基于多尺度注意力胶囊网络的物联网设备识别方法及系统

1.一种基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，包含：收集待识别的目标物联网设备原始流量数据，并通过对原始流量数据进行规范化预处理，得到预处理后的规范化流量数据；将规范化流量数据输入至预训练的胶囊网络设备识别模型，利用预训练的胶囊网络设备识别模型来识别目标物联网设备类型；其中，胶囊网络设备识别模型包含用于细粒度提取输入数据多尺度特征的特征提取层、用于对提取的多尺度特征进行特征融合的特征融合层和用于对融合特征进行分类输出的胶囊层；所述特征提取层由多个串联的特征提取单元组成，特征提取单元依次由卷积层、改进的Res2Net块组成，改进的Res2Net块由CBAM模块和Res2Net块组成，CBAM模块位于Res2Net块的残差连接之前、Res2Net块的第二个1×1卷积之后；特征融合层工作时，先利用卷积层对每个特征提取单元提取的特征进行卷积，再将卷积后的结果进行相加，得到融合特征。 2.根据权利要求1所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，通过对原始流量数据进行规范化预处理，得到预处理后的规范化流量数据，包含：首先，将原始流量数据切割为多个会话，其中，每个会话包含通信双向流；接着，将会话流数据中与设备本身无关但属于设备唯一标识的标识信息进行匿名化处理，其中，标识信息包括IP地址和MAC地址；然后，对匿名化处理后的会话流数据通过截断或填充，使每个会话流数据达到预设长度，并读取会话流数据中每个字节的二进制比特流，按序将每个字节与像素对应，以将会话流数据转化为灰度图像。 3.根据权利要求1所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，特征提取层对输入数据进行细粒度提取多尺度特征时，首先，利用第一卷积核调整输入数据特征图形状，然后，利用Res2Net残差网络增加特征提取过程中卷积层感受野，以细粒度提取多尺度特征，并在空间维度和通道维度上通过轻量级注意力机制来更新特征提取中空间和通道的特征权重，以突出输入数据关键特征。 4.根据权利要求3所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，利用Res2Net残差网络增加特征提取过程中卷积层感受野，以细粒度提取多尺度特征，其中，Res2Net残差网络包含第二卷积核、多个并行的残差块分支和第三卷积核，利用第二卷积核将调整形状后的特征图分割为若干组，每组对应一个残差块分支，且后两组的分支层级嵌套前一个分支的残差块序列输出，并利用第三卷积核将通道维度上拼接的分支输出进行多尺度融合。 5.根据权利要求3或4所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，在空间维度和通道维度上通过轻量级注意力机制来更新特征提取中空间和通道的特征权重，包含：利用通道注意力为不同通道分配权重，利用空间注意力为不同空间位置分配权重，其中，通道注意力使用平均池化和最大池化分别对空间维度上的特征进行压缩，将通过平均池化和最大池化得到的两串注意力雏形分别送入共享网络，将共享网络输出相加并经过激活函数来得到通道分配权重；空间注意力使用平均池化和最大池化通过聚合通道信息来得到2个通道的特征图，将特征图通过第四卷积核进行卷积处理并使用激活函数激活后，得到空间位置分配权重。 6.根据权利要求1所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，利用特征融合层对提取的多尺度特征进行特征融合，包含：使用第五卷积核对提取的多尺度特征进行通道匹配，并将通道匹配后的特征进行相加融合，以获取融合特征。 7.根据权利要求1所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，利用胶囊层对融合特征进行分类输出中，胶囊层包含：用于将融合特征转化为胶囊向量的初始胶囊，和用于通过初始胶囊输出和数字胶囊输出全连接并聚合具有相似特征属性胶囊以分类输出的路由胶囊。 8.根据权利要求7所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，利用胶囊层对融合特征进行分类输出，包含：通过动态路由算法的迭代过程来实现，具体为：利用权重矩阵和当前层低级胶囊的输出向量来获取下一层高级胶囊的预测向量，将下一层高级胶囊的预测向量加权求和作为下一层高级胶囊的输入，将输入经过非线性挤压函数的压缩和标准化处理来得到下一层高级胶囊的输出，通过迭代来输出满足预设迭代终止条件的胶囊信息，并依据输出的胶囊信息获取目标物联网设备类型。 9.根据权利要求8所述的基于多尺度注意力胶囊网络的物联网设备识别方法，其特征在于，将输入经过非线性挤压函数的压缩和标准化处理来得到下一层高级胶囊的输出，其中，非线性挤压函数表示为： s j 为高级胶囊j的输入，且 u j|i 为依据上一层低级胶囊i得到的下一层高级胶囊j的预测向量，c ij 表示s j 和u j|i 的耦合参数，且 b ij 表示将低级胶囊i和高级胶囊j之间耦合的对数先验概率。 10.一种基于多尺度注意力胶囊网络的物联网设备识别系统，其特征在于，包含：数据处理模块和设备识别模块，其中，数据处理模块，用于收集待识别的目标物联网设备原始流量数据，并通过对原始流量数据进行规范化预处理，得到预处理后的规范化流量数据；设备识别模块，用于将规范化流量数据输入至预训练的胶囊网络设备识别模型，利用预训练的胶囊网络设备识别模型来识别目标物联网设备类型；其中，胶囊网络设备识别模型包含用于细粒度提取输入数据多尺度特征的特征提取层、用于对提取的多尺度特征进行特征融合的特征融合层和用于对融合特征进行分类输出的胶囊层；所述特征提取层由多个串联的特征提取单元组成，特征提取单元依次由卷积层、改进的Res2Net块组成，改进的Res2Net块由CBAM模块和Res2Net块组成，CBAM模块位于Res2Net块的残差连接之前、Res2Net块的第二个1×1卷积之后；特征融合层工作时，先利用卷积层对每个特征提取单元提取的特征进行卷积，再将卷积后的结果进行相加，得到融合特征。