随着物联网设备数量的与日俱增，物联网环境中网络流量的规模也随之剧增，为了从海量的网络流量中高效地实现物联网设备的识别和分类，文章提出一种物联网设备识别方法。首先，为了消除网络流量中不规范的数据样本，研究并提出一种基于滑动窗口的数据预处理（Sliding Window-Based Data Pre-Processing，SW-Based DPP）算法，使用SW-Based DPP算法对数据进行清洗；然后，为了降低物联网设备识别方法的复杂度，通过把轻量级卷积神经网络（Lightwight Convolution Neural Network，LCNN）和LSTM结构进行结合，提出一种基于LCNN-LSTM混合结构的神经网络模型；接着，将数据预处理后的网络流量输入到LCNN-LSTM模型中进行物联网设备分类；最后，基于上述混合结构的神经网络模型，进一步提出一种基于LCNN和LSTM混合结构的物联网设备识别（Internet of Things Devices Identification Based on LCNN and LSTM Hybrid Structure，LCNN-LSTM-Based IoTDI）方法。该方法通过迭代训练LCNN-LSTM模型，深度挖掘网络流量中的时间和空间双重特征，并使用softmax分类器实现物联网设备识别的目标。实验结果表明，在UNSW、CIC IoT和Laboratory数据集上，LCNN-LSTM模型的运行时间与CNN-LSTM模型相比平均降低了约47.63%，并且LCNN-LSTM-Based IoTDI方法的F1值分别为88.6%、95.6%和99.7%。证明了该方法具有高效的设备识别能力。
