随着计算机网络技术的飞速发展,互联网连接的设备种类和数量不断增长。网络设备种类除了传统的路由器、交换机和服务器等设备,还扩展了工业控制系统和智能楼宇设备等新型设备。这些新型设备的大规模接入为社会生产和生活引发了诸多风险。这些风险包括新型设备在设计之初未充分考虑与互联网连接的安全隐患,并且设备类型繁多、数量庞大和广泛分布,安全管理人员难以全面掌控设备情况。上述风险可能导致数据泄露、隐私泄露、设备失控、僵尸网络等一系列安全问题。在安全问题发生前发现存在漏洞的设备是防止它们被破坏和利用的巨大挑战。因此,提升网络设备识别技术在定位攻击目标、有效管理网络设备、优化网络拓扑与配置、发现故障或沦陷设备、提高网络安全防护能力等方面具有重要意义。本文的主要贡献如下:本文对比三种具有不同分类原理且分类效果较好的机器学习模型在网络设备识别领域的效果。经过数据预处理与特征工程,采用精确率、F1-score、召回率和准确率等评价指标进行效果分析。实验结果表明,随机森林（Random Forest,RF）和梯度提升决策树（Gradient Boosting Decision Trees,GBDT）在各项评价指标上表现较好,而支持向量机（Support Vector Machine,SVM）性能相对较弱。树模型在基于机器学习的网络设备识别中表现出良好效果,为后续网络设备识别研究提供了重要的参考。本文采用了改进的灰狼优化（Cosine Grey Wolf Optimizer,CGWO）算法优化了基于机器学习的网络设备识别模型性能。在原始灰狼优化算法（Grey Wolf Optimizer,GWO）的基础上,采用了余弦规律优化收敛因子、动态调节机制和柯西分布策略等改进措施。实验结果表明,与基于机器学习的网络设备识别模型以及经过GWO优化后的基于机器学习的网络设备识别模型相比,本文提出的基于CGWO的机器学习网络设备识别的模型在测试集上的评估效果得到了显著提升。证实CGWO在网络设备识别领域具有较大的应用价值,为提高基于机器学习的网络设备识别模型的性能提供了有效途径。本文提出了CGWO-Stacking网络设备识别模型,将CGWO-RF和CGWO -GBDT作为基分类器,CGWO-SVM作为元分类器,并采用k折交叉验证以降低过拟合风险。实验结果表明,与单一的CGWO-SVM、CGWO-RF和CGWO-GBDT模型相比,本文提出的CGWO-Stacking网络设备识别模型在测试集上的评估效果显著提升,证实其在网络设备识别领域具有较大的应用价值。