随着物联网设备的激增，网络设备识别对于有效的网络管理和安全至关重要。然而，许多基于机器学习的 IoT 设备识别解决方案在实际部署中表现出性能下降。这种性能退化源于对静态 IoT 环境的假设，未能考虑真实世界中 IoT 网络的多样性：设备可能运行在不同模式、随时间演化，且存在时空变化。本文系统评估了当前 IoT 设备识别解决方案，使用了精心整理的数据集和代表性特征，覆盖了不同场景。研究考虑了影响实际设备识别的关键因素，包括操作模式、时空变化和流量采样，并将这些因素组织为一组属性，用于评估现有方案。随后，利用机器学习可解释性技术精确定位性能退化的主要成因。评估揭示了哪些特征能持续有效地识别设备，并为网络运营商提供了宝贵的见解和实用建议，以改进其在实际部署中的 IoT 设备识别能力。

该论文针对物联网设备准确识别这一关键安全问题，提出了一种基于制造商使用描述（MUD）配置文件的语义识别方法。现有方法通常从数据包或流记录中学习设备签名，但这些低层通信观测的流量模式会随部署环境、软件版本和用户交互而变化，导致识别鲁棒性不足。MUD配置文件通过访问控制条目（ACE）描述设备行为，每个ACE包含协议、端点、方向和端口语义，构成行为原语。论文贡献包括三个方面：第一，利用28个公开MUD配置文件中的1023个ACE实例，构建了紧凑行为文本的ACE级语义表示，并分析其几何特性。实验表明，ACE级表示比整体配置文件嵌入更有效地保留设备级行为区分，且经过白化校准后仍然有效。第二，在受控运行时变化下（包括未见ACE、主机名漂移、部分运行时观测）评估语义ACE匹配性能。精确ACE匹配在规范MUD重叠率高时表现良好，但重叠稀疏或消失时性能急剧下降；而语义ACE匹配能在这些条件下保持有用的识别证据。第三，在包含超过80万条观测流量的真实IoT流量轨迹上评估。结果表明，当存在稳定重叠时精确匹配最强，但在观测早期语义匹配提供更强的识别证据，通常能将正确设备保留在最高候选之中，并在稀疏重叠的运行时流量下保持有效性。该研究为IoT设备识别提供了不依赖流量模式变化的语义级解决方案，特别适用于零日设备或动态环境。