论文摘要
惠普公司的IT资产管理解决方案（ITAM）能很好地帮助企业管理所有IT资产,以达到控制成本和降低风险的目的。IT资产自动发现和识别系统（DDMI）作为该解决方案的核心部分,能自动发现并识别安装在目标主机上的所有软硬件设备,是ITAM的重要数据来源。但DDMI目前采用的应用软件识别方法非常复杂,其过程计算量庞大,数据结构凌乱,并存在较大概率的识别错误。且该过程仍然有大量的手工操作,随着企业日益壮大,企业人力成本将急剧增加。因此急需寻找一种方法,来降低该过程的复杂性,提高其自动化程度,并且更准确和全面地满足用户的识别要求。首先论述了惠普IT资产管理的现状、所面临的问题以及K最近邻（KNN）分类法在应用中的必要性。在此基础上,分析资产自动发现、识别等主要功能及自动发现、识别等核心流程。然后分析了系统的MVC体系结构,对资产发现、识别等核心子系统进行详细设计,通过分析当前IT资产识别引擎的弊端,引入KNN分类法作为资产分类的基本实现于段,并结合质向量（Essential Vector）方法改进KNN：先计算质向量距离以快速得到K个最有可能的侯选类别,再对这K个类别训练样本执行KNN分类。实验表明,改进后的算法EV-KNN能在大幅裁剪训练样本的同时降低计算量,并在应用软件分类中表现出较高的效率和准确率。其中重点分析了EV-KNN在资产识别引擎中的应用及实现。最后对该引擎的缺陷和未来研究方向进行了总结分析。