一种基于多维度特征融合的数据安全风险识别方法及设备与流程

摘要: 本技术实施例涉及信息安全,具体是一种基于多维度特征融合的数据安全风险识别方法、装置、设备、介质和产品程序。背景技术:1、随着各行各业的数字化转型的深入,数据已成...
一种基于多维度特征融合的数据安全风险识别方法及设备与流程

本技术实施例涉及信息安全,具体是一种基于多维度特征融合的数据安全风险识别方法、装置、设备、介质和产品程序。

背景技术:

1、随着各行各业的数字化转型的深入,数据已成为关键生产要素,数据安全风险识别技术随之快速发展。现有技术主要分为三类:基于规则库的静态匹配方法(如snort入侵检测系统)、基于单一机器学习模型的检测方法(如支持向量机(support vector machine,svm)、随机森林)、基于日志审计的事后追溯方法。其中,规则库方法依赖人工定义特征,难以应对未知攻击;单一模型方法多采用网络流量或用户行为等单一数据源,存在特征维度局限;日志审计方法则因数据处理滞后性,无法满足实时防护需求。

2、上述方法存在三大核心局限:其一,特征捕捉片面化,传统方法多依赖单一维度特征(如ip地址、访问频次),忽略数据上下文关联性与动态变化规律,导致复杂攻击难以识别;其二,实时性不足,基于批处理的风险分析模式(如每日日志汇总分析)存在5-10分钟的检测延迟,无法阻止正在发生的风险行为;其三,误报率居高不下,现有模型对正常行为的异常波动容忍度低,金融领域实测误报率普遍超过15%,导致安全人员响应资源浪费。此外,多源数据格式异构(如结构化日志、非结构化流量包、半结构化api调用记录)进一步加剧了风险特征融合难度,传统方法缺乏统一的特征表示框架,形成“数据孤岛”现象。

3、近年来,深度学习技术虽被引入风险识别领域(如基于卷积神经网络(convolutional neural network, cnn)的恶意代码检测),但多数研究仍停留在单一任务优化,未形成端到端的多维度风险评估体系。例如,某现有方案通过长短期记忆网络(longshort-term memory,lstm)模型对用户行为序列进行建模,但未结合数据敏感级别、访问权限等静态属性,导致权限滥用类风险识别率低于60%。因此,开发一种能够融合多源异构特征、兼具实时性与准确性的风险识别方法成为行业迫切需求。

技术实现思路

1、本技术的目的在于至少提供一种基于多维度特征融合的数据安全风险识别方法及设备,目的是解决上述技术问题的至少一部分。

2、为解决上述技术问题,本技术的至少一个实施例提供了一种基于多维度特征融合的数据安全风险识别方法,包括:

3、将预获取的安全风险待识别的数据划分为静态特征以及动态特征;

4、根据所述静态特征、所述动态特征以及预生成的安全风险识别模型识别所述安全风险待识别的数据的安全风险;其中,所述安全风险识别模型是基于所述静态特征的历史数据以及动态特征的历史数据训练生成,且所述安全风险识别模型用于识别所述静态特征的历史数据局部关联特征以及所述动态特征的历史数据的长短期依赖关系。

5、在一些实施例中,生成所述安全风险识别模型的步骤包括:

6、基于卷积神经网络与长短期记忆网络生成初始模型;

7、将所述静态特征的历史数据以及所述动态特征的历史数据进行融合,生成融合特征向量;

8、根据当前融合特征向量对应的信息增益以及所有融合特征向量对应的信息增益对所述融合特征向量进行降维;

9、根据降维之后的融合特征向量训练所述初始模型,生成所述安全风险识别模型。

10、在一些实施例中,所述根据当前融合特征向量对应的信息增益以及所有融合特征向量对应的信息增益对所述融合特征向量进行降维,包括:

11、根据所述当前融合特征向量对应的信息增益以及所述所有融合特征向量对应的信息增益,确定所述当前融合特征向量的第一权重;

12、根据所述第一权重以及预设阈值对所述融合特征向量进行筛选。

13、在一些实施例中,根据所述当前融合特征向量对应的信息增益以及所述所有融合特征向量对应的信息增益,确定所述当前融合特征向量的第一权重,通过下式执行:

14、

15、其中,,为第i个融合特征向量对应的信息增益,为所有融合特征向量的信息熵,为所述当前融合特征向量条件下的信息熵,为所述第一权重。

16、在一些实施例中,一种基于多维度特征融合的数据安全风险识别方法,还包括:

17、通过一维卷积神经网络提取所述静态特征的局部关联特征;其中,所述一维卷积神经网络的卷积核尺寸为3,且包括2个卷积层;

18、通过双向长短期记忆网络捕捉所述动态特征的长短期依赖关系;其中,所述双向长短期记忆网络的隐藏层维度为128,且为2层堆叠结构。

19、在一些实施例中,根据所述静态特征、所述动态特征以及预生成的安全风险识别模型识别所述安全风险待识别的数据的安全风险,包括:

20、根据所述静态特征以及所述动态特征生成融合特征向量;

21、通过所述安全风险识别模型中预生成特征融合层将所述融合特征向量划分为多个注意力头;

22、根据所述融合特征向量与查询向量的相似度确定每个注意力头对应的融合特征向量的第二权重;

23、根据多个第二权重优化所述融合特征向量;

24、根据优化之后的融合特征向量识别所述安全风险待识别的数据的安全风险。

25、在一些实施例中,根据所述融合特征向量与查询向量的相似度确定每个注意力头对应的融合特征向量的第二权重,通过下式执行:

26、

27、其中,为第 i 个融合特征向量的第二权重,为所述第 i 个融合特征向量与所述查询向量的相似度得分,

m为所述注意力头的数量。

28、本技术的至少一个实施例还提供了一种基于多维度特征融合的数据安全风险识别装置,包括:

29、数据划分模块,用于将预获取的安全风险待识别的数据划分为静态特征以及动态特征;

30、数据安全风险识别模块,用于根据所述静态特征、所述动态特征以及预生成的安全风险识别模型识别所述安全风险待识别的数据的安全风险;其中,所述安全风险识别模型是基于所述静态特征的历史数据以及动态特征的历史数据训练生成,且所述安全风险识别模型用于识别所述静态特征的历史数据局部关联特征以及所述动态特征的历史数据的长短期依赖关系。

31、在一些实施例中,一种基于多维度特征融合的数据安全风险识别装置,还包括:

32、安全风险识别模型生成模块,用于生成所述安全风险识别模型;安全风险识别模型生成模块包括:

33、初始模型生成单元,用于基于卷积神经网络与长短期记忆网络生成初始模型;

34、融合特征向量第一生成单元,用于将所述静态特征的历史数据以及所述动态特征的历史数据进行融合,生成融合特征向量;

35、融合特征向量降维单元,用于根据当前融合特征向量对应的信息增益以及所有融合特征向量对应的信息增益对所述融合特征向量进行降维;

36、安全风险识别模型生成单元,用于根据降维之后的融合特征向量训练所述初始模型,生成所述安全风险识别模型。

37、在一些实施例中,融合特征向量降维单元包括:

38、第一权重确定单元,用于根据所述当前融合特征向量对应的信息增益以及所述所有融合特征向量对应的信息增益,确定所述当前融合特征向量的第一权重;

39、融合特征向量筛选单元,用于根据所述第一权重以及预设阈值对所述融合特征向量进行筛选。

40、在一些实施例中,第一权重确定单元通过下式执行:

41、

42、其中,,为第i个融合特征向量对应的信息增益,为所有融合特征向量的信息熵,为所述当前融合特征向量条件下的信息熵,为所述第一权重。

43、在一些实施例中,一种基于多维度特征融合的数据安全风险识别装置,还包括:

44、局部关联特征提取模块,用于通过一维卷积神经网络提取所述静态特征的局部关联特征;其中,所述一维卷积神经网络的卷积核尺寸为3,且包括2个卷积层;

45、长短期依赖关系捕捉模块,用于通过双向长短期记忆网络捕捉所述动态特征的长短期依赖关系;其中,所述双向长短期记忆网络的隐藏层维度为128,且为2层堆叠结构。

46、在一些实施例中,数据安全风险识别模块中的根据所述静态特征、所述动态特征以及预生成的安全风险识别模型识别所述安全风险待识别的数据的安全风险,包括:

47、融合特征向量第二生成单元,用于根据所述静态特征以及所述动态特征生成融合特征向量;

48、融合特征向量划分单元,用于通过所述安全风险识别模型中预生成特征融合层将所述融合特征向量划分为多个注意力头;

49、第二权重确定单元,用于根据所述融合特征向量与查询向量的相似度确定每个注意力头对应的融合特征向量的第二权重;

50、融合特征向量优化单元,用于根据多个第二权重优化所述融合特征向量;

51、数据安全风险识别单元,用于根据优化之后的融合特征向量识别所述安全风险待识别的数据的安全风险。

52、在一些实施例中,第二权重确定单元通过下式执行:

53、

54、其中,为第 i 个融合特征向量的第二权重,为所述第 i 个融合特征向量与所述查询向量的相似度得分,

m为所述注意力头的数量。

55、本技术的至少一个实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的一种基于多维度特征融合的数据安全风险识别方法。

56、本技术的至少一个实施例还提供了一种计算机可读存储介质,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的一种基于多维度特征融合的数据安全风险识别方法。

57、本技术的实施例提供的一种基于多维度特征融合的数据安全风险识别方法及装置,首先将预获取的安全风险待识别的数据划分为静态特征以及动态特征;接着,根据静态特征、动态特征以及预生成的安全风险识别模型识别安全风险待识别的数据的安全风险;其中,安全风险识别模型是基于静态特征的历史数据以及动态特征的历史数据训练生成,且安全风险识别模型用于识别静态特征的历史数据局部关联特征以及动态特征的历史数据的长短期依赖关系。

58、本技术所提供的方法可部署于企业数据安全管理平台,通过精准识别内部数据滥用、外部入侵等风险,降低数据泄露事件发生率,同时显著减少无效响应工作量,显著提升数据安全防护的主动性与效率。