基于AI的资产识别校核方法、装置、存储介质、程序产品及计算机设备与流程

摘要: 本技术涉及电力工控网络,尤其涉及一种基于ai的资产识别校核方法、装置、存储介质、程序产品及计算机设备。背景技术:1、电力工控网络是支撑电力系统生产控制业务的核心...
基于AI的资产识别校核方法、装置、存储介质、程序产品及计算机设备与流程

本技术涉及电力工控网络,尤其涉及一种基于ai的资产识别校核方法、装置、存储介质、程序产品及计算机设备。

背景技术:

1、电力工控网络是支撑电力系统生产控制业务的核心基础设施,其网络资产的准确性、完整性、实时性,关系到电网运行的安全性、稳定性、可靠性。有效的网络资产识别与校核,可以提高实际网络中的设备与cmdb(configuration management database,配置管理数据库)等管理系统登记的资产台账信息之间的一致性,以便于开展安全策略配置、漏洞管理、故障定位、合规审计等工作。

2、相关技术中,可以基于icmp ping(internet control message protocol‌packet internet groper,基于互联网控制报文协议的因特网包探索器)、snmp(simplenetwork management protocol‌ ‌‌,简单网络管理协议)轮询等简单规则的自动化扫描工具,来完成网络资产识别与校核。

3、然而,电力工控网络的架构十分复杂,例如其中通常存在着大量不同通信协议的设备、甚至是电力设备厂商私有扩展协议的设备,而上述自动化扫描工具难以在复杂网络中准确、迅速地识别出相关资产。

技术实现思路

1、为了解决上述技术问题,本技术实施例提出了一种基于ai的资产识别校核方法、装置、存储介质、程序产品及计算机设备,能够提高在复杂的电力工控网络中对于资产识别的准确率与实时性。

2、第一方面,本技术实施例提供了一种基于ai的资产识别校核方法,包括:

3、获取电力工控网络设备对应的资产特征数据,并确定所述资产特征数据的资产特征信息,其中,所述资产特征数据包括流量数据;

4、调用基于人工智能ai的电力工控网络资产异常识别模型,基于所述资产特征信息与资产台账基准信息进行比对分析,生成资产特征匹配信息;

5、至少基于所述资产特征匹配信息,按照预设异常判定优先级对所述电力工控网络设备所处的电力工控网络进行资产异常识别,以得到电力工控网络的资产异常类型及与所述资产异常类型对应的风险等级;

6、基于所述资产异常类型及所述风险等级,生成资产校核报告。

7、可选地,所述确定所述资产特征数据的资产特征信息,包括:

8、对所述资产特征数据中的连续型特征数据进行离散化处理,得到离散化特征序列,其中,所述离散化特征序列中包括至少一维度的离散化特征;

9、确定所述至少一维度的离散化特征各自的信息熵增益;

10、基于所述信息熵增益,确定每一维度的离散化特征所对应的离散权重;

11、基于所述离散权重,对所述至少一维度的离散化特征进行加权处理,并根据加权后的离散化特征确定所述资产特征信息。

12、可选地,所述电力工控网络资产异常识别模型包括特征变换单元及特征注意力层;

13、所述调用基于人工智能ai的电力工控网络资产异常识别模型,基于所述资产特征信息与资产台账基准信息进行比对分析,生成资产特征匹配信息,包括:

14、调用所述特征变换单元,对所述资产特征信息进行变换处理,得到变换后的资产特征信息;

15、调用所述特征注意力层,确定所述变换后的资产特征信息所对应的查询向量与键向量之间的第一相似度信息,并基于所述第一相似度信息及温度调节因子,确定注意力权重信息,其中,所述温度调节因子与所述电力工控网络设备的设备重要级别相关;

16、基于所述注意力权重信息,对所述变换后的资产特征信息进行加权处理;

17、基于所述资产台账基准信息与所加权的资产特征信息进行比对分析,以生成所述资产特征匹配信息。

18、可选地,所述基于所述资产台账基准信息与所加权的资产特征信息进行比对分析,以生成所述资产特征匹配信息,包括:

19、对所述资产台账基准信息进行校验处理,以从其中提取出有效资产台账基准信息,并提取所述有效资产台账基准信息对应的基准特征信息;

20、确定所述基准特征信息与所述所加权的资产特征信息之间的原始相似度信息;

21、对所述原始相似度信息进行归一化处理,得到所述资产特征匹配信息。

22、可选地,所述方法还包括:

23、获取所述电力工控网络设备的当前负载率以及所述电力工控网络设备在最近预设时间段内的设备核心异常累计次数;

24、基于所述当前负载率,以及与所述电力工控网络设备对应的最低负载率阈值及高负载临界阈值,确定负载率影响因子;

25、基于所述设备核心异常累计次数与最大核心异常次数阈值之间的比值,确定异常频次影响因子,其中,所述最大核心异常次数阈值用于指示所述电力工控网络设备在所述最近预设时间段内的设备核心异常次数上限;

26、基于所述负载率影响因子、所述异常频次影响因子及前一周期动态阈值,确定当前周期动态阈值;

27、其中,所述至少基于所述资产特征匹配信息,按照预设异常判定优先级对所述电力工控网络设备所处的电力工控网络进行资产异常识别,包括:

28、基于所述资产特征匹配信息及所述当前周期动态阈值,按照所述预设异常判定优先级对所述电力工控网络设备所处的电力工控网络进行资产异常识别。

29、可选地,所述方法还包括:

30、基于所述资产特征数据中的连续型特征数据和/或离散型特征数据,对电力工控网络资产动态画像进行更新。

31、第二方面,本技术实施例提供了一种基于ai的资产识别校核装置,包括:

32、特征处理模块,用于获取电力工控网络设备对应的资产特征数据,并确定所述资产特征数据的资产特征信息,其中,所述资产特征数据包括流量数据;

33、匹配模块,用于调用基于人工智能ai的电力工控网络资产异常识别模型,基于所述资产特征信息与资产台账基准信息进行比对分析,生成资产特征匹配信息;

34、异常识别模块,用于至少基于所述资产特征匹配信息,按照预设异常判定优先级对所述电力工控网络设备所处的电力工控网络进行资产异常识别,以得到电力工控网络的资产异常类型及与所述资产异常类型对应的风险等级;

35、报告生成模块,用于基于所述资产异常类型及所述风险等级,生成资产校核报告。

36、第三方面,本技术实施例提供了一种非瞬时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

37、第四方面,本技术实施例提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现上述任一项所述的方法的步骤。

38、第五方面,本技术实施例提供了一种计算机设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法的步骤。

39、综上,本技术实施例至少具有以下有益效果:

40、采用本技术实施例,获取电力工控网络设备对应的资产特征数据,并确定所述资产特征数据的资产特征信息,其中,所述资产特征数据包括流量数据;调用基于人工智能ai的电力工控网络资产异常识别模型,基于所述资产特征信息与资产台账基准信息进行比对分析,生成资产特征匹配信息;至少基于所述资产特征匹配信息,按照预设异常判定优先级对所述电力工控网络设备所处的电力工控网络进行资产异常识别,以得到电力工控网络的资产异常类型及与所述资产异常类型对应的风险等级;基于所述资产异常类型及所述风险等级,生成资产校核报告,如此,可以利用ai模型实现对资产台账基准信息与采集到的资产特征数据的资产特征信息之间高效精准的比对分析,以提高在复杂的电力工控网络中对于资产识别的准确率,并将分析生成的资产特征匹配信息结合异常判定优先级来对电力工控网络进行资产异常识别,以便优先对优先级较高的类型进行资产异常识别,从而提高对这部分类型的资产异常识别实时性,并生成资产校核报告以供用户可以及时准确地了解。