一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法

1.一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，基于信息熵和自相关系数，在众多特征中筛选出用于生成设备指纹的特征，从设备指纹中提取代表性和稳定性的特征，选定的特征参数转换为哈希码，用于设备指纹生成和匹配步骤，通过基于特征选择、哈希码和贝叶斯网络的细粒度设备指纹生成步骤，分层次准确地识别和区分不同的设备。 2.根据权利要求1所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，还含有以下步骤：步骤S1:系统接收到指纹生成请求时，根据请求类型调用数据接口或后台数据库；步骤S2:针对不同的模块提取不同的特征数据，并对提取的特征数据进行算法分析，过滤冗余无效属性特征并分割粗粒度属性；步骤S3:对提取到的属性特征进行哈希运算生成设备的细粒度指纹；步骤S4：将指纹传输至由历史数据构建的贝叶斯网络进行分类并将结果反馈到服务器中；步骤S5:将设备不同模块的指纹按照芯片、搭载模块和操作系统顺序合并，生成设备指纹并后缀相应校验码。 3.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S1中还含有以下步骤，接受到编码请求时，通过对应的数据编码接口从数据库中或者api接口中调取数据，步骤S2中还含有以下步骤，分割设备不同层级模块的粗粒度属性，将描述复杂的属性特征进行剪枝、分割实现特征细粒度化，步骤S3中还含有以下步骤，将设备不同模块中的数据进行哈希，生成设备的细粒度指纹，步骤S4中还含有以下步骤，首先使用历史数据和经验知识对贝叶斯网络结构进行构建。 4.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S2中还含有以下步骤，特征筛选选取出所述用于生成设备指纹的特征的方法为：首先对获取到的数据进行数据预处理，补充部分特征的缺失值，对类别型数据进行编码处理；然后分别计算特征的区分度和稳定性并加权排序，确定出用于生成设备指纹的特征，计算特征的区分度方法为：通过信息熵来评估数据集中每个特征的信息量大小，信息熵越大，说明该特征包含的信息量越多，说明数据越不确定和难以区分；反之，信息熵越小，说明该特征的数据越确定和容易区分，不具有很高的区分度，计算方法为 其中X为电力环境中软硬件设备的特征，x i 为特征参数；最终得到的数值用来标识特征的区分度大小，计算特征的稳定性方法为：通过自相关系数(ACF)来评估数据集中每个特征字段的稳定性，一个特征字段具有较高的稳定性，在不同时刻的取值变化较小，能够更加准确地反映设备的固有特征，从而提高设备指纹的唯一性和鲁棒性，当ACF系数的绝对值大于0.8时，表示数据具有很强的相关性，可能存在一定的波动性；当ACF系数的绝对值小于0.2时，表示数据几乎没有相关性，变化是趋于稳定的，计算方法为 最终得到的数值用来标识特征的稳定性大小，综合特征的区分度和稳定性进行特征筛选的方法为：稳定性和区分度在特征选择中往往是相互矛盾的，一些具有较高稳定性的特征可能对不同类别之间的区分度贡献较小，而一些具有较高区分度的特征可能不够稳定，容易受到噪声和干扰的影响，用于在稳定性和区分度之间进行平衡，选择最优的特征子集，式子为：feature w ＝weight·H w -(1-weight)·|ACF w |其中weight是区分度和稳定性的权重，认定区分度的权重大于稳定性的权重；H w 和ACF w 分别是第w个特征的信息熵和ACF系数，最终计算得分高的特征将被选择为指纹生成要素，最终确定好具体用于生成设备指纹动的特征方法为：差分筛选为了不失一般性，首先将属性特征和行为特征的feature分别从大到小进行排列，第i个特征的差分k i 的计算公式为：k i ＝feature i+1 -feature i 其中，feature i+1 代表第i+1个特征的feature，feature i 表示第i个特征的feature，分值最大的情况，意味着feature得分骤降，即选择特征的结束位置，通过这种方式，筛选出那些最重要的特征，忽略那些对设备指纹影响较小的特征。 5.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S3中还含有以下步骤，生成设备指纹的哈希算法包括哈希算法包括有SHA-1、SHA-256、SHA-384、SHA-512算法。 6.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S4中还含有以下步骤，训练数据预处理并对贝叶斯网络进行参数学习。 7.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S4中还含有以下步骤，将指纹传输到基于历史数据训练的贝叶斯网络模型中并判断设备的类别、设备的指纹是否为第一次生成，判断结果传输到服务器中。 8.根据权利要求2所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，步骤S5中还含有以下步骤，在将设备不同模块的指纹组合之后，后缀搭配校验码，校验码算法为奇偶校验算法、海明校验算法或循环冗余校验算法。 9.根据权利要求4所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，数据预处理中数据的区分度度量使用的是信息熵算法，令X为电力环境中软硬件设备的特征，x i 为特征参数，数据利用信息熵算法的区分度度量为：算法：信息熵算法用于评估数据的区分度，基于其中数据的频率分布，通过计算数据集中不同值的概率分布来确定数据的多样性和熵值，从而计算出属性数据的不确定性和混乱程度，输入：D：包含n个对象的数据集，每个对象拥有m维度属性参数，输出：区分度评估指标，方法：通过针对m维中的每个特征，针对每个属性中n个对象的数据采用信息熵算法进行分析，最终对得到的结果进行降序排序，考虑到这个指标在现实中表达的方便以及后续算法中使用的合理性，最终决定采用降序方式将得到的区分度评估指标进行存储，通过将评估指标按照降序排序，识别和提取具有最高区分度的数据或特征。 10.根据权利要求4所述的一种基于哈希和特征选择的软硬件设备指纹细粒度生成方法，其特征在于，数据预处理中数据的稳定性度量使用的是自相关系数(ACF)算法，令X t 为电力环境中软硬件设备的特征，X t-k 平移后的特征， 为一组特征参数的平均值，数据利用自相关系数(ACF)算法的稳定性度量为：输入：D：包含n个对象的数据集，每个对象拥有m维度属性参数，k为数据平移量，输出：稳定性评估指标方法：1)针对数据集的数据量，设定对应的k值，2)通过针对m维中的每个特征，针对每个属性中n个对象的数据采用信息熵算法进行分析，最终对得到的结果进行降序排序，通过模拟数据综合比较选择3作为k数据偏移量，采用升序方式将得到的区分度评估指标进行存储。