基于深度学习的跨主体数据安全风险评估的方法和系统与流程

摘要: 本发明涉及数据安全,尤其涉及基于深度学习的跨主体数据安全风险评估的方法和系统。背景技术:1、在数据安全技术领域,现有跨主体数据安全风险评估多基于访问日志、权限配...
基于深度学习的跨主体数据安全风险评估的方法和系统与流程

本发明涉及数据安全,尤其涉及基于深度学习的跨主体数据安全风险评估的方法和系统。

背景技术:

1、在数据安全技术领域,现有跨主体数据安全风险评估多基于访问日志、权限配置、数据调用记录开展分析,先对流转记录进行清洗整理,通过规则匹配、异常检测模型、分类模型判断访问行为是否存在越权、异常调用、敏感数据外传风险。

2、现有方案通常将各主体日志分开分析,缺少按照数据对象与主体归属切分事件段的处理机制,难以区分主体内部事件与主体切换边界事件。普通深度学习模型虽然能够提取序列特征,但多将全部事件输入同一记忆结构,无法对不同主体形成分域记忆,导致跨主体边界处的风险传递关系不清楚。

3、现有方案多根据固定时间窗口处理流转事件,不能根据相邻事件中主体归属、权限边界、事件动作变化对记忆窗口进行动态调制。对于前序主体存在敏感调用、权限边界变化,后一主体访问行为表面正常的场景,传统方案容易漏判。现有技术还缺少边界失效重放机制,无法通过删除某一边界对应风险记忆后重新递推来形成反授权记忆轨迹,因此难以判断具体边界事件段对风险传播结果的影响。

4、因此,如何提供基于深度学习的跨主体数据安全风险评估的方法和系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于深度学习的跨主体数据安全风险评估的方法和系统,本发明利用分域legendre记忆通道、记忆窗口调制、边界闩锁保持和边界失效重放技术,对跨主体数据流转过程进行风险记忆建模和反授权对照分析,具备风险识别准确、边界责任清晰、隐性传播风险可追踪的优点。

2、根据本发明实施例的基于深度学习的跨主体数据安全风险评估的方法,包括如下步骤:

3、获取流转记录,对流转记录进行字段统一与事件聚合,生成流转事件序列;

4、按照数据对象与主体归属对流转事件序列进行事件切分,生成主体事件段与边界事件段,将主体事件段写入分域legendre记忆通道;

5、调用分域legendre记忆通道对主体事件段进行记忆编码,生成风险记忆向量;

6、对流转事件序列中的相邻事件逐项比对,根据比对结果对风险记忆向量执行记忆窗口调制,生成调制记忆向量;

7、按边界事件段的流转方向选定分域legendre记忆通道,将调制记忆向量写入选定通道后闩锁保持,调用选定通道对同一主体的主体事件段进行记忆编码,释放闩锁,生成闩锁记忆向量;

8、根据流转事件序列中的主体流转顺序对闩锁记忆向量进行顺序递推,生成风险演化记忆,对边界事件段执行边界失效重放,生成反授权记忆轨迹;

9、对风险演化记忆与反授权记忆轨迹进行差异比对,修正风险演化记忆,输出风险评估结果。

10、可选的,所述流转事件序列的生成包括如下步骤:

11、对流转记录执行字段统一,生成统一格式流转记录;

12、按照同一数据对象从统一格式流转记录中筛选对应记录;

13、按照事件时序排列对应记录,对时序连续的对应记录执行合并,生成流转事件序列。

14、可选的,所述主体事件段与边界事件段的生成包括如下步骤:

15、读取流转事件序列中的数据对象和主体归属,按照同一数据对象提取连续发生的事件;

16、将同一数据对象在同一主体归属下连续发生的事件划分为主体事件段;

17、将同一数据对象在相邻事件之间发生主体归属切换时形成的事件划分为边界事件段;

18、按照主体归属配置分域legendre记忆通道,将主体事件段写入主体归属一致的分域legendre记忆通道。

19、可选的,所述记忆编码包括如下步骤:

20、按照主体事件段内事件时间,将主体事件段中的事件映射为事件输入向量;

21、将事件输入向量输入主体归属相同的分域legendre记忆通道,分域legendre记忆通道内设置按低阶至高阶排列的阶次记忆位置;

22、按照事件时间对各阶次记忆位置执行阶次递推更新,生成阶次记忆分量;

23、按阶次顺序拼接阶次记忆分量,生成对应主体归属的风险记忆向量,不同主体归属对应的风险记忆向量分别保留。

24、可选的,所述相邻事件逐项比对包括如下步骤:

25、按照流转事件序列中的事件排列顺序依次取前一事件和后一事件,形成相邻事件对;

26、判断相邻事件对是否属于同一数据对象,属于同一数据对象时保留相邻事件对,不属于同一数据对象时终止当前相邻事件对处理;

27、对保留的相邻事件对分别比对主体归属、权限边界记录、事件动作,标记主体归属切换位置、权限边界记录变化位置、事件动作变化位置;

28、按照主体归属切换位置、权限边界记录变化位置、事件动作变化位置在流转事件序列中的排列顺序生成比对结果。

29、可选的,所述记忆窗口调制包括如下步骤:

30、读取比对结果中的排列位置,在风险记忆向量中定位相同排列位置对应的阶次记忆分量;

31、对未定位到排列位置的阶次记忆分量执行短窗口保持,将未定位到排列位置的阶次记忆分量保留在低阶记忆位置,阻断未定位到排列位置的阶次记忆分量向高阶记忆位置递推;

32、对定位到排列位置的阶次记忆分量执行长窗口保持,将定位到排列位置的阶次记忆分量由低阶记忆位置向高阶记忆位置递推,在后续事件输入时继续保留;

33、按照短窗口保持和长窗口保持后的阶次记忆分量重组风险记忆向量,生成调制记忆向量。

34、可选的,所述闩锁保持包括如下步骤:

35、按边界事件段的流转方向选定分域legendre记忆通道,将调制记忆向量写入选定的分域legendre记忆通道,将写入调制记忆向量的阶次记忆位置设为保持位置;

36、调用选定的分域legendre记忆通道对同一主体的主体事件段进行记忆编码时,保持位置不接收主体事件段产生的阶次记忆分量;

37、将主体事件段产生的阶次记忆分量写入未设为保持位置的阶次记忆位置;

38、主体事件段完成记忆编码后,解除保持位置的保持状态,按照保持位置中的调制记忆向量和未设为保持位置的阶次记忆分量生成闩锁记忆向量。

39、可选的,所述边界失效重放包括如下步骤:

40、按照流转事件序列中的主体流转顺序排列闩锁记忆向量,对排列后的闩锁记忆向量执行顺序递推,生成风险演化记忆;

41、逐项定位边界事件段在流转事件序列中的位置;

42、按照主体流转顺序重新递推闩锁记忆向量,递推至边界事件段在流转事件序列中的位置时,在本次重放序列中删除对应的闩锁记忆向量;

43、从被删除闩锁记忆向量后的下一闩锁记忆向量继续执行顺序递推,生成反授权记忆轨迹。

44、可选的,所述风险评估结果的输出包括如下步骤:

45、按照主体流转顺序对风险演化记忆与反授权记忆轨迹中的各次递推结果进行对齐,对同一递推结果排列次序下的递推结果执行向量差异计算,生成轨迹差异向量;

46、依据轨迹差异向量对应的排列次序确定边界事件段,将风险演化记忆中对应边界事件段的递推结果替换为轨迹差异向量,修正风险演化记忆;

47、对风险演化记忆中各递推结果执行向量幅值计算,按照向量幅值的排序结果确定风险等级,输出风险评估结果。

48、根据本发明实施例的基于深度学习的跨主体数据安全风险评估的系统,包括如下模块:

49、预处理模块,用于获取流转记录,对流转记录进行字段统一与事件聚合,生成流转事件序列;

50、事件切分模块,用于按照数据对象与主体归属对流转事件序列进行事件切分,生成主体事件段与边界事件段,将主体事件段写入分域legendre记忆通道;

51、风险记忆编码模块,用于调用分域legendre记忆通道对主体事件段进行记忆编码,生成风险记忆向量;

52、记忆窗口调制模块,用于对流转事件序列中的相邻事件逐项比对,根据比对结果对风险记忆向量执行记忆窗口调制,生成调制记忆向量;

53、边界闩锁编码模块,用于按边界事件段的流转方向选定分域legendre记忆通道,将调制记忆向量写入选定通道后闩锁保持,调用选定通道对同一主体的主体事件段进行记忆编码,释放闩锁,生成闩锁记忆向量;

54、边界失效重放模块,用于根据流转事件序列中的主体流转顺序对闩锁记忆向量进行顺序递推,生成风险演化记忆,对边界事件段执行边界失效重放,生成反授权记忆轨迹;

55、风险评估输出模块,用于对风险演化记忆与反授权记忆轨迹进行差异比对,修正风险演化记忆,输出风险评估结果。

56、本发明的有益效果是:

57、(1)本发明按照数据对象与主体归属对流转事件序列进行切分,分别形成主体事件段与边界事件段,通过分域legendre记忆通道对不同主体的事件进行独立记忆编码,避免若干主体的访问行为混杂在同一模型记忆中,提高风险来源识别的准确性。

58、(2)本发明对流转事件序列中的相邻事件进行逐项比对,根据比对结果对风险记忆向量执行记忆窗口调制,主体归属切换、权限边界变化、事件动作变化对应的风险记忆被持续保留,提高对隐性越权调用、异常流转和敏感数据跨界传播的识别能力。

59、(3)本发明在跨主体边界处引入闩锁保持,通过边界失效重放生成反授权记忆轨迹,将反授权记忆轨迹与风险演化记忆进行差异比对,判断具体边界事件段对风险传播的影响,提升风险边界定位和风险主体追踪的可靠性。