近年来,随着移动通信技术、大数据和云计算技术的发展,物联网得以快速普及。物联网数据来源于海量的物联网设备,设备的异构性对传统的物联网安全管理手段提出了挑战。近年来,机器学习由于其在处理海量数据方面的优势在物联网安全管理领域得到了广泛关注,利用其强大学习能力,有效解决物联网安全所遇到的问题。本文对网络安全管理技术进行了深入研究,并基于机器学习方法实现了面向物联网多个层次的安全管理系统。首先,针对感知层防护,本文提出了一种基于机器学习的物联网设备高效识别系统,包括两个模块:指纹提取模块和设备识别模块。指纹提取模块从被动捕获的设备流量中提取流量周期性特征和协议特征,生成指纹矩阵。设备识别模块根据提取生成的指纹矩阵,利用机器学习分类器判断设备的类型。实验测试了9种类型的物联网设备,样本数量为180组,平均识别精度能够达到95%以上,有较好的识别效果。针对传输层防护,本文提出了一种基于机器学习的粗细粒度混合网络异常检测系统。将机器学习算法运用于网络异常检测,用细粒度算法对粗粒度算法进行优化,减小沼泽化和掩蔽效应影响。通过粗粒度算法首先检测出大部分异常攻击,检测结果中异常占比与一般情况下网络异常占比存在较大差异,则测量特征距离进行细粒度检测来得出局部最优解,从而满足准确率要求,在节约计算成本的同时保证了准确率。实验结果表明,在异常流量较多的情况下,粗细粒度混合的异常检测系统仍能达到很好的检测效果,准确率在96%以上,这远好于使用单一粗粒度算法的检测系统。本文还针对平台层防护,对LSTM神经网络算法在网络态势评估中的应用进行了研究。通过平台层收集整个网络中的安全参数,按相关原则提取生成网络安全态势评估指标。利用LSTM神经网络对网络安全态势进行评估。实验中将态势评估结果分为优、良、差三类,结果表明LSTM对网络安全态势评估效果显著,40个测试样本中仅出现4个错判,精度达到90%,ROC特性曲线表现良好,说明LSTM神经网络用于态势评估效果较好。本文进行的三个研究能够应用于新时代下的物联网智能设备识别与安全管理领域。物联网设备入网后便可利用设备识别系统快速识别设备类型,从而为其配置相应的政策。在物联网的流量传输中,粗细粒度混合检测系统能够高效地分析当前网络中的异常情况,提防网络攻击的发生。网络管理人员可以在平台层对整体网络进行网络安全态势评估,根据评估结果对于物联网进行防护和预警。