【技術實現步驟摘要】
本專利技術涉及企業數據安全的，更具體地，涉及一種基于深度學習的企業跨域數據風險識別方法。
技術介紹
1、隨著企業數字化轉型的加速，跨域數據流量的迅猛增長為數據安全和風險管理帶來了全新的挑戰。現有的風險識別方法大多依賴傳統的數據分析與規則匹配，難以應對復雜的數據環境以及動態變化的威脅場景。這些方法通常依賴預先定義的規則和模型，無法及時更新以適應不斷變化的威脅形勢和多樣化的數據類型。隨著數據量的急劇增加和數據結構的日益復雜，傳統方法在異常檢測和風險識別方面容易產生誤報和漏報，進而影響企業的安全決策。此外，傳統方法在處理大規模、多維度數據時，面臨計算和存儲資源的瓶頸，難以實現實時響應與處理。不同數據源的格式和質量差異較大，進一步加劇了統一風險識別和管理的難度。國際和國家層面，多個標準已針對數據安全與風險管理進行制定。例如，國際標準化組織（iso）發布的iso/iec?27001標準，規定了信息安全管理體系的要求，幫助企業建立并實施有效的信息安全管理框架。同時，iso/iec?27005標準則提供了信息安全風險管理的指南。這些標準在一定程度上規范了企業的數據安全管理流程，但在跨域數據風險識別與動態調整方面仍存在不足。雖然已有相關的專利技術專利在風險識別領域有所探索，但這些方法在處理企業跨域流量風險時識別效果不佳，尤其在面對多源異構數據時表現出局限性，難以應對實時大規模數據的處理。因此，如何提供一種能夠高效識別與管理跨域流量數據風險的方法，以實現企業數據風險的智能化、實時化管理，已成為亟需解決的重要問題，具有廣泛的應用價值與現實意義。p>
技術實現思路
1、本專利技術提供一種基于深度學習的企業跨域數據風險識別方法，解決現有企業跨流域數據存在風險識別不準確的問題，能提高企業的數據安全，及時預警和防范潛在的安全威脅，保障企業信息安全。
2、為實現以上目的，本專利技術提供以下技術方案：
3、一種基于深度學習的企業跨域數據風險識別方法，包括：
4、從企業內外部的數據源中收集原始企業跨域流量數據；
5、對收集的所述企業跨域流量數據進行數據處理，并按不同風險類型進行標記，將所有標記完成的所述企業跨域流量數據分為訓練集和測試集；
6、構建基于深度神經網絡的企業跨域數據特征提取模型，將訓練集中的無量綱化后的企業跨域流量數據輸入所述企業跨域數據特征提取模型，提取企業跨域流量數據的關鍵流量特征信息；
7、構建企業跨域數據風險識別模型，將提取到的關鍵流量特征信息輸入模型進行訓練，以識別出跨域企業流量數據的風險類別。
8、優選的，還包括：
9、利用輸出的企業跨域流量數據計算企業跨域數據風險識別模型的交叉熵損失函數，并更新企業跨域數據風險識別模型的參數。
10、優選的，還包括：
11、將測試集中的企業跨域流量數據輸入企業跨域數據風險識別模型，并計算企業跨域流量數據風險識別的準確率，驗證模型的風險識別能力。
12、優選的，所述對收集的所述企業跨域流量數據進行數據處理，包括：
13、利用數據采集平臺獲取關鍵業務信息，對企業跨域流量數據采用數據清洗，并對原始流量數據進行無量綱化處理。
14、優選的，所述對企業跨域流量數據采用數據清洗，包括：
15、采用填充法進行數據異常值進行清洗，異常值為的數據點，其中，μ為均值，σ為標準差，x表示企業跨域流量數據。
16、優選的，所述對原始流量數據進行無量綱化處理，包括：
17、根據公式：，對原始流量數據進行無量綱化處理，其中，表示原始企業跨域流量數據中的最小值，表示原始企業跨域流量數據中的最大值，表示第i個的企業跨域流量數據，表示第i個無量綱化的企業跨域流量數據。
18、優選的，構建基于深度神經網絡的企業跨域數據特征提取模型，包括：
19、由去噪自動編碼器模塊、兩個雙向長短時記憶網絡模塊、殘差連接構成基于深度神經網絡的企業跨域數據特征提取模型。
20、優選的，還包括：
21、將訓練集中的企業跨域流量數據進行無量綱化處理后，輸入到去噪自編碼器模塊，生成編碼結果，接著將該編碼結果輸入到第一個雙向長短時記憶網絡模塊，然后去噪自編碼器的輸出與第一個雙向長短時記憶網絡模塊的輸出相加，形成融合特征，再將這一融合特征輸入到第二個雙向長短時記憶網絡模塊，以進一步提取企業跨域流量數據的潛在特征。
22、優選的，還包括：
23、所述去噪自編碼器由基于多層感知機網絡的編碼器和解碼器組成，編碼器和解碼器中的多層感知機網絡的層數為2，隱藏單元數為64，將無量綱化后的企業跨域流量數據與高斯噪聲相加后的結果輸入到基于多層感知機網絡的編碼器得到編碼結果vi，再將編碼結果vi輸入基于多層感知機網絡的編碼器得到解碼結果ui，利用均方誤差作為去噪自編碼器模塊的重構誤差。
24、優選的，還包括：
25、所述企業跨域數據風險識別模型由1層全連接神經網絡和softmax激活函數組成，將所述基于深度神經網絡的企業跨域數據特征提取模型提取到的企業跨域流量的潛在特征輸入到企業跨域數據風險識別模型，得到企業跨域風險識別結果，并利用交叉熵損失函數作為企業跨域風險識別模型的損失函數，公式如下：
26、其中，yi表示第i個企業跨域流量數據的真實風險類別，表示第i個企業跨域流量數據的預測風險類別，l為交叉熵損失函數，n為自然數。
27、本專利技術提供一種基于深度學習的企業跨域數據風險識別方法，通過收集企業內外部的原始跨域流量數據，采用基于深度神經網絡的企業跨域數據特征提取模型，對無量綱化后的企業跨域流量數據進行處理，以準確提取數據的潛在特征，通過將提取到的關鍵流量特征信息輸入企業跨域數據風險識別模型，識別出跨域企業流量數據的不同風險類別。本方法通過更加精確地識別企業跨域流量數據的風險類別，解決現有企業跨流域數據存在風險識別不準確的問題，能夠及時預警和防范潛在的安全威脅，保障企業信息安全。同時，提升了業務流程的安全性和穩定性，確保企業的業務連續運營。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的企業跨域數據風險識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
3.根據權利要求2所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
4.根據權利要求3所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，所述對收集的所述企業跨域流量數據進行數據處理，包括：
5.根據權利要求4所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，所述對企業跨域流量數據采用數據清洗，包括：
6.根據權利要求5所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，所述對原始流量數據進行無量綱化處理，包括：
7.根據權利要求6所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，構建基于深度神經網絡的企業跨域數據特征提取模型，包括：
8.根據權利要求7所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
9.根據權利要求8所述的基于深度學習的企業跨域數據風險識別方法，其特征
10.根據權利要求9所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
...【技術特征摘要】
1.一種基于深度學習的企業跨域數據風險識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
3.根據權利要求2所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，還包括：
4.根據權利要求3所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，所述對收集的所述企業跨域流量數據進行數據處理，包括：
5.根據權利要求4所述的基于深度學習的企業跨域數據風險識別方法，其特征在于，所述對企業跨域流量數據采用數據清洗，包括：
6....
【專利技術屬性】
技術研發人員：邵慧，樓衛東，李健俊，姜學峰，單宇翔，
申請(專利權)人：浙江中煙工業有限責任公司，
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。