一种数据溯源方法、装置、设备、介质及产品与流程
本技术属于大数据,尤其涉及一种数据溯源方法、装置、设备、介质及产品。
背景技术:
1、信息安全领域对于数据安全和隐私保护的需求不断增长。随着信息化程度的提高,大量的数据被产生、存储、传输和处理,其中可能包含着重要的商业机密、个人隐私等敏感信息。然而,数据在流转过程中往往难以被有效追踪、监控和溯源,导致数据泄露、篡改、滥用等问题的频发。因此,对数据的溯源是保障数据安全的重要手段。目前,往往利用知识图谱根据追踪路径重现数据历史以实现溯源,利用数据包中的标记信息确定数据包在网络传输过程中所转发的路径。但知识图谱可能并不完整,可能无法包含所有的特征实体和关联关系信息,导致溯源结果不够全面和准确;同时,特征实体消歧困难,当特征实体具有相似特征或存在多义性时,实体抽取技术可能无法准确识别特征的含义,进一步导致溯源结果的准确性降低。
技术实现思路
1、本技术实施例提供一种数据溯源方法、装置、设备、介质及产品,能够基于图卷积神经网络对操作日志数据进行处理得到关系矩阵,进而实现准确地溯源。
2、一方面,本技术实施例提供一种数据溯源方法,包括:
3、获取操作日志数据;
4、提取所述操作日志数据中的多个特征以及多个特征之间的关联关系;所述特征包括事件以及事件属性;
5、基于所述多个特征构建特征矩阵,以及基于所述多个特征之间的关联关系,构建邻接矩阵;
6、基于图卷积神经网络,对所述邻接矩阵以及所述特征矩阵进行运算处理,得到用于表征所述多个特征以及所述多个特征之间的关联关系的关系矩阵;
7、基于所述关系矩阵对第一目标特征进行数据溯源,得到与所述第一目标特征存在关联关系的第二目标特征。
8、另一方面,所述基于图卷积神经网络,对所述邻接矩阵以及所述特征矩阵进行运算处理,得到用于表征所述多个特征以及所述多个特征之间的关联关系的关系矩阵,包括:
9、对于所述图卷积神经网络的每层网络,执行以下操作:
10、获取当前层网络对应的目标矩阵;对于所述图卷积神经网络的第一层网络,所述目标矩阵为所述特征矩阵;对于所述图卷积神经网络的第一层网络之后的其他每层网络,所述目标矩阵基于上一层网络的输出矩阵确定;
11、基于所述邻接矩阵以及当前层网络对应的目标矩阵,确定当前层网络的输入矩阵;
12、基于当前层网络的集合函数,对当前层网络的输入矩阵进行处理,得到当前层网络的输出矩阵;所述图卷积神经网络的最后一层网络的输出矩阵为所述关系矩阵。
13、另一方面,对于所述图卷积神经网络的第一层网络之后的其他每层网络,在基于所述邻接矩阵以及当前层网络对应的目标矩阵,确定当前层网络的输入矩阵之前,所述方法还包括:
14、基于可逆调节因子以及当前层网络之前的其他层网络的第一输出矩阵,确定当前层网络对应的目标矩阵,以使当前层网络进行的运算可逆;所述第一输出矩阵至少包括上一层网络的输出矩阵。
15、另一方面,所述获取当前层网络对应的目标矩阵,包括:
16、获取所述多个特征的度矩阵;
17、对应的,基于所述邻接矩阵以及当前层网络对应的目标矩阵,确定当前层网络的输入矩阵,包括:
18、基于所述度矩阵对所述邻接矩阵以及所述目标矩阵进行处理;
19、基于处理后的邻接矩阵和目标矩阵,确定当前层网络的输入矩阵。
20、另一方面,在基于所述邻接矩阵以及当前层网络对应的目标矩阵,确定当前层网络的输入矩阵之前,所述方法还包括:
21、确定所述图卷积神经网络每层网络对应的权重矩阵;
22、对应的,基于所述邻接矩阵以及当前层网络对应的目标矩阵,确定当前层网络的输入矩阵,包括:
23、基于所述权重矩阵、所述邻接矩阵和所述目标矩阵,确定当前层网络的输入矩阵。
24、另一方面,基于所述多个特征之间的关联关系,构建邻接矩阵,包括:
25、基于所述多个特征之间的关联关系,构建原始邻接矩阵;
26、将所述原始邻接矩阵以及单位矩阵相加,得到所述邻接矩阵。
27、另一方面,在提取所述操作日志数据中的多个特征以及多个特征之间的关联关系之前,所述方法还包括:
28、获取用于匹配特征的多个特征匹配字段;
29、基于所述多个特征匹配字段,构建数据解析模板库;
30、对应的,提取所述操作日志数据中的多个特征以及多个特征之间的关联关系,包括:
31、基于所述数据解析模板库中的所述多个特征匹配字段,在所述操作日志数据中匹配得到多个目标字段;
32、基于所述多个目标字段,分别确定所述多个特征;以及基于所述目标字段在所述操作日志数据中的位置,确定所述多个特征之间的关联关系。
33、另一方面,基于所述数据解析模板库中的所述多个特征匹配字段,在所述操作日志数据中匹配得到多个目标字段,包括:
34、基于所述特征匹配字段,构建正则表达式;
35、基于所述正则表达式,在所述操作日志数据中匹配得到所述多个目标字段。
36、另一方面,本技术还提供一种数据溯源装置,所述装置包括:
37、获取模块,用于获取操作日志数据;
38、提取模块,用于提取所述操作日志数据中的多个特征以及多个特征之间的关联关系;所述特征包括事件以及事件属性;
39、构建模块,用于基于所述多个特征构建特征矩阵,以及基于所述多个特征之间的关联关系,构建邻接矩阵;
40、运算模块,用于基于图卷积神经网络,依次对所述邻接矩阵以及所述特征矩阵进行运算处理,得到用于表征所述多个特征以及所述多个特征之间的关联关系的关系矩阵;
41、溯源模块,用于基于所述关系矩阵对第一目标特征进行数据溯源,得到与所述第一目标特征存在关联关系的第二目标特征。
42、另一方面,本技术还提供一种数据溯源设备,所述设备包括:处理器以及存储有计算机程序指令的存储器;
43、所述处理器执行所述计算机程序指令时实现如上所述的数据溯源方法。
44、另一方面,本技术还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如上所述的数据溯源方法。
45、另一方面,本技术还提供一种计算机程序产品,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如上所述的数据溯源方法。
46、本技术实施例的数据溯源方法,采用了图卷积神经网络实现数据溯源。具体地,本技术会提取操作日志数据中的多个特征以及多个特征之间的关联关系;进而构建特征矩阵以及邻接矩阵(即图数据),再基于图卷积神经网络对图数据进行处理,可构建出能够表征多个特征以及多个特征之间的关联关系的关系矩阵;基于此,即可基于关系矩阵对第一目标特征进行数据溯源,得到与第一目标特征存在关联关系的第二目标特征。可见,本技术通过构建图数据并基于图卷积神经网络转化为对应的关系矩阵,依靠图卷积神经网络的较强的表达能力,能够保证数据的完整性,进而提高溯源的准确性。同时,本技术通过将特征和关联关系转换为节点和边的方式构建图数据,能够准确识别出所有特征,进一步提高溯源结果准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com