本發明涉及物聯網取證安全領域，尤其是，在處理復雜、無標簽的goip設備型號識別與數據提取難題方面，主要涉及一種深度學習輔助的goip型號自動識別與數據提取的方法。

背景技術：

1、隨著網絡通信技術的飛速進步，goip設備作為現代通信架構中的關鍵組成部分，通過將傳統電話信號轉換為網絡信號，已成為實現高效、靈活通信的首選方案。然而，這種設備也因其強大的功能被不法分子利用，進行各類違法違規活動。goip設備的型號識別與數據提取工作在電子數據取證領域具有重大意義，尤其是當面對被惡意破壞的設備標簽，導致傳統識別方法失效的挑戰時。

2、goip作為一種在通信中有著重要作用的設備，隨著互聯網技術的發展，如何獲取設備中的數據將是一個備受關注的熱點。目前，對于如何判斷無標簽的goip的型號，并沒有一種通用的方法，因此，尋找通用的型號自動識別方法對電子數據取證具有重大意義。

技術實現思路

1、針對以上不足，本發明提出了一種深度學習輔助的goip型號自動識別與數據提取的方法，通過深度神經網絡模型對登錄頁面的html代碼特征進行分析，實現對設備型號的精準識別，進而采用定制化策略進行數據提取，有效提高了電子數據取證的效率和準確性，具體步驟如下：

2、利用網頁下載技術獲取goip設備的管理頁面的登錄頁，所述goip設備的設備狀態為通電聯網，并通過網口建立連接；

3、將所述登錄頁的html代碼輸入到訓練好的深度神經網絡模型中，所述深度神經網絡模型根據所述html代碼自動分析和提取特征；

4、所述深度神經網絡模型輸出所述goip設備的型號，調用預先設置好的網頁下載模板對所述型號進行數據提取。

5、進一步的，所述網頁下載技術具體表示為通過發送http請求獲取指定網頁內容，將所述指定網絡內容保存到本地設備，其中，通過發送http請求獲取指定網頁內容具體步驟包括：利用python的requests庫發送各種類型的http請求，處理服務器響應，同時利用html解析器解析和提取需求信息，其中，采用網絡抓取工具或框架自動化網頁下載和數據提取過程。

6、進一步的，所述深度神經網絡模型的訓練具體步驟為將輸入的向量xi映射到goip設備型號yi的預測值上，模型具體公式表示為：

7、f(xi,θ)＝yi

8、其中，θ表示神經網絡的參數集，f表示訓練好的深度神經網絡模型，xi表示輸入向量，yi表示goip設備型號。

9、在訓練過程中需要最小化預測值與真實值之間的差距，通常采用損失函數l(θ)來衡量這種差距：

10、

11、其中，l表示單個樣本的損失函數，n表示全部樣本的總數量，f(xi,θ)表示單個樣本的模型輸出結果，yi表示goip設備型號。

12、為了找到使l(θ)最小的參數θ，采用隨機梯度下降法(sgd)進行迭代更新：

13、

14、其中，γ表示學習率，表示損失函數關于θ的梯度，t表示迭代次數。

15、進一步的，考慮到html代碼的復雜性和異構性，需要提取多層次的特征，通過構建多層的神經網絡模型來實現，其中第m層的輸出hm(x)表示為：

16、hm(x)＝σ(wmhm-1(x)+bm)

17、其中，σ表示激活函數，wm表示第m層的權重，bm表示第m層偏置項。

18、通過這樣的多層模型，可以逐步提取從低級到高級的特征，以更全面地理解html代碼的結構和模式。

19、根據本發明的第二方面，提出了一種計算機程序產品，其上存儲有一或多個計算機程序，該一或多個計算機程序被計算機處理器執行時實施上述的方法。

20、本申請實施例中的上述一個或多個技術方案，至少具有如下技術效果之一：

21、本發明提出的深度學習輔助goip型號識別方法，通過構建深度神經網絡模型，自動學習和識別復雜的html特征，有效克服了傳統方法在處理無標簽設備識別時的局限性。與基于特征值比對的方法相比具備如下技術效果：

22、1)高準確率：深度學習模型能夠處理復雜的html特征，提高識別準確率。

23、2)高魯棒性：模型對html代碼的變異和噪聲具有較強的抵抗能力。

24、3)自動化程度高：整個識別流程實現自動化，減少了人工參與，提高了效率。

25、4)適應性廣：能夠適應不同型號的goip設備，具有良好的通用性和擴展性。

26、此外，本發明還提出了一種基于深度學習的goip數據提取優化策略，根據自動識別出的設備型號，選擇最合適的網頁下載模板，實現高效率、高精度的數據提取，為電子數據取證領域提供了有力的技術支持。這一方法不僅為goip設備的型號識別提供了新的思路，也為復雜網絡環境下電子數據取證的自動化、智能化處理開辟了新的路徑。

技術特征：

1.一種深度學習輔助的goip型號自動識別與數據提取的方法，其特征在于，包括：

2.根據權利要求1所述的方法，其特征在于，所述網頁下載技術具體表示為通過發送http請求獲取指定網頁內容，將所述指定網絡內容保存到本地設備。

3.根據權利要求2所述的方法，其特征在于，所述通過發送http請求獲取指定網頁內容，具體步驟包括：利用python的requests庫發送各種類型的http請求，處理服務器響應，同時利用html解析器解析和提取需求信息，其中，采用網絡抓取工具或框架自動化網頁下載和數據提取過程。

4.根據權利要求1所述的方法，其特征在于，所述深度神經網絡模型的訓練具體步驟為將輸入的向量xi映射到goip設備型號yi的預測值上，模型具體公式表示為：

5.根據權利要求4所述的方法，其特征在于，所述深度神經網絡模型在訓練過程中具體步驟為最小化預測值f(xi,θ)與真實值yi之間的差距，并且采用損失函數l(θ)來衡量所述差距，其中，損失函數l(θ)具體公式表示為：

6.根據權利要求5所述的方法，其特征在于，所述損失函數l(θ)采用隨機梯度下降法來找到最小的參數θ，其中，所述隨機梯度下降法具體公式表示如下：

7.根據權利要求4所述的方法，其特征在于，所述深度神經網絡模型根據所提取的多層次特征，構建多層次的深度神經網絡模型，其中，第m層的輸出hm(x)表示為：

8.根據權利要求7所述的方法，其特征在于，所述多層次特征的提取具體過程為逐步提取從低級到高級的特征。

9.一種計算機程序產品，其特征在于，其上存儲有計算機程序，所述計算機程序在被處理器執行時實施如權利要求1-8中任一項所述的方法。

10.一種計算系統，其特征在于，包括處理器和存儲器，所述處理器被配置為執行如權利要求1-8中任一項所述的方法。

技術總結
本發明公開了一種深度學習輔助的GOIP型號自動識別與數據提取的方法，具體包括：利用網頁下載技術獲取GOIP設備的管理頁面的登錄頁，所述GOIP設備的設備狀態為通電聯網，并通過網口建立連接；將所述登錄頁的HTML代碼輸入到訓練好的深度神經網絡模型中，所述深度神經網絡模型根據所述HTML代碼自動分析和提取特征；所述深度神經網絡模型輸出所述GOIP設備的型號，調用預先設置好的網頁下載模板對所述型號進行數據提取。本發明通過深度神經網絡模型對登錄頁面的HTML代碼特征進行分析，實現對設備型號的精準識別，進而采用定制化策略進行數據提取，有效提高了電子數據取證的效率和準確性。

技術研發人員：林凱星,周成祖,張榕平,沈長達
受保護的技術使用者：廈門市美亞柏科信息安全研究所有限公司
技術研發日：
技術公布日：2025/4/24