CN117473571B 一种数据信息安全处理方法及系统 （广东深技信息科技有限公司）

US2020327223A1,2020.10.15本申请公开了一种数据信息安全处理方法第二风险识别信息的威胁情报特征IOC，作为专基于Apriori算法和pearson相关系数的安全风2构建转换为结构化格式的第一风险识别信息的时间关联利用构建的关联特征和专业特征，训练基于Apri获取第一风险识别信息和第二风险识别信息之间的关联利用Apriori算法，从关联规则矩阵中选择支持度和置信度均超过预设阈值的强关联规则；将选择的强关联规则的左侧事件和右侧事件分别拆分成多个字段构建安全风险关联度模型，模型中每个关联规则的权重由时间权重和pearson相关系根据构建的安全风险关联度模型，计算第一风险识别信息和第如果左侧事件的发生时间t1早于右侧事件的发生时间t2，则设置wt为α,其中α为0至1计算各字段间的pearson相关系数与时间权重调整因子wt的乘积，得到调整后的相关构建转换为结构化格式的第一风险识别信息的时间关联3利用顺序模型挖掘算法，构建包含频繁序列模式其中，安全事件表示与系统或网络安全状态变化相关的构建注意力机制的循环神经网络模型，作为时间相关性基于构建的空间索引，采用曼哈顿距离或切比雪夫距离计算各根据获得的空间距离、空间聚类模式和空间相关性，采用机器学习采用注意力机制的卷积神经网络，对空间关联特征进行多级抽象应用关联规则挖掘算法，从候选序列特征中学习事件之间的因果关应用信息增益评价指标和最小支持度阈值，从候选序列模式中选采用知识图谱表示安全事件关联图，并利用基于GAT的图注意力网络进行特征学习与4应用基于TFIDF和信息增益的特征选择算法，从编码得到的结构化IOC特征中，选择对采集的第一风险识别信息和第二风险识别信息进行预处理，并根据预定义安全风险的数据模型，使用包含自然语言处理和机器学第一风险识别信息采集模块，用于从业务处理设备获取第二风险识别信息采集模块，用于从云平台获取包含威胁情报数据预处理模块，用于对采集的第一风险识别信息和第二风险识别信息进行预处理，特征构建模块，用于构建转换为结构化格式的第一风险识别和pearson相关系数的安全风险关联度模型，获取第一风险识别信息和第二风险识别信息安全方案生成模块，用于利用获取的关联性，生成包含资源56[0010]从云平台获取包含威胁情报、安全知识库和历史分析模7了通过空间数据分析安全事件关联性的能力，使安全管理和风险识别更具空间维度思维。8在网络安全分析中，可以应用本申请识别攻击多阶段顺序模式及攻击步骤之间的因果关9行基于时间戳的安全事件时间关联分析的重要制可以自动学习不同时间特征的重要性权重。输入包含时间间隔和频率的多维时间特征，反映空间关联可能性的判断结果或概率。最终实现更加智能化和高效的空间关联分析过征经过卷积和池化形成的高级特征表示输入全连接层。全连接层集成不同粒度的空间特识别事件序列中频繁出现的事件模式序列。频繁序列模式反映事件之间存在的关联规律。挖掘中的一种重要算法。不需要生成候选频繁项集，避免重复扫描数据库。通过构建FP[0037]采用知识图谱表示安全事件关联图，并利用基于GAT的图注意力网络进行特征学谱形式表示，包含实体节点和关系边。应用基于图注意力机制的神经网络GAT进行特征学可以处理节点顺序无关的图结构数据。最终获得结合拓扑结构与关联知识的事件序列特顺序与关联知识的安全事件特征，为关联分析提供了有力支持。具体地，GAT(Graph一种利用注意力机制自动学习节点表示的有效直观表示事件与风险结果之间的定量关联关系。[0049]利用Apriori算法，从关联规则矩阵中选择支持度和置信度均超过预设阈值的强信度min_conf。遍历数据集找出满足min_sup的频繁项集。生成满足min_conf的强关联规Apriori算法利用频繁项挖掘稳定关联模式。结合置信度约束可以发现价值规则。综上所[0051]构建安全风险关联度模型，模型中每个关联规则的权重由时间权重和pearson相的作用。[0054]计算各字段间的pearson相关系数与时间权重调整因子wt的乘积，得到调整后的事件对的整体相关性。对规则中的每个事件字段分别计算与风险字段的pearson相关系数抽取结构化字段。使用机器学习模型对抽取结果进行分类纠错。训练序列标注模型节点的日志。构建日志主题，存储原始输入日志、处理后输出日志。日志数据库采用[0064](2)通过对采集的第一风险识别信息和第二风险识别信息进行预处理和转换为结[0065](3)通过构建时间关联特征、空间关联特征和序列关联特征，以及威胁情报特征[0067]图1是根据本说明书一些实施例所示的一种数据信息安全处理方法的示例性流程[0071]图5是根据本说明书的一些实施例所示的一种数据信息安全处理系统的示例性模[0073]图1是根据本说明书一些实施例所示的一种数据信息安全处理方法的示例性流程全知识库获取SQL注入攻击特征集合与应对方案。从机器学习模型获取DDoS攻击流量检测[0075]图2是根据本说明书一些实施例所示的数据预处理的示例[0077]具体实施例：在MySQL数据库建立两张表，分别存储原始第一和第二风险识别信[0078]图3是根据本说明书一些实施例所示的提取关联特征的示例性流程图，如图3所特征学习事件之间的因果关系，得到安全事件的因果链。使用基于FPgrowth的预计算方络的模型进行特征学习和融合。最终输出融合了顺序特征和关联规则信息的序列关联特的特征选择算法，选择权重和信息增益大于阈值的IOC特征。使用隔离森林模型对选择的的威胁情报特征。最终获得经验证和优化的威胁情报特征IOC，用于训练安全风险评估模[0094]图5是根据本说明书的一些实施例所示的一种数据信息安全处理系统的示例性模基于Apriori算法和pearson相关系数训练获取第一风险识别信息和第二风险识别信息之