一种结合主动学习自反馈网络数据安全知识图谱应用方法
本发明属于人工智能领域,涉及自反馈学习技术,具体是一种结合主动学习自反馈网络数据安全知识图谱应用方法。
背景技术:
1、现有的数据安全知识图谱构建手段在进行数据安全知识图谱构建及异常业务操作行为识别时,存在以下缺陷:
2、1、现有图谱构建手段多基于静态权限表搭建关联关系,未充分结合日志中真实发生的业务操作行为动态校验权限匹配关系,通常依靠预设权限配置生成图谱,没有充分结合日志中真实发生的用户业务操作行为,对账号、业务系统、数据资产之间的实际权限匹配关系进行动态校验和修正,从而易导致业务权限关联图谱存在静态失真的问题;
3、2、现有数据安全知识图谱在对可疑业务二元组进行流量分析时,难以充分联动周期操作日志时序信息来同步解析流量特征,长期低频的异常越权操作累积形成的流量异常特征不能提前识别,容易导致异常操作预警滞后,从而降低数据安全风险识别的整体效率。
4、为此,我们提出一种结合主动学习自反馈网络数据安全知识图谱应用方法。
技术实现思路
1、针对现有技术存在的不足,本发明目的是提供一种结合主动学习自反馈网络数据安全知识图谱应用方法,本发明旨在提高数据安全知识图谱的应用效率以及使用价值。
2、为了实现上述目的,本发明采用了如下技术方案:一种结合主动学习自反馈网络数据安全知识图谱应用方法,包括以下步骤:
3、步骤s1:针对目标网络主体进行日志采集,得到周期用户操作日志集,根据周期用户操作日志集对主体访问用户进行业务权限分析,得到业务权限关联图谱;
4、步骤s2:根据周期用户操作日志集以及业务权限关联图谱采集可疑业务二元组,将可疑业务二元组划分为业务分组训练集以及业务分组测试集,基于业务分组训练集以及业务分组测试集创建流量偏差识别模型;
5、步骤s3:基于业务权限关联图谱以及流量偏差识别模型对实时业务操作进行异常预警。
6、进一步地,所述步骤s1中,具体步骤如下:
7、步骤s11:对需要进行安全知识图谱构建的网络主体进行采集,并在所采集的网络主体中选取目标网络主体;
8、步骤s12:在对目标网络主体进行安全知识图谱构建的过程中,将目标网络主体正式投入运营的时间点标记为第一构建阶段时间点,将当前时刻所对应的时间点标记为第二构建阶段时间点,以第一构建阶段时间点为周期起点,第二构建阶段时间点为周期终点进行周期截取,得到安全知识监测周期;
9、步骤s13:对目标网络主体在安全知识监测周期内的用户操作日志进行采集,得到周期用户操作日志集;
10、步骤s14:采集目标网络主体所包含的主体访问用户,对周期用户操作日志集中的主体访问用户进行业务二元组生成,并对业务二元组进行图谱关联,得到业务权限关联图谱。
11、进一步地,所述步骤s14中,具体步骤如下:
12、在所获取的内部业务用户中任意选取一个样本业务用户,对样本业务用户存储于周期用户操作日志集的历史业务操作进行采集,并将每一个历史业务操作解构为实体-业务名,得到多个业务解构二元组;
13、对样本业务用户所对应的业务权限进行获取,得到用户实际业务权限,若业务解构二元组符合用户实际业务权限,则将业务解构二元组标记为常规业务二元组,若业务解构二元组不符合用户实际业务权限,则将业务解构二元组标记为异常业务二元组;
14、对样本业务用户存储于周期用户操作日志集的每一个历史业务操作进行业务二元组采集并进行类型标记,得到样本业务用户所对应历史业务二元组集合;
15、获取每一个内部业务用户所对应的历史业务二元组集合,将所获取的历史业务二元组按照业务名进行图谱关联,得到业务权限关联图谱。
16、进一步地,所述步骤s2中,具体步骤如下:
17、步骤s21:获取业务权限关联图谱以及周期用户操作日志集,对周期用户操作日志集中存在且业务权限关联图谱未进行图谱关联的历史业务二元组进行采集,得到多个可疑业务二元组;
18、步骤s22:将所获取可疑业务二元组按照业务分割比例划分为业务分组训练集以及业务分组测试集,并在业务分组训练集中任意选取一个样本业务二元组;
19、步骤s23:对样本业务二元组进行业务操作流量分析,根据分析结果得到样本业务二元组所对应的业务流量偏差分析值;
20、步骤s24:依托现有人工智能平台构建深度学习模型,利用业务分组训练集训练该模型以实现业务流量偏差分析值的采集,再通过业务分组测试集对训练完成的深度学习模型开展性能测试,将测试合格的深度学习模型命名为流量偏差识别模型。
21、进一步地,所述步骤s23中,具体步骤如下:
22、步骤s231:对样本业务二元组所属的历史业务操作进行获取,得到样本历史业务操作,对样本历史业务操作所对应操作开始时间点标记为第一操作特征时间点,将样本历史业务操作所对应的操作结束时间点标记为第二操作特征时间点,将第一操作特征时间点与第二操作特征时间点之间的时段标记为历史业务分析周期;
23、步骤s232:采集样本历史业务操作在历史业务分析周期不同业务时刻所产生的业务流量数值,并将所采集业务流量数值进行曲线绘制,得到历史业务实际流量曲线;
24、步骤s233:采集与样本历史业务操作同类型且无异常预警的业务操作,得到多个历史合理业务操作,分别对每一个历史合理业务操作进行流量曲线绘制,得到多个预选业务合理流量曲线。
25、进一步地,所述步骤s23中,具体步骤如下:
26、步骤s234:在所获取的预选业务合理流量曲线中任意选取一条样本合理流量曲线,将样本合理流量曲线与历史业务实际流量曲线进行曲线走势相似度分析,根据分析结果得到样本合理流量曲线与历史业务实际流量曲线之间的流量消耗偏差度;
27、步骤s235:获取每一条预选业务合理流量曲线与历史业务实际流量曲线之间的流量消耗偏差度;
28、步骤s236:将所获取的流量消耗偏差度进行数值比对,将最小流量消耗偏差度设置为样本业务二元组所对应的业务流量偏差分析值。
29、进一步地,所述步骤s234中,具体步骤如下:
30、将样本合理流量曲线与历史业务实际流量曲线绘制于同一平面直角坐标系,并控制样本合理流量曲线起点与历史业务实际流量曲线起点保持重合;
31、将样本合理流量曲线在平面直角坐标系中所覆盖的x轴坐标区域进行采集,得到预选横向监测区域,在预选横向监测区域创建与坐标x轴相垂直的区域滑动遍历垂线;
32、在预选横向监测区域内,任意标记一个样本遍历坐标点,控制区域滑动遍历垂线与样本遍历坐标点相交,若区域滑动遍历垂线与样本合理流量曲线以及历史业务实际流量曲线均存在交点,则将区域滑动遍历垂线与样本合理流量曲线的交点标记为第一曲线遍历交点,将区域滑动遍历垂线与历史业务实际流量曲线的交点标记为第二曲线遍历交点。
33、进一步地,所述步骤s234中,具体步骤如下:
34、将坐标原点与第一曲线遍历交点进行连接,得到第一遍历特征线段,将坐标原点与第二曲线遍历交点进行连接,得到第二遍历特征线段,将第一曲线遍历交点与第二曲线遍历交点进行连接,得到第三遍历特征线段,对第一遍历特征线段、第二遍历特征线段以及第三遍历特征线段所围成的封闭区域进行面积数值采集,得到样本遍历坐标点所对应的流量偏差量化值;
35、若区域滑动遍历垂线仅与样本合理流量曲线存在交点,则将区域滑动遍历垂线仅与样本合理流量曲线的交点标记为第四曲线遍历交点,将坐标原点与第四曲线遍历交点进行连接,得到第四遍历特征线段,对第四遍历特征线段、区域滑动遍历垂线以及坐标x轴所围成的封闭区域进行面积数值采集,得到样本遍历坐标点所对应的流量偏差量化值。
36、进一步地,所述步骤s234中,具体步骤如下:
37、设置垂线遍历步长,使用区域滑动遍历垂线,按垂线遍历步长对预选横向监测区域进行遍历,根据遍历结果得到多个流量偏差量化值,并对所得流量偏差量化值进行求和,得到流量偏差量化合计值;
38、过样本合理流量曲线右端点作与坐标x轴相垂直的直线,得到样本曲线端点垂线,将样本合理流量曲线、样本曲线端点垂线以及坐标x轴所围成的封闭区域标记为偏差比对区域,计算流量偏差量化合计值与偏差比对区域面积值之比,得到样本合理流量曲线与历史业务实际流量曲线之间的流量消耗偏差度。
39、进一步地,所述步骤s3中,具体步骤如下:
40、对目标网络主体实时产生的业务操作进行采集,并将其解构为实时业务操作二元组,将实时业务操作二元组与业务权限关联图谱进行比对;
41、若业务权限关联图谱存在与实时业务操作二元组相同的业务二元组,且对应的业务二元组为异常业务二元组,则针对实时业务操作二元组进行异常操作预警,若对应的业务二元组为常规业务二元组,则无需针对实时业务操作二元组进行异常操作预警;
42、若业务权限关联图谱不存在与实时业务操作二元组相同的业务二元组,则通过流量偏差识别模型获取实时业务操作二元组所对应的流量消耗偏差度,创建流量消耗偏差度基准区间,若流量消耗偏差度处于流量消耗偏差度基准区间,则无需针对实时业务操作二元组进行异常操作预警,若流量消耗偏差度不处于流量消耗偏差度基准区间,则对实时业务操作二元组进行异常操作预警。
43、综上所述,由于采用了上述技术方案,本发明的有益效果是:
44、1、本发明融合周期用户操作日志集完成全量行为采集,并结合真实操作行为动态生成业务权限关联图谱,依托日志真实操作记录校验账号、数据资产、系统间权限匹配关系,可精准捕获无直接授权但具备业务刚需的可疑业务二元组,样本覆盖更完整,从源头保障流量偏差识别模型训练样本的真实性与全面性,提升后续流量偏差辨识的准确度;
45、2、本发明利用业务权限关联图谱提供权限维度约束、流量偏差识别模型提供流量特征量化依据,双重维度联合研判实时业务操作,相比单一规则或纯流量识别方式,既能规避仅靠权限判定带来的大量无效告警,又能弥补单纯流量分析缺少业务权限逻辑支撑的缺陷,异常预警漏报、误报率显著降低。
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