【技術實現步驟摘要】
本專利技術涉及電數字數據處理，尤其涉及基于深度學習的業務自動化邏輯漏洞檢測方法。
技術介紹
1、隨著大數據時代的到來和計算能力的顯著提升，深度學習作為人工智能領域的重要分支，以其強大的特征學習能力和復雜模式識別能力，逐漸在多個領域展現出巨大的潛力，特別是在圖像識別、自然語言處理和語音識別等領域，其通過多層次的神經網絡結構來學習和理解數據的復雜特征，具備了處理大規模數據和解決復雜問題的能力。在信息安全領域，傳統的邏輯漏洞檢測方法往往依賴于人工規則或專家經驗，不僅效率低下且難以應對日益復雜的業務邏輯和多樣化的攻擊手段，因此，研究人員開始探索將深度學習技術應用于業務自動化邏輯漏洞檢測中，近年來，結合機器學習和深度學習技術，研究人員開始探索利用神經網絡來識別和分析系統中的邏輯漏洞，通過學習大量的代碼庫和漏洞樣本來改進檢測的準確性和覆蓋范圍，旨在通過自動化、智能化的方式，提高漏洞檢測的準確性和效率，為業務系統的安全性提供更為堅實的保障。這種方法通過訓練深度學習模型，使其能夠自動學習并識別代碼中的潛在邏輯漏洞，從而實現對業務系統的全面、高效的安全檢測，同時這些技術和方法的發展，標志著在軟件開發和安全領域中，利用深度學習進行自動化邏輯漏洞檢測將會成為未來的重要趨勢之一。
2、現有技術中，通過深度挖掘并利用深度學習模型強大的特征提取與復雜模式識別能力自動化檢測邏輯漏洞，其中深度學習模型被訓練以自動分析源代碼，提取出關鍵的代碼特征，并識別出引發安全風險的邏輯錯誤或設計缺陷，深度學習模型通過覆蓋廣泛的代碼庫和業務場景，及時發現并報告潛在
3、但本申請在實現本申請實施例中專利技術技術方案的過程中，發現上述技術至少存在如下技術問題：
4、現有技術中，先對訓練程序提取庫調用候選代碼段，給候選代碼段添加類型標簽，并將候選代碼段轉換為向量，同時輸入到神經網絡模型進行訓練，最后輸出漏洞分類器，數據集的標注質量直接影響神經網絡模型的訓練效果，如果標注不準確或存在錯誤，模型將學習到錯誤的信息影響神經網絡模型的檢測能力，存在邏輯漏洞檢測精確性低的問題。
技術實現思路
1、本申請實施例通過提供基于深度學習的業務自動化邏輯漏洞檢測方法，解決了現有技術中邏輯漏洞檢測精確性低的問題，實現了邏輯漏洞檢測精確性的提高。
2、本申請實施例提供了基于深度學習的業務自動化邏輯漏洞檢測方法，包括以下步驟：s1，收集預設電網在電力供應過程中的電力數據并進行數據處理獲取邏輯漏洞數據集和驗證數據集；s2，利用所述邏輯漏洞數據集對電力調度漏洞檢測模型進行模型訓練，并將預設電力數據樣本集輸入到所述電力調度漏洞檢測模型中進行漏洞檢測得到漏洞檢測結果；s3，比較所述漏洞檢測結果和所述預設電力數據樣本集的邏輯漏洞樣本已知數量獲取模型功能評估指數，判斷所述模型功能評估指數是否大于設置的模型功能閾值，若是則繼續監測漏洞檢測結果，否則執行s4，所述模型功能評估指數用于評估所述電力調度漏洞檢測模型對預設電力數據樣本集對應的電力調度漏洞的檢測能力水平；s4，通過將所述驗證數據集輸入至所述電力調度漏洞檢測模型中對所述電力調度漏洞檢測模型進行參數調優，所述參數調優包括學習率調優和正則化參數調優。。
3、進一步的，所述預設電力調度邏輯漏洞數量的具體獲取步驟如下：在預設時間段內的各預設時間點通過網側電表獲取所述預設電網的電網發電量，所述電網發電量表示所述預設時間段所述預設電網發電機組的發電量，所述電網發電量用于衡量所述預設電網的電力供應水平；在所述預設時間段內的各所述預設時間點通過用電側電表獲取所述預設電網的電力消耗量，所述電力消耗量表示所述預設時間段所述預設電網的消耗電量；若所述預設時間點的所述電網發電量為0則預設時間點的發電失敗判定值為1，否則預設時間點的發電失敗判定值為0；若所述預設時間點的所述電網發電量不為0且所述電網發電量小于所述電力消耗量則預設時間點的發電不足判定值為1，否則預設時間點的發電不足判定值為0；根據預設時間點的發電不足判定值和發電失敗判定值得到預設電力調度邏輯漏洞數量，所述預設電力調度邏輯漏洞數量的表達式為：
4、
5、式中，mx表示預設電力調度邏輯漏洞數量，t表示預設時間段內預設時間點的序號，t＝1,2,...,t，t表示預設時間段內預設時間點的總數量，z1t表示第t個預設時間點的發電不足判定值，z2t表示第t個預設時間點的發電失敗判定值。
6、進一步的，所述模型功能評估指數的具體獲取步驟如下：在預設時間段內將所述預設電力數據樣本集輸入到所述電力調度漏洞檢測模型中進行漏洞檢測得到所述漏洞檢測結果；根據所述漏洞檢測結果獲取的漏洞正確檢測量、漏洞錯誤檢測量和漏洞檢測缺失量得到模型功能評估指數；所述漏洞正確檢測量表示所述漏洞檢測結果中所述電力調度漏洞檢測模型正確檢測為漏洞的樣本數量；所述漏洞錯誤檢測量表示所述漏洞檢測結果中所述電力調度漏洞檢測模型將正常樣本錯誤判定為漏洞的樣本數量；所述漏洞檢測缺失量表示所述漏洞檢測結果中所述電力調度漏洞檢測模型未能檢測出的實際漏洞樣本數量。
7、進一步的，所述模型功能評估指數具體采用以下公式計算：
8、
9、式中，gn表示所述模型功能評估指數，e表示自然常數，m表示所述預設時間段內漏洞檢測的次數編號，m＝1,2,...,m，m表示漏洞檢測的總次數，y1m表示第m次漏洞檢測的所述漏洞正確檢測量，y2m表示第m次漏洞檢測的所述漏洞錯誤檢測量，y3m表示第m次漏洞檢測的所述漏洞檢測缺失量。
10、進一步的，所述模型功能閾值的具體設置步驟如下：利用電流傳感器測量所述預設電網在預設時間段的電流最大值和電流最小值獲取電力負荷值；將所述預設電力數據樣本集輸入到所述電力調度漏洞檢測模型中進行漏洞檢測，并根據漏洞檢測的起始時間和結果輸出時間獲取響應時間值；根據所述預設時間段內所述電力調度漏洞檢測模型的輸出情況獲取吞吐值，將獲取的所述吞吐量結合所述電力負荷值和所述響應時間值獲取模型功能閾值，所述吞吐值表示所述電力調度漏洞檢測模型檢測的電力數據樣本集的樣本數量。
11、進一步的，所述模型功能閾值具體采用以下公式計算：
12、
13、式中，yz表示所述模型功能閾值，e表示自然常數，k1表示所述電力負荷值，k2表示所述響應時間值，k3表示所述吞吐值，k4表示所述預設時間段。
14、本申請實施例中提供的一個或多個技術方案，至少具有如下技術效果或優點：
15、1、通過收集預設電網的電力數據獲取邏輯漏洞數據集和驗證數據集，并對電力調度漏洞本文檔來自技高網...
【技術保護點】
1.基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述邏輯漏洞數據集和驗證數據集的具體獲取步驟如下：
3.如權利要求2所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述預設電力調度邏輯漏洞數量的具體獲取步驟如下：
4.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述預設電力數據樣本集的具體獲取步驟如下：
5.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述模型功能評估指數的具體獲取步驟如下：
6.如權利要求5所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述模型功能評估指數具體采用以下公式計算：
7.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述模型功能閾值的具體設置步驟如下：
8.如權利要求7所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述模型功能閾值具體采用以下公式計算：
<...【技術特征摘要】
1.基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述邏輯漏洞數據集和驗證數據集的具體獲取步驟如下：
3.如權利要求2所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述預設電力調度邏輯漏洞數量的具體獲取步驟如下：
4.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述預設電力數據樣本集的具體獲取步驟如下：
5.如權利要求1所述基于深度學習的業務自動化邏輯漏洞檢測方法，其特征在于，所述模型功能評估指數的具體獲取步驟如下：
【專利技術屬性】
技術研發人員：徐傳懋，杜金燃，賴博宇，鄭鴻亮，戴濤，梁志宏，楊祎巍，
申請(專利權)人：南方電網科學研究院有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。