一种基于深度学习的系统安全状态评级方法与流程

1.本发明属于人工智能领域，具体涉及一种基于深度学习的系统安全状态评级方法。


背景技术：

2.系统安全状态评级方法，即针对系统安全状态的的安全性评级，是对带有不同安全状态级别的系统状态进行分析、处理、归类的过程。随着系统架构的日益复杂以及系统中承载的程序日益增多，系统中往往会同时运行海量的程序并且呈现多种多样的状态。系统提供的服务数量大量提升，用户对于安全性的要求也越来越高，但判定系统的安全状态也越来越难，所以系统安全状态评级技术越来越受到重视。系统安全状态评级是系统安全保护中的一项重要工作，主要用于系统保护、入侵检测、系统危险预警等方面，对于系统安全和系统数据安全发挥着至关重要的作用。
3.随着系统架构的日益复杂以及系统中承载的程序日益增多，传统的系统安全监测评级方法，即手工规则书写方法以及传统机器学习方法，越来越不能满足日益增长的对安全性的要求。
4.传统的规则判别方法利用手工进行规则书写，然后使用条件进行判断分类。利用手工进行规则书写，然后使用条件进行判断分类的方法通常会将规则进行硬编码，写入系统，从而不能够对规则随意修改，这往往会导致手工的规则相对于现实非常落后的情况。另外，利用手工进行规则书写，然后使用条件进行判断分类的方法往往需要很多的人工工作，会对工作效率带来比较大的拖累。
5.而传统的机器学习方法不使用深度学习的特征提取层，导致无法对高维度的特征向量进行有效的映射和分类。在过去系统复杂度尚不惊人时可以较好的完成任务。但当今的系统复杂度日益提高，特征向量的长度也大幅提升，此时传统的机器学习方法并不能很好的应对。
6.因此，迫切需要一种进一步利用深度学习的系统安全状态评级能力，在满足对系统安全状态进行有效评级的情况下，解决手工规则书写困难，更新换代慢的问题。本发明正式为满足这个现实需求而产生的。


技术实现要素：

7.(一)要解决的技术问题
8.本发明要解决的技术问题是如何提供一种基于深度学习的系统安全状态评级方法，以解决传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣势。
9.(二)技术方案
10.为了解决上述技术问题，本发明提出一种基于深度学习的系统安全状态评级方法，该方法包括如下步骤：
11.s1、通过收集当前系统的各方面状态数据，构建系统状态特征向量；
12.s2、将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；
13.s3、将分析判别向量输入到logistic多分类回归模型中，通过logistic多分类回归分析模型最终得到系统安全状态的分类评级。
14.进一步地，所述步骤s1具体包括：首先应该制定一个特征向量表，然后收集当前系统状态的特征，将特定的系统状态特征通过特征向量表编码成对应的取值，最终每一个时刻的系统状态特征通过特征向量表被编码成一个固定长度的特征向量{x1,x2,x3..,xn}其中n为特征向量的维度。
15.进一步地，每一个特征向量都包括离散的整数特征值。
16.进一步地，特征向量表的构建需要考虑几个因素：所在的单位拥有什么样的系统功能；该数据是否可以充分揭示系统的安全性；该数据在模型构建过程中，从技术角度上来讲是否具有分辨能力。
17.进一步地，所述步骤s2具体包括：首先把每个系统状态的特征向量{x1,x2,x3..,xn}输入到一个标准的全连接深度学习模型中，深度模型维度结构为n-l
1-l
2-l
3-m，其中n为特征向量{x1,x2,x3..,xn}的维度n,m为输出分析判别向量的维度m,l1,l2,l3为全连接深度模型的中间维度，系统状态的特征向量{x1,x2,x3..,xn}输入到深度学习模型计算后，将会得到一个m维的输出向量{a1,a2,a3,
…am
}，该输出向量经过softmax归一化后，即可输出向量{b1,b2,b3,
…bm
}，其中bi∈[0,1]，该输出向量为输出分析判别向量。
[0018]
进一步地，深度学习模型的结构和层级根据实际的训练和生产环境应用效果进行调节。
[0019]
进一步地，中间维度根据实际的模型表现进行调整。
[0020]
进一步地，所述步骤s3具体包括：将单个系统状态的输出分析判别向量{b1,b2,b3,
…bm
}输入到logistic多分类回归分析模型中，由logistic多分类回归分析模型对输入的分析判别向量{b1,b2,b3,
…bm
}给出分类c，其中c∈[1,2,3
…
j]，其中j为训练模型中对于安全级别的分类。
[0021]
进一步地，分类c的分类表需根据业务的实际情况进行设计。
[0022]
进一步地，该分类c∈[1,2,3,4,5]，1为非常安全，2为安全，建议1天后重新评估，3为模糊，建议技术人员保持警惕，4为不安全，技术人员检修，5为非常不安全，立即抢修。
[0023]
(三)有益效果
[0024]
本发明提出一种基于深度学习的系统安全状态评级方法，与现有的基于规则的系统安全状态评级方法相比，本发明的有益效果是在系统安全状态评级中，利用深度学习技术和logistic多分类回归分析模型，既解决了传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣势，并且可以通过以往的数据来判断预测当前以及未来系统状态的安全分类评级。本发明能保证在系统安全状态记录正确的前提下，提供系统安全状态评级，同时提高分类性能和准确率。因此，本发明在系统安全状态评级中将发挥重要的作用。
附图说明
[0025]
图1为本发明基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法的流程示意图。
具体实施方式
[0026]
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0027]
本发明公开了一种基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法，系统安全状态评级方法的步骤包括：(1)通过收集当前系统的系统各方面状态数据，构建系统状态特征向量；(2)将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；(3)将分析判别向量输入到logistic多分类回归模型中，通过logistic多分类回归分析模型最终得到系统安全状态的分类评级。
[0028]
本发明应用于系统安全状态评级，从而增强对系统的安全监控、增加系统运行稳定性，及早发现系统安全状态异常，增强系统安全。利用深度学习技术和logistic多分类回归分析模型，既解决了传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣势，并且可以通过以往的数据来判断预测当前以及未来系统状态的安全分类评级。本发明在系统运维与安全防护测领域有广泛的应用。
[0029]
当使用本文公开的一种基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法后，系统使用的是可以反映系统各方面信息的，统一收集的高维特征向量，这样就避免了繁复的手工规则书写，提升了效率。同时本方法使用全连接深度神经网络，可以有效的对高维系统状态向量进行有效映射与分类，从而更好的提升系统安全评级分类性能。同时系统可以通过更改特征向量表的方式，方便快捷的对规则进行修改，保证了系统的灵活性与拓展性。深度模型的结构不需要根据规则做大的改变，所以有助于模型保持稳定，提升方法结果的可预测性与稳定性。
[0030]
本发明应用于系统安全状态评级，从而增强对系统的安全监控、增加系统运行稳定性，及早发现系统安全状态异常，增强系统安全。利用深度学习技术和logistic多分类回归分析模型，既解决了传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣势，并且可以通过以往的数据来判断预测当前以及未来系统状态的安全分类评级。
[0031]
为达到上述目的，本发明提供一种基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法，系统安全状态评级方法的步骤包括：
[0032]
(1)通过收集当前系统的系统各方面状态数据，构建系统状态特征向量；
[0033]
(2)将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；
[0034]
(3)将分析判别向量输入到logistic多分类回归模型中，通过logistic多分类回归分析模型最终得到系统安全状态的分类评级。
[0035]
与现有的基于规则的系统安全状态评级方法相比，本发明的有益效果是在系统安全状态评级中，利用深度学习技术和logistic多分类回归分析模型，既解决了传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣
势，并且可以通过以往的数据来判断预测当前以及未来系统状态的安全分类评级。本发明能保证在系统安全状态记录正确的前提下，提供系统安全状态评级，同时提高分类性能和准确率。因此，本发明在系统安全状态评级中将发挥重要的作用。
[0036]
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
[0037]
本发明公开了一种基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法，如图所示，本方法的系统安全状态评级步骤包括：
[0038]
s1、通过收集当前系统的各方面状态数据，构建系统状态特征向量；
[0039]
具体实施时，首先应该制定一个特征向量表，然后收集当前系统状态的特征，将特定的系统状态特征通过特征向量表编码成对应的取值，最终每一个时刻的系统状态特征通过特征向量表被编码成一个固定长度的特征向量{x1,x2,x3..,xn}其中n为特征向量的维度。每一个特征向量应都包括离散的整数特征值。
[0040]
例如，现给出如下特征向量表：
[0041]
表1特征向量表
[0042][0043][0044]
某个系统的状态为：目录a访问权限设置：7(即权限设置为111)、目录b访问权限设置：5(101)、网络端口开放数量：32个、系统用户登录数量：4个、系统不活跃用户数量：12个、系统网络连接总数：300个、系统执行权限文件数量：32个、系统每秒上传流量：500mb、系统每秒下载流量：1000mb。为该系统状态构建的特征向量为{7,5,32,4,12,300,32,500,1000}
[0045]
值得注意的是，上述的特征表只是本专利的举例，而实际生产环境中的特征需要
根据单位系统的特点以及模型的实际表现进行动态调整。最终的特征向量表的构建需要考虑几个因素：
[0046]
所在的单位拥有什么样的系统功能
[0047]
该数据是否可以充分揭示系统的安全性
[0048]
该数据在模型构建过程中，从技术角度上来讲是否具有分辨能力。
[0049]
s2、将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；
[0050]
具体实施时，首先把每个系统状态的特征向量{x1,x2,x3..,xn}输入到一个标准的全连接深度学习模型中，深度学习模型的结构和层级也可以根据实际的训练和生产环境应用效果进行调节。深度学习模型拥有全连接的节点结构。该深度模型维度结构为n-l
1-l
2-l
3-m，其中n为特征向量{x1,x2,x3..,xn}的维度n,m为输出分析判别向量的维度m,l1,l2,l3为全连接深度模型的中间维度，可以根据实际的模型表现进行调整。系统状态的特征向量{x1,x2,x3..,xn}输入到深度学习模型计算后，将会得到一个m维的输出向量{a1,a2,a3,
…am
}。该输出向量经过softmax归一化后，即可输出向量{b1,b2,b3,
…bm
}，其中bi∈[0,1]，该输出向量为输出分析判别向量。
[0051]
例如，系统状态构建的特征向量为{7,5,32,4,12,300,32,500,1000}，该特征向量的维度为9。某全连接深度学习模型拥有全连接的节点结构。该深度模型维度结构为9-50-100-50-10。将用户的特征向量输入到该深度模型中计算。输出一个10维的输出向量{1.5,20.1,0.54,23.12,8.23,101.23,34.45,0.023,32,28}，该输出向量经过softmax归一化后，即可输出分类判别向量{0.0807,0.854,0.134,0.986,0.535,0.211,0.885,0.949,0.323,0.454}。该向量将作为下一步回归的主要判别向量。(向量中数字只做示意)
[0052]
s3、将分析判别向量输入到logistic多分类回归模型中，通过logistic多分类回归分析模型最终得到系统安全状态的分类评级。
[0053]
具体实施时，将单个系统状态的输出分析判别向量{b1,b2,b3,
…bm
}输入到本领域公知的logistic多分类回归分析模型中，由logistic多分类回归分析模型对输入的分析判别向量{b1,b2,b3,
…bm
}给出分类c，其中c∈[1,2,3
…
j]其中j为训练模型中对于安全级别的分类。
[0054]
例如：将单个系统状态的分类判别向量{0.0807,0.854,0.134,0.986,0.535,0.211,0.885,0.949,0.323,0.454}输入到logistic多分类回归分析模型中，由logistic多分类回归分析模型对输入的分析判别向量进行分类，给出分类c＝3。
[0055]
具体的分类表可能如表(具体的分类表，需要相关使用人根据业务的实际情况进行重新设计，本分类表只是一个示例)：
[0056]
表2分类表
[0057]
[0058][0059]
该系统的安全分类为分类c＝3，模糊，建议技术人员保持警惕。
[0060]
本发明的基于深度学习技术和logistic多分类回归分析模型的系统安全状态评级方法，其特征在于，3个步骤：
[0061]
(1)通过收集当前系统的系统各方面状态数据，构建系统状态特征向量；
[0062]
(2)将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；
[0063]
(3)将分析判别向量输入到logistic多分类回归模型中，通过logistic多分类回归分析模型最终得到系统安全状态的分类评级。
[0064]
进一步地，所属步骤1包括：
[0065]
首先应该制定一个特征向量表，并且将特定的系统状态的特征通过特征向量表编码成特征向量。每一个特征向量应都被给与离散的整数特征值。最终每一个时刻的系统状态特征通过特征向量表被编码成一个固定长度的特征向量{x1,x2,x3..,xn}其中n为特征向量的维度。
[0066]
进一步地，所属步骤2包括：
[0067]
首先把每个系统状态的特征向量{x1,x2,x3..,xn}输入到一个标准的全连接深度学习模型中，深度学习模型的结构和层级也可以根据实际的训练和生产环境应用效果进行调节。深度学习模型拥有全连接的节点结构。该深度模型维度结构为n-l
1-l
2-l
3-m，其中n为特征向量{x1,x2,x3..,xn}的维度n,m为输出分析判别向的维度m,l1,l2,l3为全连接深度模型的中间维度，可以根据实际的模型表现进行调整。系统状态的特征向量{x1,x2,x3..,xn}输入到深度学习模型计算后，将会得到一个m维的输出向量{a1,a2,a3,
…am
}。该输出向量经过softmax归一化后，即可输出向量{b1,b2,b3,
…bm
}，其中bi∈[0,1]，该输出向量为输出分析判别向量。
[0068]
进一步地，所属步骤3包括：
[0069]
将单个系统状态的输出分析判别向量{b1,b2,b3,
…bm
}输入到本领域公知的logistic多分类回归分析模型中，由logistic多分类回归分析模型对输入的分析判别向量{b1,b2,b3,
…bm
}给出分类c，其中c∈[0,1,2,3
…
j]其中j为训练模型中对于安全级别的分类。
[0070]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。