一种电力营销数据泄露风险预警方法及系统与流程
本发明涉及电力,尤其涉及一种电力营销数据泄露风险预警方法及系统。
背景技术:
1、随着电力系统信息化和数字化水平的不断提升,电力营销业务逐步向集中化、平台化和在线化方向发展,电力营销系统在日常运行过程中持续产生大量涉及用户身份信息、用电行为数据、计费结算信息及业务操作日志敏感数据。
2、在现有技术中,针对电力营销数据泄露风险的监测与感知手段主要依赖于基于规则的安全策略、阈值告警机制或判别式机器学习模型,通常通过预设规则或固定特征阈值,对单次访问行为或单条日志记录进行判断,电力营销业务场景具有显著的时序性和上下文相关性,单一操作在大多数情况下均符合业务规范,导致基于规则或静态阈值的方法难以识别跨时间、跨业务模块的隐蔽式或渐进式数据泄露行为。
3、部分现有技术尝试引入深度学习模型对电力营销日志进行异常检测,但该类模型多以判别式结构为主,输出结果通常为二值判断或固定风险分数缺乏对风险不确定性的刻画能力,当面对电力营销系统中新出现的异常行为模式或未见过的数据泄露手段时,现有判别式模型容易产生过度自信的判断结果,从而引发误报或漏报问题。同时该类模型通常仅关注单次操作或短时间窗口内的行为特征,难以对分散在多个时间窗口内的风险行为进行结构化关联分析。
4、现有技术文件1(cn119558887a)公开了一种电网营销数据穿透分析与运营管理方法及系统。其不足之处在于通常通过预设规则或固定特征阈值对单次访问行为或单条日志记录进行判断,难以识别跨时间、跨业务模块的隐蔽式或渐进式数据泄露行为;与现有技术文件1相比,本发明显著不同之处在于,本发明将电力营销风险概率向量流按照时间窗口批量化,并在层次聚类算法中引入时间跨度约束,对风险概率分布、不确定性度量及到达时间进行加权度量;基于该显著不同之处,本发明实际达到的技术效果至少包括:能够精准捕获隐蔽数据泄露行为,实现了风险信号在时间轴和业务维度上的全局聚合,针对蚂蚁搬家式慢渗透攻击,可根据聚类树结构自动追踪风险簇的演化过程,提升了跨时域隐蔽泄露的检测能力。
5、现有技术文件2(cn121637353a)公开了一种电力营销反作弊方法及系统。其不足之处在于输出结果通常为二值判断或固定风险分数,缺乏对风险不确定性的刻画能力,面对新出现的异常行为模式或未见过的数据泄露手段时容易产生过度自信的判断结果,从而引发误报或漏报问题;与现有技术文件2相比,本发明显著不同之处在于,本发明采用bayesflow生成式推理模型,在线推理阶段通过一次前向推理即可获得单次操作的多维风险概率分布及风险不确定性度量;基于该显著不同之处,本发明实际达到的技术效果至少包括:能在面对零日漏洞和新型攻击模式时输出概率分布区间,提供对风险认识的不确定性量化,提升了模型对异常行为的敏感度和电力营销风险判别的鲁棒性。
技术实现思路
1、为解决现有技术中存在的不足,本发明提供一种电力营销数据泄露风险预警方法及系统,该方法通过采集离线电力营销原始数据构造电力营销数据泄露风险样本集,训练bayesflow风险推理模型;该模型为由电力营销概要网络和电力营销推理网络组成的端到端可逆神经网络结构,电力营销概要网络通过空洞卷积和注意力机制学习电力营销特征张量中的时间序列特性和异构业务字段特性,建模跨时间跨度的电力营销操作行为、用户信息访问行为及电量相关特征之间的长程依赖关系,电力营销推理网络根据电力营销概要网络输出的摘要向量进行风险推理,生成与电力营销业务语义相耦合的风险潜在变量后验分布;通过采集实时电力营销数据构建在线推理集合,输入训练好的bayesflow风险推理模型得到电力营销风险概率向量流;将电力营销风险概率向量流按照预设时间窗口顺序化缓存构建电力营销风险概率批量集合,基于批量集合执行层次聚类生成电力营销层次风险聚类树,并计算风险簇强度指标进行电力营销数据泄露风险告警。本发明提升了跨时间、跨业务模块的隐蔽式或渐进式数据泄露行为识别的准确性。
2、本发明采用如下的技术方案。
3、本发明的第一方面提供了一种电力营销数据泄露风险预警方法,包括:
4、采集离线电力营销原始数据,构建电力营销数据泄露风险样本集;
5、基于电力营销数据泄露风险样本集,训练包括电力营销概要网络和电力营销推理网络的bayesflow风险推理模型,得到最优bayesflow风险推理模型;
6、实时采集电力营销数据,构建在线推理集合,将在线推理集合输入最优bayesflow风险推理模型,得到每个在线电力营销特征张量的单次操作风险概率分布与风险不确定性度量,将二者拼接后编码为电力营销风险概率向量,按到达时间顺序逐条输出形成电力营销风险概率向量流;
7、将电力营销风险概率向量流按照预设时间窗口顺序化缓存构建电力营销风险概率批量集合,对电力营销风险概率批量集合基于由风险概率距离、风险不确定性距离和时间跨度约束距离加权融合得到的综合风险距离执行层次聚类,生成电力营销层次风险聚类树,基于层次风险聚类树计算电力营销风险簇强度指标,根据风险簇强度指标进行电力营销数据泄露风险告警。
8、优选地,构建电力营销数据泄露风险样本集包括:
9、采集离线电力营销原始数据并进行预处理,生成以行为离线电力营销操作样本,以列为电力营销业务特征的离线电力营销操作样本集;
10、对每个离线电力营销操作样本,依据其操作时间向前回溯时间长度和向后观察时间长度之和设定时间窗口,将时间窗口划分为若干时间片;针对每一时间片,按用户、终端、业务统计该时间片内关联行为样本的统计特征,拼接为结构化特征;汇集所有时间片的结构化特征得到上下文特征,与该离线电力营销操作样本的电力营销业务特征拼接得到离线标准化样本;
11、对每个离线标准化样本的标准化特征编码得到编码特征,将该离线标准化样本的上下文特征按预设顺序展开并归一化编码,与编码特征拼接得到标准化拼接特征向量;
12、汇集所有标准化拼接特征向量,输入多层神经网络映射得到离线电力营销特征张量集合;以操作时间、操作用户、业务类型为三元索引构建电力营销特征张量表,将离线电力营销特征张量集合导入电力营销特征张量表中;
13、从电力营销特征张量表中读取各离线电力营销特征张量,根据历史安全事件库中已确认的数据泄露风险事件、业务审计结果及人工复核结果对离线电力营销特征张量标注电力营销数据泄露风险标签,推断离线电力营销特征张量的各业务维度的参考风险概率分布;汇集带有参考风险概率分布的离线电力营销特征张量,得到电力营销数据泄露风险样本集;其中,业务维度包括账户权限异常、异地登录、异常数据调取、异常业务路径偏离。
14、优选地,训练包括电力营销概要网络和电力营销推理网络的bayesflow风险推理模型,包括:
15、将电力营销数据泄露风险样本集中的离线电力营销特征张量输入电力营销概要网络,通过空洞卷积提取电力营销风险的时序特征、权限特征及业务流程特征,利用注意力机制对各特征分配权重,得到电力营销风险摘要向量;
16、将电力营销风险摘要向量输入电力营销推理网络,通过全连接层线性映射为隐含风险表征,经激活函数非线性变换,提取隐含风险表征间的耦合关系,结合条件归一化层根据业务上下文条件信息进行归一化调制,经多个并行输出分支生成各风险潜在变量的后验概率分布;其中,风险潜在变量包括账户权限异常指数、异地登录偏移量、异常数据调取强度指标、异常业务路径偏离度指标;
17、根据各风险潜在变量的后验概率分布及参考风险概率分布构建bayesflow风险推理模型的联合损失函数,通过联合损失函数进行误差反向传播,对模型的学习参数进行迭代更新,直至联合损失函数收敛,得到最优bayesflow风险推理模型。
18、优选地,联合损失函数公式如下:
19、
20、式中,为联合损失函数,为风险潜在变量维度,表示kl散度,为第个业务维度的参考风险概率分布,为模型输出的第个业务维度的后验概率分布,为约束项权重,表示基于电力营销业务规则构建的约束损失项,以如下公式表示:
21、
22、式中,、、分别为时序一致性权重、变化合理性权重、权限合规性权重,为符合预设电力营销业务规则的关联时间片集合,为的元素数量,为正部函数,为第个风险潜在变量对业务阶段的敏感度,为欧式距离,、分别为第、个时间片上第个业务维度的后验概率分布期望,且,为时序变化容忍度阈值,为历史同期和之间变化量的平均值,为时间片数量,为余弦相似度函数,、分别为第个时间片上第、个业务维度的后验概率分布期望,为第、个业务维度的相似度阈值。
23、优选地,构建在线推理集合,包括:
24、根据实时采集的在线电力营销原始数据,生成在线电力营销操作样本;对于每个在线电力营销操作样本,依据其操作时间设定时间窗口,将该时间窗口的向后观察时间长度设置为0,将各时间片内与该在线电力营销操作样本存在关联行为的离线电力营销操作样本,作为该时间片内的关联行为样本,生成在线电力营销特征张量;
25、读取电力营销特征张量表中,该在线电力营销操作样本的所有关联行为样本对应的离线电力营销特征张量,作为历史张量子集拼入该在线电力营销特征张量;
26、将拼入历史张量子集后的在线电力营销特征张量汇集,得到在线推理集合。
27、优选地,形成电力营销风险概率向量流,包括:
28、将在线推理集合批量输入最优bayesflow风险推理模型,得到每个在线电力营销特征张量的各风险潜在变量的后验概率分布;
29、获取在线电力营销特征张量的各风险潜在变量的后验概率分布中的风险概率分量,将各风险概率分量拼接得到该在线电力营销特征张量的电力营销单次操作风险概率分布;其中,当风险潜在变量为离散变量时,风险概率分量取风险潜在变量处于异常状态对应的后验概率值;当风险潜在变量为连续变量时,风险概率分量取风险潜在变量的后验概率分布在预设异常区间上的积分值;
30、分别计算在线电力营销特征张量的各风险潜在变量的后验概率分布的信息熵,将所有信息熵拼接得到该在线电力营销特征张量的电力营销单次操作风险不确定性度量;
31、将每一个在线电力营销特征张量的电力营销单次操作风险概率分布与电力营销单次操作风险不确定性度量进行拼接编码,得到该在线电力营销特征张量的电力营销风险概率向量;
32、按照在线电力营销特征张量的到达时间顺序,逐条输出对应的电力营销风险概率向量,形成电力营销风险概率向量流。
33、优选地,生成电力营销层次风险聚类树,包括:
34、设置在线推理时间范围,划分为若干连续不重叠且等长的时间窗口;将电力营销风险概率向量流中的每一个风险概率向量,加入到其对应的在线电力营销特征张量的到达时间所落入的时间窗口的缓存队列,得到各时间窗口下的风险概率向量子集;
35、将每一个时间窗口下的风险概率向量子集批量封装与缓存,得到对应时间窗口的电力营销风险概率批量单元;将所有时间窗口下的电力营销风险概率批量单元按照起始时间排序,得到电力营销风险概率批量集合;
36、将电力营销风险概率批量集合中所有批量单元下的风险概率向量子集合并,得到待聚类风险概率向量总集;将每一个风险概率向量初始化为电力营销风险簇,构建初始风险簇集合;
37、对于任意两个电力营销风险簇,将其中一个电力营销风险簇中的任一风险概率向量与另一个电力营销风险簇中的任一风险概率向量组合,计算综合风险距离;将所有综合风险距离取平均值得到两簇的簇间距离;
38、基于初始风险簇集合执行自底向上的层次聚类迭代,按簇间距离从小到大逐步合并电力营销风险簇;当所有簇间距离均大于预设的风险聚合阈值时终止迭代;
39、以每一次电力营销风险簇的合并操作为树节点,记录参与合并的风险簇标识、合并时簇间距离及时间窗口信息,构建电力营销层次风险聚类树。
40、优选地,计算综合风险距离,包括:
41、分别计算两者在账户权限异常、异地登录、异常数据调取及异常业务路径偏离业务风险概率分量上的差异,将各差异归一化得到风险概率距离;
42、分别计算两者在各业务维度上信息熵的差异,将各差异归一化得到风险不确定性距离;
43、计算两者的到达时间差,将时间差归一化得到时间跨度约束距离;
44、利用预设非负权重对风险概率距离、风险不确定性距离、时间跨度约束距离进行加权,得到综合风险距离。
45、优选地,基于层次风险聚类树计算电力营销风险簇强度指标,根据风险簇强度指标进行电力营销数据泄露风险告警,包括:
46、针对每一个风险聚类树节点对应的风险概率向量集合,利用预设权重对集合中每一个风险概率向量的单次操作风险概率分布中的各业务风险概率分量进行加权,得到该电力营销风险概率向量的单次风险强度值;将每一个风险聚类树节点下全部电力营销风险概率向量的单次风险强度值进行聚合,得到该节点的整体风险强度水平;利用风险簇大小对整体风险强度水平进行规模调制,若聚合后的风险簇大小未超过预设上限,则继续聚合,否则停止聚合;将聚合后的电力营销风险概率向量单次风险强度值归一化,得到电力营销风险簇强度指标;
47、电力营销风险簇强度指标不高于第一风险阈值,输出低风险告警等级,执行电力营销安全审计与持续监测操作;电力营销风险簇强度指标高于第一风险阈值且不高于第二风险阈值,输出中风险告警等级,执行增强审计、行为回溯分析及权限复核操作;电力营销风险簇强度指标高于第二风险阈值,输出高风险告警等级,执行包括访问阻断、账号冻结、强制重新认证、上报安全管理系统在内的电力营销安全响应动作。
48、本发明的第二方面提供了一种电力营销数据泄露风险预警系统,运行第一方面所述的一种电力营销数据泄露风险预警方法,包括:
49、样本构造模块,用于采集离线电力营销原始数据,构建电力营销数据泄露风险样本集;
50、模型训练模块,用于基于电力营销数据泄露风险样本集,训练包括电力营销概要网络和电力营销推理网络的bayesflow风险推理模型,得到最优bayesflow风险推理模型;
51、在线推理模块,实时采集电力营销数据,构建在线推理集合,将在线推理集合输入最优bayesflow风险推理模型,得到每个在线电力营销特征张量的单次操作风险概率分布与风险不确定性度量,将二者拼接后编码为电力营销风险概率向量,按到达时间顺序逐条输出形成电力营销风险概率向量流;
52、风险告警模块,将电力营销风险概率向量流按照预设时间窗口顺序化缓存构建电力营销风险概率批量集合,对电力营销风险概率批量集合基于由风险概率距离、风险不确定性距离和时间跨度约束距离加权融合得到的综合风险距离执行层次聚类,生成电力营销层次风险聚类树,基于层次风险聚类树计算电力营销风险簇强度指标,根据风险簇强度指标进行电力营销数据泄露风险告警。
53、与现有技术相比,本发明的有益效果至少包括:
54、采用包括电力营销概要网络和电力营销推理网络的bayesflow风险推理模型,通过将电力营销特征张量输入可逆神经网络结构,完成对复杂风险后验概率分布的离线建模和参数摊销,将传统贝叶斯推理中对后验概率的高计算量操作转移至离线训练阶段,在线推理阶段仅需一次前向推理,即可获得单次操作的多维风险概率分布及风险不确定性度量,有效兼顾了海量数据高吞吐与风险判断高精度,能在面对零日漏洞和新型攻击模式时输出概率分布区间,提供对风险认识的不确定性量化,提升了模型对异常行为的敏感度和电力营销风险判别的鲁棒性。
55、通过将在线电力营销数据构造成与离线训练阶段一致的张量格式,输入最优模型后可在毫秒级内输出单次操作对应的风险概率分布,实现电力营销数据泄露风险的实时监控,为事中阻断提供决策依据;根据模型输出的各业务维度风险潜在变量的后验概率分布,计算单次操作风险概率分布和不确定性度量,使得安全运维人员能够区分“高风险且高置信度”与“高风险但低置信度”两类不同场景,极大提升了告警的可操作性;将风险概率和不确定性拼接编码为固定长度的风险概率向量,并按到达时间顺序逐条输出形成向量流,该流式数据结构保留了业务操作的时序信息,为后续的时间窗口缓存及层次聚类分析提供了天然的时序对齐基础,同时降低了下游存储与计算的压力,逐条输出的向量流无需等待批次完整即可开始后续处理,支持并行流水线架构,使得系统端到端延迟显著降低,满足高并发电力营销场景下每秒数千笔操作的实时处理需求。
56、将电力营销风险概率向量流按照时间窗口顺序化缓存,将离散的单次风险概率向量组织为具有时序语义的批量集,使得后续聚类能够捕捉风险演化轨迹,从而区分偶发噪声与持续性风险趋势;基于由风险概率距离、风险不确定性距离和时间跨度约束距离加权融合得到的自定义综合风险距离,在层次聚类算法中对任意两个电力营销风险概率向量的风险概率分布、不确定性度量及到达时间进行综合度量,刻画了风险信号在时间轴和业务维度上的全局聚合,能够精准捕获隐蔽数据泄露行为以及蚂蚁搬家式慢渗透攻击;聚类树结构提供了风险模式的多粒度视图,系统可自动追踪风险簇的演化过程,提升了跨时域隐蔽泄露的检测能力。
57、在风险聚类树的基础上,结合每一风险簇节点下所有电力营销风险概率向量的业务风险分布,计算风险簇强度指标,并与可自定义的电力营销风险阈值策略动态比对,分级输出风险告警等级,实现了高、中、低不同等级的数据泄露风险的自动区分,使得告警优先级一目了然,并且能够根据风险聚类的业务特征自动触发相应的电力营销安全响应动作。
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