当前,数以亿计的工业物联网设备暴露在公网上。而大多设备制造商因节省成本未优先考虑产品安全性,再加上用户安全意识不高、设备管理不善等因素,大量设备很容易被黑客控制进而引发诸如“Mirai”病毒席卷全球等大型攻击事件,造成不可挽回的损失。因此排查物联网设备存在的安全隐患、防范工业物联网安全威胁势在必行。由于同一类型、同一系列或者来自同一品牌的工业物联网设备往往具有相同或相似的安全漏洞,因此识别网络空间中的工业物联网设备,包括其类型、品牌、型号等信息变得十分重要。因为整体物联网设备在网络空间的分布具有长尾效应,且工业路由器、工业防火墙等设备与常见物联网设备的识别方法是相通的,因此本文提出针对常见物联网设备与新兴工业物联网设备分别构建不同数学模型进行设备细粒度识别的方案。本文从设备的Web管理页面数据出发,针对路由器、摄像头等常见物联网设备类型集中、各类型设备数量众多,且Web首页正文中关于设备型号、品牌等信息较为隐晦等特点,提出基于多特征融合的有监督学习方法进行设备分类的方案。该方案综合了 Web管理页面Banner、文本内容、超链接、以及页面结构等多角度特征,相较于以往工作扩大了特征提取范围,更具有普适性,弥补了单一特征或综合文本特征有时无法进行设备识别的缺陷。本文利用随机森林与改进的CHI文本特征提取算法相结合的方案对常见物联网设备类型进行深刻描述,最终生成的模型针对各类型设备的精确率均在98.3%以上。而对于常见物联网设备的品牌、型号进行识别是在建立字典树形式的设备属性数据库的基础上进行的。由于近年来新兴的工业物联网设备不断出现,造成设备种类繁多复杂且较为零散,而现实环境中可接触的各类型工业设备数量较少,因此不适合采用分类方法进行设备识别。但新兴工业物联网设备Web数据中设备品牌和型号信息较为明显,因此本文提出一种基于Web管理页面的七个关键字段与Apriori算法进行设备细粒度识别规则挖掘的方案,扩大了设备识别范围。最后利用相似度对设备进行规则匹配以生成(类型,品牌,型号)标注。经过实验,该方案的准确率达到了 99.9%,召回率达到了 97.3%。