计算机工程

作者：崔竞松, 郭孟伟, 郭迟

单位：1. 武汉大学国家网络安全学院空天信息安全与可信计算教育部重点实验室, 湖北 武汉 4300792. 武汉大学卫星导航定位技术研究中心, 湖北 武汉 430079

关键词：设备识别与检测,设备时延,贝叶斯卷积网络,自动编码器,全球导航卫星系统授时技术

基金：国家重点研发计划(2022YFB3903801); 湖北省重大科技专项(2022AAA009)

针对目前基于硬件指纹的网络设备识别方法采集和提取特征效率低下以及基于流量特征的设备分类方法仅考虑已有类型而不能对异常设备进行检测的问题, 提出基于设备时延和混合深度学习模型的网络设备检测方法。该方法基于全球导航卫星系统(GNSS)高精度授时技术提取纳秒级精度网络设备处理时延特征, 构建贝叶斯卷积自动编码器模型BCNN-AE, 包含特征提取模块、特征重构模块和复合预测模块, 实现了对于已知网络设备类型的识别和未知网络设备类型的检测, 具体为: 首先采用GNSS高精度授时技术实现对于网络流量处理时延的纳秒级精度测量, 并构建设备时延分布特征向量; 接着特征提取模块使用贝叶斯卷积提取时延分布特征信息, 特征重构模块使用自动编码器(AE)学习时延特征向量的压缩重构表示; 最后复合预测模块基于不确定性阈值和重构误差阈值进行综合判断, 实现已知类型识别和未知/异常设备类型检测。在实验室仿真环境下采集的数据集和公开数据集Aalto上的实验结果表明, 采用设备时延能够实现不同网络设备类型的准确表示, 并且BCNN-AE模型除了能取得比基线模型更高的识别准确率之外, 还能够实现对于未知/异常设备类型的检测。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期