本发明涉及数据识别，尤其涉及一种基于神经网络的物联网资产识别方法、系统、电子设备和非暂态计算机可读存储介质。
背景技术：
1、现如今，全球的物联网设备数量急剧增加，对这些设备的数量、类型、品牌和操作系统缺乏有效监管。资产识别技术应运而生，利用计算机视觉自动识别监控画面中的各类资产，实现对物联网设备的智能管理。
2、然而，现有资产识别技术主要通过监听网络流量提取特征信息，与样本标签数据比对来完成设备识别。随着物联网规模扩大，设备不断增加或更替，这种方法识别效率和准确性低下，处理大规模网络流量和样本标签数据的比对操作变得耗时，亦或者因识别准确性低而反复、重新识别，影响了对物联网设备的及时准确管理。这一缺陷使监管人员难以应对快速变化的物联网环境，限制了对设备的有效监控和管理。
技术实现思路
1、本发明针对现有技术中存在的技术问题，提供一种能够提高物联网设备的资产识别效率的物联网资产识别方法、系统、电子设备和非暂态计算机可读存储介质。
2、本发明解决上述技术问题的技术方案如下：
3、本发明提供一种基于神经网络的物联网资产识别方法，所述方法包括：
4、识别并获取物联网网络中的物联网设备的图像数据和流量数据；
5、通过初始资产识别模型的自动编码器对所述图像数据和所述流量数据进行编解码处理，得到图像特征和流量特征；
6、对所述图像特征和所述流量特征进行融合处理，生成融合后的整合表示；
7、通过所述初始资产识别模型对所述整合表示进行预测，得到所述整合表示对应的预测值；
8、根据所述整合表示、所述预测值和所述预测值的标签，构建所述初始资产识别模型的损失函数；
9、根据包含多个所述图像数据和多个所述流量数据的训练集、所述训练集的标签和所述损失函数，训练所述初始资产识别模型，直至得到训练好的资产识别模型；
10、将待识别物联网设备的待识别图像和待识别流量输入至所述资产识别模型，得到所述待识别物联网设备的资产类别。
11、可选的，所述通过初始资产识别模型的自动编码器对所述图像数据和所述流量数据进行编解码处理，得到图像特征和流量特征，包括：
12、调用所述自动编码器的编码单元和解码单元；
13、通过所述编码单元将所述图像数据和所述流量数据映射到潜在空间，得到所述图像数据和所述流量数据的潜在特征；
14、通过所述解码单元将所述潜在特征映射回所述图像数据和所述流量数据的原始数据空间，以实现对所述图像数据和所述流量数据进行重建，得到对应的所述图像特征和流量特征。
15、可选的，所述自动编码器对所述图像数据和所述流量数据进行编解码处理的第一损失函数为：
16、；
17、其中，ae是所述自动编码器，是所述自动编码器的第一参数，是所述图像数据，是解码后的图像数据，即所述图像特征，是所述编码单元中的图像编码单元，是所述解码单元中的图像解码单元，是所述第一参数的第一正则化项，α为第一权重；
18、；
19、其中，ae是所述自动编码器，是所述自动编码器的第二参数，是所述流量数据，是解码后的流量数据，即所述流量特征，是所述编码单元中的流量编码单元，是所述解码单元中的流量解码单元，是所述第二参数的第二正则化项。
20、可选的，所述根据所述整合表示、所述预测值和所述预测值的标签，构建所述初始资产识别模型的损失函数，包括：
21、根据所述整合表示、所述预测值和所述预测值的标签构建第二损失函数；所述第二损失函数的表达式为：
22、；
23、其中，是所述预测值，y是所述预测值的标签，是所述整合表示，λ、 γ、、 δ分别为第二权重、第三权重、第四权重和第五权重。
24、可选的，所述通过所述初始资产识别模型对所述整合表示进行预测，得到所述整合表示对应的预测值，包括：
25、获取至少一个所述整合表示；
26、将至少一个所述整合表示输入至所述初始资产识别模型进行前向传播，经多个中间层进行处理直至到达输出层；
27、获取所述输出层输出的第一特征，并通过激活函数对所述第一特征进行处理得到所述预测值。
28、可选的，所述预测值的表达式为：
29、；
30、其中，为所述预测值，为所述整合表示经所述初始资产识别模型的全连接层的输出，即所述第一特征，为所述输出层的权重，为所述输出层的偏置。
31、可选的，所述识别并获取物联网网络中的物联网设备的图像数据，包括：
32、通过图像采集设备获取所述物联网设备的原始图像；
33、获取gan生成器，并将所述原始图像输入至所述gan生成器；
34、通过所述gan生成器对所述原始图像进行处理，得到与所述原始图像相近的模拟图像，并将所述原始图像和所述模拟图像作为所述图像数据。
35、可选的，在所述通过所述初始资产识别模型对所述整合表示进行预测之前，还包括：
36、采用聚类算法对多个所述整合表示进行聚类处理，得到每个所述整合表示对应的聚类标签；所述聚类标签用于表示所述整合表示对应的簇；
37、将具有相同聚类标签的至少一个所述整合表示划分至同一小组；
38、将多个所述整合表示按所在小组的顺序进行排序，以使所述初始资产识别模型优先处理属于同一小组的整合表示。
39、本发明还提供一种基于神经网络的物联网资产识别系统，所述系统包括：
40、数据识别模块，用于识别并获取物联网网络中的物联网设备的图像数据和流量数据；
41、特征提取模块，用于通过初始资产识别模型的自动编码器对所述图像数据和所述流量数据进行编解码处理，得到图像特征和流量特征；
42、特征融合模块，用于对所述图像特征和所述流量特征进行融合处理，生成融合后的整合表示；
43、模型预测模块，用于通过所述初始资产识别模型对所述整合表示进行预测，得到所述整合表示对应的预测值；
44、损失构建模块，用于根据所述整合表示、所述预测值和所述预测值的标签，构建所述初始资产识别模型的损失函数；
45、模型训练模块，用于根据包含多个所述图像数据和多个所述流量数据的训练集、所述训练集的标签和所述损失函数，训练所述初始资产识别模型，直至得到训练好的资产识别模型；
46、资产识别模块，用于将待识别物联网设备的待识别图像和待识别流量输入至所述资产识别模型，得到所述待识别物联网设备的资产类别。
47、可选的，所述特征提取模块还用于：
48、调用所述自动编码器的编码单元和解码单元；
49、通过所述编码单元将所述图像数据和所述流量数据映射到潜在空间，得到所述图像数据和所述流量数据的潜在特征；
50、通过所述解码单元将所述潜在特征映射回所述图像数据和所述流量数据的原始数据空间，以实现对所述图像数据和所述流量数据进行重建，得到对应的所述图像特征和流量特征。
51、此外，为实现上述目的，本发明还提出一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述计算机软件程序，进而实现如上文所述的一种基于神经网络的物联网资产识别方法。
52、此外，为实现上述目的，本发明还提出一种非暂态计算机可读存储介质，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如上文所述的一种基于神经网络的物联网资产识别方法。
53、本发明的有益效果是：
54、（1）本发明相较于现有的资产识别技术，通过整合待识别设备的少量图像和流量数据，能够充分利用不同数据源的信息，避免了过度依赖网络流量监听的缺陷，提高了设备识别的效率和准确性。
55、（2）本发明相较于现有的资产识别技术，通过引入自动编码器，利用图像和流量数据进行无监督学习，更有效地学习数据中的有用特征，提高了对设备的智能管理效果。
56、（3）本发明相较于现有的资产识别技术，通过整合表示的聚类损失项，鼓励模型学到有意义的潜在空间结构，更好地适应快速变化的物联网环境，提高了对设备变化的应对能力。
57、（4）本发明相较于现有的资产识别技术，通过梯度正则化和自动编码器参数的正则化，提高了模型的训练稳定性，防止了梯度相关的问题，同时有效地控制了模型的复杂度，有助于更快速地处理大规模数据。
58、（5）本发明相较于现有的资产识别技术，采用综合的损失函数，平衡了多个训练目标，有助于提高模型在各个方面的性能，更好地适应物联网环境的变化，从而改善了监管人员对设备的有效监控和管理的问题。
1.一种基于神经网络的物联网资产识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的物联网资产识别方法，其特征在于，所述通过初始资产识别模型的自动编码器对所述图像数据和所述流量数据进行编解码处理，得到图像特征和流量特征，包括：
3.根据权利要求2所述的基于神经网络的物联网资产识别方法，其特征在于，所述自动编码器对所述图像数据和所述流量数据进行编解码处理的第一损失函数为：
4.根据权利要求3所述的基于神经网络的物联网资产识别方法，其特征在于，所述根据所述整合表示、所述预测值和所述预测值的标签，构建所述初始资产识别模型的损失函数，包括：
5.根据权利要求4所述的基于神经网络的物联网资产识别方法，其特征在于，所述通过所述初始资产识别模型对所述整合表示进行预测，得到所述整合表示对应的预测值，包括：
6.根据权利要求5所述的基于神经网络的物联网资产识别方法，其特征在于，所述预测值的表达式为：
7.根据权利要求1-6中任一项所述的基于神经网络的物联网资产识别方法，其特征在于，所述识别并获取物联网网络中的物联网设备的图像数据，包括：
8.根据权利要求1所述的基于神经网络的物联网资产识别方法，其特征在于，在所述通过所述初始资产识别模型对所述整合表示进行预测之前，还包括：
9.一种基于神经网络的物联网资产识别系统，其特征在于，所述系统包括：
10.根据权利要求9所述的基于神经网络的物联网资产识别系统，其特征在于，所述特征提取模块还用于：
