確率，然而該方案是通過分析特定協議來完成識別，限制了解決方案的可伸縮性。文獻[5]建立了一個IoT Sentinel識別系統，用于識別易受攻擊的設備，并將它們與其余設備隔離。文獻[6]提出基于“Banner+Web指紋”雙重因素主動識別方案，但沒有測試仿真證明其方案的可行性。文獻[7]利用Nmap工具結合決策樹方法建立物聯網終端識別系統，但沒有具體列出識別結果。每臺終端的指紋都包括選定的行為特征和基于流的特征，如終端使用的端口和模式[8]。文獻[9]通過分析流量發送數據包的相互到達時間來識別設備，但需要消耗大量流量。文獻[10]基于應用層數據報文內容提取文本信息，結合機器學習算法生成物聯網終端指紋，但該方法只實現了簡單的分類，識別粒度較粗。

本文通過分析物聯網終端的登錄頁面，提出一種新的識別方法。該方法以超文本傳輸協議(Hyper Text Transfer Protocol,HTTP)的源碼、超文本傳輸協議(Hyper Text Transfer Protocol,HTTP)的響應頭字段及導航欄信息為終端特征，并利用長短期記憶(Long Short-Term Memory,LSTM)算法生成類型、品牌、版本三級分類，實現對物聯網終端準確、細粒度的自動識別，以及對識別結果進行合理評估。

1 終端識別模型

1.1 總體設計

不同品牌的終端的登錄網頁顯示界面也不同，而網頁信息主要由標簽和文本內容以及各種頁面顯示樣式組成，故我們通過終端的登錄頁面和響應頭等信息來對終端進行識別。如圖1所示，終端的識別模型主要分為數據采集模塊、數據預處理模塊和終端識別模塊。通過HTTP-GET請求獲取HTML文件和響應頭，并將它們處理成純文本。最后利用響應頭的內容、頁面內容及導航欄信息三個特征來比較每個終端的登錄頁面的相似度，并利用LSTM對未知終端的類型和品牌及版本進行識別。

圖1 整體架構設計

1.2 數據采集

首先將IP地址分段并保存在不同的文件中，再對文件中的IP地址發送無狀態連接探測包，探測IP主機是否存活，如果主機存活將返回響應包等文件。為保證獲取的數據更精確，將所有HTTP中響應狀態代碼不是200的IP地址篩選掉，再向響應碼為200的地址發送HTTP-GET請求，獲取頁面信息、HTML文件并保存。

1.3 數據處理

數據預處理主要針對三個部分展開，分別為頁面的HTML代碼、響應包的頭部字段及導航欄的信息。

(1)HTML是半結構化標記形式的語言，不能直接作為特征。用BeautifulSoup庫將HTML文件解析成文檔對象化模型(Document Object Model，DOM)樹格式，然后過濾重復的頁面。再將DOM樹中的一些不必要的標簽和標記節點進行過濾，比如tag ，tag