煤矿工业物联网（IIoT）设备受自身设计和性质限制，通常为计算与存储资源受限设备，难以采用强密码协议与复杂的认证机制进行安全防护，攻击者通过分析网络通信流量，对特定漏洞设备发起针对性网络攻击，可能造成敏感数据泄露或恶意篡改，严重威胁煤矿IIoT的安全稳定。精准识别煤矿IIoT设备可完善煤矿设备资产信息库，有效管理并维护设备正常运转，为提高设备的安全防护能力提供依据。现有设备识别算法存在特征构造复杂、内存与计算需求较高导致难以部署在资源受限的煤矿IIoT设备中等问题。本文利用轻量化神经网络方法，提出了一种煤矿IIoT设备识别模型。

       煤矿IIoT设备识别模型分为原始流量切分与截取、Non−IIoT设备过滤、偏移流量数据平衡、煤矿IIoT设备识别4个部分，如下图所示。

       1） 原始流量切分与截取。将支持TCP/IP协议传输的流量数据切分为双向会话流，去除会话流中无关MAC/IP地址字段，并删除会话流中应用层空/重复文件，将每个会话流截取定长字段后转为IDX格式进行存储。

       2） Non−IIoT设备过滤。利用轻量级深度可分离卷积（DSC）替代传统卷积提取流量特征，结合卷积块注意力模块（CBAM）校正通道、空间权重，搭建DSC−CBAM模型（如下图所示）过滤Non−IIoT设备。

       3） 偏移流量数据平衡。采用带有阶段惩罚的Wasserstein生成对抗网络（WGAN−GP）模型平衡流量较少类煤矿IIoT设备流量数据，将平衡后数据并入原有设备数据集中共同作为煤矿IIoT设备增强数据集。

       4） 煤矿IIoT设备识别。引入多尺度特征融合（MFF）技术与Mish激活函数优化DSC−CBAM模型，构建优化混合模态识别（MDCM）模型（结构见下表）。将经过平衡后的数据输入MDCM模型，实现煤矿IIoT设备精准识别。

       通过消融实验验证MDCM模型中DSC，CBAM，MFF，Mish对优化煤矿IIoT设备识别效果的有效性，结果如下图所示。CNN模型收敛速度中等，各评价指标保持在99.960%左右，但参数量高达228 318个，模型复杂度较高；DSC模型参数量为CNN模型的16.6%，精确率、召回率等略有损失，表明DSC确实会破坏卷积核与输出通道的相互作用，但各项评价指标仍能保持在99.955%以上；DSC−CBAM模型收敛速度慢于CNN模型，除参数量略增大外，其他各项评价指标均优于上述模型，表明采用CBAM校正特征权重可极大提升模型识别性能；MDC模型收敛速度进一步加快，各项评价指标显著提升至99.970%以上；MDCM模型收敛速度最快，准确率、召回率、精确率与F1−score指标均最优，高达99.975%以上，而参数增加量几乎可忽略不计。

       为验证本文所提设备识别模型的优越性，在UNSW数据集上与文献[6] 、文献[10]、文献[11]、文献[34]中所提模型进行对比，结果见下表。文献[6]构建ML模型识别设备类型，准确率达99.88%，但人工手动提取流量特征耗费人力物力，成本较高，不适用于大规模IIoT数据处理；文献[10]将流量截取2 500 byte长度，采用CNN+双向LSTM提取设备时间与空间特征，识别准确率达99.91%，但流量截取字节长度过长，且模型复杂度过高，难以部署；文献[11]仅将流量数据切分至应用层，忽略了数据包OSI模型其他层特征信息，识别结果不够精确，且模型参数量较多；文献[34]采用128个5×5与64个3×3大小的卷积核提取流量特征，虽达到最高识别精度，但模型参数量最大；本文所提MDCM模型准确率、精确率、召回率与F1−score指标均达到最优，且参数量最小。

郝秦霞（1980—），女，陕西西安人，副教授，博士，主要研究方向为物联网应用、矿山安全，E-mail：haoqinxia@xust.edu.cn。

郝秦霞，李慧敏. 煤矿工业物联网设备识别模型[J]. 工矿自动化，2024，50（3）：99-107.

HAO Qinxia, LI Huimin. Recognition model of IIoT equipment in coal mine[J]. Journal of Mine Automation，2024，50（3）：99-107.