视频监控网络设备识别与安全监测系统的设计与实现
这是一篇关于物联网,网络摄像头,设备识别,安全监测,网络资产管理的论文, 主要内容为随着物联网技术的发展和网络摄像头的普及,视频监控网络内设备的数量和种类持续增加,使得资产管理的成本变得越来越高;同时,由于摄像头具有防御薄弱的特点,有必要对这类设备进行安全监测。利用机器学习自动化识别设备和异常流量降低了人工确认成本,有助于资产管理和漏洞的及时防范。基于此,本文设计实现了视频监控网络设备识别与安全监测系统,主要包含以下方面:首先,基于有监督学习算法提出设备分类方法,区分了视频类设备和非视频类设备,并针对视频监控网内的其它常见设备类型进行了粗粒度分类。通过对设备进行监听获取报文,并从报文中提取特征进行识别,使得设备管理员对监控网内设备类型分布有所了解。接着,提出基于无监督学习的识别方法,通过提取报文中的特征,细粒度识别视频类设备。使用密度聚类的方法,通过实验找到合适的超参数,解决了手动确认设备工作量大和有监督学习无法识别新设备的问题。其次,提出基于异常流量识别的设备攻击检测算法,并区分两种典型的异常流量。通过实验结果和针对特征的分析证明了算法的有效性。最后,基于上述内容,设计并实现了视频监控网络设备识别与安全监测系统,系统采用分层架构,实现了自定义实时报文获取,自动化设备识别、安全告警等功能,最后完成了功能测试,证明了本文所提设计方案的正确性和有效性。
数据驱动的物联网安全威胁检测与建模
这是一篇关于物联网安全,设备识别,异常检测,知识图谱,机器学习的论文, 主要内容为物联网的普及使得海量有漏洞设备连接入互联网,带来大量安全隐患,物联网安全问题成为物联网能否大规模应用的关键所在。随着大数据和人工智能(AI)的发展,物联网(IOT)呈现AIOT的发展趋势,物联基础设施将成为新一代的信息基础设施,未来也必将形成“物联”“数联”“智联”三位一体的体系结构,物联网安全解决之道也必然顺应物联网的发展趋势,实现以智能算法为引领、物联网安全数据为驱动的物联网安全解决途径。近年来,研究人员在物联网安全方面做了大量的研究,取得了一些重要成果,但还存在一些问题。例如,在安全管理架构方面,随着边缘计算、雾计算技术的不断成熟,分布式的安全管理架构已经成为物联网安全研究的主要方向;在流量分析方面,大多数研究都是将基于深度包分析等传统互联网流量分析技术直接应用于物联网流量异常检测,而很少考虑物联网流量特点的轻量级检测需求;威胁感知与知识建模作为当前安全领域的热点,主要用于潜在威胁发现,关联和评估,目前的研究成果能够分析资产的相关安全信息以进行风险分析和评估,但无法实现知识之间的关联和推理,不能及时自动发现和更新安全知识。本文紧紧围绕数据驱动物联网安全的研究思路,首先对物联网安全知识和数据类型进行了汇总分析;其次,以物联网流量数据,物联网安全知识库数据为基础,运用随机森林等机器学习算法以及知识图谱等智能技术,对模型中的设备识别模块,异常检测模块,威胁感知和安全知识管理模块分别进行了研究;最后,结合物联网的典型特点,设计了一种分布式的物联网安全管理模型。主要内容如下所述:1.汇总分析了物联网知识数据类型。梳理了包括物联网系统和网络基础知识数据、安全威胁知识数据、安全防护知识数据、安全核心数据在内的四种知识数据类型对后续研究内容,如设备识别、异常检测、知识图谱威胁建模等提供了数据理论基础。2.研究了防止可疑设备接入的物联网设备识别问题。首先提出了通过设置白名单,进而构建通信流量特征指纹的物联网设备识别方法;其次,提出了使用随机森林方法来训练设备识别模型的方法;最后,通过实验验证了设备识别模型的检测具有较好的检测准确率。3.研究了有效应对DDOS攻击等物联网安全威胁的流量异常检测方法。提出了一种基于设备型号的流量异常检测模型,首先采用设置阻尼时间窗口的方法提取时间统计特征并构建指纹,根据设备类型对指纹进行分类;随后采用主成分分析法对特征进行降维并用BP神经网络算法进行异常检测的训练和识别。通过比较随机森林与支持向量机在检测中的效果,实验表明,在基于设备型号的异常检测方面,BP神经网络具有最好的检测效果。4.提出了一种能够处理复杂安全关系和具备动态更新机制的知识管理模型。首先,研究了自顶向下的物联网安全知识图谱的构建流程,重点研究了物联网安全本体建模、知识抽取、知识融合以及知识推理;其次,设计并实现了一次物联网安全知识图谱的构建过程,即网络爬虫爬取信息,三元组数据存储以及Neo4j知识库可视化;最后,使用cypher查询语言检验了对各类安全属性和关系的查询效果。实验验证了该方法能够快速准确的查询到物联网安全信息,为安全管理人员提供可靠的安全指导。5.设计实现了一种分布式的物联网安全管理系统。共包括三个主要模块:设备识别模块、异常检测模块和威胁感知模块,分别对应本文的三项主要研究内容。其次,该系统包含安全网关和安全服务器,安全网关负责监视设备,获取流量,构建指纹以及检测设备异常。安全服务器根据安全网关提供的流量、指纹和异常检测结果执行设备类型的识别,构建异常检测模型以及完成安全信息知识库的关联。
视频监控网络设备识别与安全监测系统的设计与实现
这是一篇关于物联网,网络摄像头,设备识别,安全监测,网络资产管理的论文, 主要内容为随着物联网技术的发展和网络摄像头的普及,视频监控网络内设备的数量和种类持续增加,使得资产管理的成本变得越来越高;同时,由于摄像头具有防御薄弱的特点,有必要对这类设备进行安全监测。利用机器学习自动化识别设备和异常流量降低了人工确认成本,有助于资产管理和漏洞的及时防范。基于此,本文设计实现了视频监控网络设备识别与安全监测系统,主要包含以下方面:首先,基于有监督学习算法提出设备分类方法,区分了视频类设备和非视频类设备,并针对视频监控网内的其它常见设备类型进行了粗粒度分类。通过对设备进行监听获取报文,并从报文中提取特征进行识别,使得设备管理员对监控网内设备类型分布有所了解。接着,提出基于无监督学习的识别方法,通过提取报文中的特征,细粒度识别视频类设备。使用密度聚类的方法,通过实验找到合适的超参数,解决了手动确认设备工作量大和有监督学习无法识别新设备的问题。其次,提出基于异常流量识别的设备攻击检测算法,并区分两种典型的异常流量。通过实验结果和针对特征的分析证明了算法的有效性。最后,基于上述内容,设计并实现了视频监控网络设备识别与安全监测系统,系统采用分层架构,实现了自定义实时报文获取,自动化设备识别、安全告警等功能,最后完成了功能测试,证明了本文所提设计方案的正确性和有效性。
视频监控网络设备识别与安全监测系统的设计与实现
这是一篇关于物联网,网络摄像头,设备识别,安全监测,网络资产管理的论文, 主要内容为随着物联网技术的发展和网络摄像头的普及,视频监控网络内设备的数量和种类持续增加,使得资产管理的成本变得越来越高;同时,由于摄像头具有防御薄弱的特点,有必要对这类设备进行安全监测。利用机器学习自动化识别设备和异常流量降低了人工确认成本,有助于资产管理和漏洞的及时防范。基于此,本文设计实现了视频监控网络设备识别与安全监测系统,主要包含以下方面:首先,基于有监督学习算法提出设备分类方法,区分了视频类设备和非视频类设备,并针对视频监控网内的其它常见设备类型进行了粗粒度分类。通过对设备进行监听获取报文,并从报文中提取特征进行识别,使得设备管理员对监控网内设备类型分布有所了解。接着,提出基于无监督学习的识别方法,通过提取报文中的特征,细粒度识别视频类设备。使用密度聚类的方法,通过实验找到合适的超参数,解决了手动确认设备工作量大和有监督学习无法识别新设备的问题。其次,提出基于异常流量识别的设备攻击检测算法,并区分两种典型的异常流量。通过实验结果和针对特征的分析证明了算法的有效性。最后,基于上述内容,设计并实现了视频监控网络设备识别与安全监测系统,系统采用分层架构,实现了自定义实时报文获取,自动化设备识别、安全告警等功能,最后完成了功能测试,证明了本文所提设计方案的正确性和有效性。
视频监控网络设备识别与安全监测系统的设计与实现
这是一篇关于物联网,网络摄像头,设备识别,安全监测,网络资产管理的论文, 主要内容为随着物联网技术的发展和网络摄像头的普及,视频监控网络内设备的数量和种类持续增加,使得资产管理的成本变得越来越高;同时,由于摄像头具有防御薄弱的特点,有必要对这类设备进行安全监测。利用机器学习自动化识别设备和异常流量降低了人工确认成本,有助于资产管理和漏洞的及时防范。基于此,本文设计实现了视频监控网络设备识别与安全监测系统,主要包含以下方面:首先,基于有监督学习算法提出设备分类方法,区分了视频类设备和非视频类设备,并针对视频监控网内的其它常见设备类型进行了粗粒度分类。通过对设备进行监听获取报文,并从报文中提取特征进行识别,使得设备管理员对监控网内设备类型分布有所了解。接着,提出基于无监督学习的识别方法,通过提取报文中的特征,细粒度识别视频类设备。使用密度聚类的方法,通过实验找到合适的超参数,解决了手动确认设备工作量大和有监督学习无法识别新设备的问题。其次,提出基于异常流量识别的设备攻击检测算法,并区分两种典型的异常流量。通过实验结果和针对特征的分析证明了算法的有效性。最后,基于上述内容,设计并实现了视频监控网络设备识别与安全监测系统,系统采用分层架构,实现了自定义实时报文获取,自动化设备识别、安全告警等功能,最后完成了功能测试,证明了本文所提设计方案的正确性和有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/50073.html
