物联网设备数量呈爆发式增长,在智能家居、智能交通、智能医疗等领域得到了重要的应用,成为我们生活中不可缺少的一部分。但由于许多物联网设备都存在着安全漏洞,而且物联网设备制造商难以及时地为其产品提供适当的安全修补程序,因而伴随着巨大的安全隐患。这些设备容易受到外部黑客攻击造成信息泄露,进而会威胁其接入到网络的安全。解决这个问题的一个有效方法就是检测出连接到网络的可疑物联网设备并对其进行隔离,避免与网关进行通信。因此,物联网设备的识别对网络管理和网络安全具有重要意义。本文的主要研究工作如下:首先,针对物联网设备的识别问题,本文设计了一种基于卷积神经网络的物联网设备识别方法,避免了特征工程的开销和在特征工程期间可能增加的错误。通过实验表明,经过数据预处理的网络流量数据分类准确度高达98%。其次,由于深度学习模型的规模一般比较大,计算速度较慢,因此很难将这些深度学习模型部署在计算能力和存储空间有限的物联网设备中。本文设计了一种基于压缩感知的神经元剪枝方法对卷积神经网络进行了轻量化设计,达到了模型压缩的目的。实验结果表明,所提出的剪枝方法可以有效地减小模型尺寸,加速计算,但性能损失很小。最后,因为传统的深度学习模型是将所有源数据集中在一台高性能计算机上进行训练,这种方式会导致数据流向的不可靠,无法保证数据的隐私安全而且训练时间长。本文设计了一种客户端在中心服务器协调下联合进行训练的联邦学习模型。实验表明,本文提出的联邦学习模型可以很好地保护数据的隐私安全,并且能够在分类性能损失很小的情况下提高通信效率,降低通信损耗,加快训练速度。