CN112069046A - 数据泄露提醒方法、装置、设备及计算机可读存储介质 - Google Patents
数据泄露提醒方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112069046A CN112069046A CN202010888916.0A CN202010888916A CN112069046A CN 112069046 A CN112069046 A CN 112069046A CN 202010888916 A CN202010888916 A CN 202010888916A CN 112069046 A CN112069046 A CN 112069046A
- Authority
- CN
- China
- Prior art keywords
- behavior
- sensitive
- tag
- data
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及信息安全技术领域,提供一种数据泄露提醒方法、装置、设备及计算机可读存储介质,该方法包括:获取用户对数据进行操作的当前行为信息和历史行为信息;将当前行为信息输入预设BERT模型,以确定用户的第一行为标签,预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;将历史行为信息输入预设LSTM模型,以确定用户的第二行为标签,预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;当确定第一行为标签为敏感行为标签,和/或第二行为标签为敏感行为标签时,执行数据泄露提醒操作。本申请能够提高数据泄露事件的识别准确性。
Description
技术领域
本申请涉及信息安全的技术领域,尤其涉及一种数据泄露提醒方法、装置、设备及计算机可读存储介质。
背景技术
随着网络化和数字化程度不断加深,大量涉及个人隐私、财产信息和行为轨迹的数据在互联网上存储和传输,保护数据安全的重要性不言而喻。目前,企业的数据泄漏防护主要包括对黑客以及外部攻击的威胁进行防护和对企业内部人员的数据泄露进行防护。对于企业内部人员的数据防泄露措施主要包括对数据进行加密、对内部人员的数据使用权限进行管控和识别并拦截敏感数据,但这些措施都只针对单点监控,并没有将数据泄漏过程中的数据发现、数据获取和数据外发等环节进行监控,无法准确的识别数据泄露事件,数据泄露的误报率较高。因此,如何提高数据泄露事件的识别准确性,降低数据泄露的误报率是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种数据泄露提醒方法、装置、设备及计算机可读存储介质,旨在提高数据泄露事件的识别准确性,降低数据泄露的误报率。
第一方面,本申请提供一种数据泄露提醒方法,包括:
获取用户对数据进行操作的当前行为信息和历史行为信息;
将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
第二方面,本申请还提供一种数据泄露提醒装置,所述数据泄露提醒装置包括:
获取模块,用于获取用户对数据进行操作的当前行为信息和历史行为信息;
行为识别模块,用于将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
行为预测模块,用于将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
提醒模块,用于当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的数据泄露提醒方法的步骤。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述的数据泄露提醒方法的步骤。
本申请提供一种数据泄露提醒方法、装置、设备及计算机可读存储介质,本申请通过将用户对数据进行操作的当前行为信息输入至根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的预设BERT模型,得到用户的第一行为标签,并将用户对数据进行操作的历史行为信息输入至根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的预设LSTM模型,得到用户的第二行为标签,当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,通过第一行为标签和第二行为标签,能够准确地确定用户对数据进行的操作是否为数据泄露操作,极大地提高了数据泄露事件的识别准确性,降低数据泄露的误报率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种数据泄露提醒方法的流程示意图;
图2为图1中的数据泄露提醒方法的子步骤流程示意图;
图3是本申请实施例提供的一种数据泄露提醒装置的示意性框图;
图4为图3中的数据泄露提醒装置的子模块的示意性框图;
图5是本申请实施例提供的一种计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参阅附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种数据泄露提醒方法、装置、设备及计算机可读存储介质。其中,该数据泄露提醒方法可应用于终端设备中,该终端设备可以手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备,该数据泄露提醒方法也可以应用于服务器中,该服务器可以为单台的服务器,也可以为由多台服务器组成的服务器集群。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请的实施例提供的一种数据泄露提醒方法的流程示意图。如图1所示,该数据泄露提醒方法包括步骤S101至步骤S104。
步骤S101、获取用户对数据进行操作的当前行为信息和历史行为信息。
其中,用户对数据进行操作的当前行为信息和历史行为信息的采集时间间隔预设时间,所述当前行为信息包括在当前时刻采集到的用户对数据进行操作的行为信息,所述历史行为信息包括在上一时刻采集到的用户对数据进行操作的行为信息,所述当前时刻与上一时刻间隔预设时间,用户对数据进行的操作包括数据读写操作、数据外发操作、数据存储操作和数据截屏操作中的至少一种,数据外发操作、数据存储操作和数据截屏操作为数据泄露操作,数据外发操作包括通过邮件外发数据的操作和通过外部社交软件发送数据的操作,数据存储操作包括通过网盘上传数据的操作和通过U盘存储数据的操作,该预设时间可基于实际情况进行设置,本申请对此不做具体限定,例如,预设时间为1小时。
在一实施例中,该历史行为信息存储于区块链。其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。通过将历史行为信息存储于区块链,可以历史行为信息的安全性。
在一实施例中,获取用户对数据进行操作的当前行为信息的方式可以为:通过用于监控截屏操作的第一程序在当前时刻采集截屏操作的第一监控信息,通过用于监控数据外发操作的第二程序在当前时刻采集数据外发操作的第二监控信息,通过用于监控数据存储操作的第三程序在当前时刻采集数据存储操作的第三监控信息,从而得到包含第一监控信息、第二监控信息和第三监控信息的当前行为信息。其中,第一程序是按照截屏操作的监控逻辑编写的,用于监控截屏操作,第二程序是按照集数据外发操作的监控逻辑编写的,用于监控集数据外发操作,第三程序是按照数据存储操作的监控逻辑编写的,用于监控数据存储操作,第一程序、第二程序和第三程序可基于实际情况进行设置,本申请对此不做具体限定。
在一实施例中,获取用户对数据进行操作的历史行为信息的方式可以为:从预设存储区域内读取用户对数据进行操作的历史行为信息。其中,每次从预设存储区域内读取用户对数据进行操作的历史行为信息,且获取到用户对数据进行操作的当前行为信息后,将当前行为信息存储至预设存储区域内,以替换历史行为信息,从而更新预设存储区域内的历史行为信息。预设存储区域可基于实际情况进行设置,本申请对此不做具体限定。
步骤S102、将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的。
在一实施例中,所述预设BERT(Bidirectional Encoder Representations fromTransformers,双向Transformer的Encoder)模型的具体训练方式可以为:获取用户对数据进行操作的多条行为信息;按照预设敏感操作识别规则,对每条行为信息进行标注,得到标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集;根据正样本数据集和负样本数据集对BERT模型进行训练,直到训练后的BERT模型收敛,得到预设BERT模型。其中,敏感操作包括数据外发操作、数据存储操作和数据截屏操作,敏感操作识别规则包括数据外发操作的识别规则、数据存储操作的识别规则和数据截屏操作的识别规则,敏感操作识别规则可基于实际情况进行设置,本申请对此不做具体限定。
将当前行为信息输入至预设BERT模型,由预设BERT模型对当前行为信息进行处理,得到用户的第一行为标签。其中,第一行为标签为敏感行为标签和非敏感行为标签中的任一项,当第一行为标签为敏感行为标签时,确定用户存在对数据进行数据泄露操作的嫌疑,而当第一行为标签为非敏感行为标签时,确定用户不存在对数据进行数据泄露操作的嫌疑。
步骤S103、将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的。
在一实施例中,预设长短期记忆网络(Long Short-Term Memory,LSTM)模型,的训练方式可以为:获取用户对数据进行操作的多条行为信息;将每条行为信息输入至预设BERT模型,以确定每条行为信息的敏感行为识别结果;根据每条行为信息的敏感行为识别结果,对每条行为信息进行标注,得到标注有行为敏感行为标签和非敏感行为标签的训练样本数据集;根据训练样本数据集对LSTM模型进行训练,直到训练后的LSTM模型收敛,得到预设LSTM模型。
在一实施例中,根据训练样本数据集对LSTM模型进行训练,直到训练后的LSTM模型收敛,得到预设LSTM模型的方式可以为:以预设时间为单位,按照时间的先后顺序将位于同一预设时间内的各条训练样本数据进行拼接,得到一条拼接数据,然后对每条拼接数据进行one-hot编码,得到编码数据,并在长度不为预设长度的编码数据的末尾填充0,使得每条编码数据的长度等于预设长度,从而得到目标训练样本集;基于目标训练样本集,对LSTM模型进行训练,直到LSTM模型收敛,从而得到敏感行为预测模型。其中,预设时间可基于实际情况进行设置,本申请实施例对此不做具体限定,例如,预设时间为1小时。
示例性的,训练样本数据集包括50条训练样本数据,且编号为1-10的10条训练样本数据的采集时刻位于8:00-9:00,编号为11-20的10条训练样本数据的采集时刻位于10:00-11:00,编号为21-30的10条训练样本数据的采集时刻位于12:00-13:00,编号为31-40的10条训练样本数据的采集时刻位于14:00-15:00,编号为41-50的10条训练样本数据的采集时刻位于17:00-18:00,因此,将编号为1-10的10条训练样本数据进行拼接、将编号为11-20的10条训练样本数据进行拼接、将编号为21-30的10条训练样本数据进行拼接、将编号为31-40的10条训练样本数据进行拼接和将编号为41-50的10条训练样本数据进行拼接,得到5条拼接数据。
将获取用户对数据进行操作的历史行为信息输入预设LSTM模型,由预设LSTM模型对用户对数据进行操作的历史行为信息进行处理,得到用户的第二行为标签。其中,第二行为标签为敏感行为标签和非敏感行为标签中的任一项,当第二行为标签为敏感行为标签时,确定用户存在对数据进行数据泄露操作的嫌疑,而当第一行为标签为非敏感行为标签时,确定用户不存在对数据进行数据泄露操作的嫌疑。
步骤S104、当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
在获取到用户的第一行为标签和第二行为标签后,确定第一行为标签是否为敏感行为标签,并确定第二行为标签是否为敏感行为标签,当确定第一行为标签为敏感行为标签,和/或第二行为标签为敏感行为标签时,执行数据泄露提醒操作,以提醒上级或者防数据泄露的工作人员,便于上级或者防数据泄露的工作人员知晓该用户对数据进行的操作为数据泄露操作,能够及时的阻止该用户继续泄漏数据。
在一实施例中,当确定第一行为标签与第二行为标签相同,且第一行为标签与第二行为标签均为敏感行为标签时,确定用户对数据进行的操作为数据泄露操作,并执行数据泄露提醒操作。其中,数据泄露操作包括但不限于数据外发操作、数据存储操作和数据截屏操作。
在一实施例中,当确定第一行为标签为敏感行为标签,而第二行为标签不为敏感行为标签时,获取用户的多个第一历史行为标签;统计多个第一历史行为标签中的第一历史行为标签为敏感行为标签的数量,得到第一数量;当确定第一数量大于或等于第一预设阈值时,执行数据泄露提醒操作。其中,第一历史行为标签为在当前时刻之前所记录的第一行为标签,相邻的两个第一历史行为标签的采集时间间隔预设时间,预设时间和第一预设阈值可基于实际情况进行设置,本申请对此不做具体限定,例如,预设时间为1小时,第一预设阈值为4个。通过在第一行为标签为敏感行为标签,而第二行为标签不为敏感行为标签时,基于第一历史行为标签为敏感行为标签的数量,可以准确地确定用户对数据进行的操作是否为数据泄露操作。
在一实施例中,当确定第一行为标签不为敏感行为标签,而第二行为标签为敏感行为标签时,获取用户的多个第二历史行为标签;统计多个第二历史行为标签中的第二历史行为标签为敏感行为标签的数量,得到第二数量;当确定第二数量大于或等于第二预设阈值时,执行数据泄露提醒操作。其中,第二历史行为标签为在当前时刻之前所记录的第一行为标签,相邻的两个第二历史行为标签的采集时间间隔预设时间,预设时间和第二预设阈值可基于实际情况进行设置,本申请对此不做具体限定,例如,预设时间为1小时,第二预设阈值为4个。通过在第一行为标签不为敏感行为标签,而第二行为标签为敏感行为标签时,基于第二历史行为标签为敏感行为标签的数量,可以准确地确定用户对数据进行的操作是否为数据泄露操作。
在一实施例中,如图2所示,步骤S104包括:子步骤S1041至子步骤S1042。
子步骤S1041,获取所述用户的身份识别码,并根据所述用户的身份识别码,生成数据泄露提醒信息。
当确定用户对数据进行的操作为数据泄露操作时,获取该用户的身份识别码,并根据用户的身份识别码,生成数据泄露提醒信息。其中,该数据泄露提醒信息包括数据泄露时间点、用户的身份识别码和该用户的上级的身份识别码,该身份识别码包括数字、英文字母和符号中的至少一项。
在一实施例中,根据用户的身份识别码,生成数据泄露提醒信息的方式可以为:获取用户对数据进行的数据泄露操作的类型;获取数据泄露提醒信息的模板,并将用户的身份识别码和用户对数据进行的数据泄露操作的类型,填充至该模板的对应位置,从而生成数据泄露提醒信息。其中,数据泄露提醒信息的模板的样式可基于实际情况进行设置,本申请对此不做具体限定。
子步骤S1042、将所述数据泄露提醒信息发送至关联的终端设备,以供所述终端设备输出所述数据泄露提醒信息。
在生成数据泄露提醒信息后,将该数据泄露提醒信息发送至关联的终端设备,以供该终端设备输出该数据泄露提醒信息,即终端设备显示包括数据泄露提醒信息的弹窗页面和/或播报该数据泄露提醒信息。其中,终端设备包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
在一实施例中,将该数据泄露提醒信息发送至关联的终端设备的方式可以为:获取该用户的岗位编码,并根据该岗位编码,确定该用户的上级管理者的岗位编码,得到目标岗位编码;获取该目标岗位编码对应的IP地址,并基于该IP地址将数据泄露提醒信息发送至对应的终端设备;或者,获取该用户的岗位编码,并根据该岗位编码,确定该用户的上级管理者的岗位编码,得到目标岗位编码;获取该目标岗位编码对应的手机号码和IP地址,并基于该IP地址将数据泄露提醒信息发送至对应的PC电脑,以及将数据泄露提醒信息发送至该手机号码关联的移动终端。
在一实施例中,当确定第一行为标签为敏感行为标签,和/或第二行为标签为敏感行为标签时,获取用户的身份识别码,并锁定与该身份识别码关联的终端设备的显示界面,即控制与该身份识别码关联的终端设备的显示界面进入锁定页面。其中,当终端设备的显示界面进入锁定页面后,用户无法再操作终端设备,需要在锁定页面内输入密码之后才能正常操作终端设备。通过当确定用户对数据进行的操作为数据泄露操作时,锁定与用户的身份识别码关联的终端设备的显示界面,使得用户无法再操作终端设备,也就无法继续泄露数据,提高数据安全。
在一实施例中,当确定第一行为标签为敏感行为标签,和/或第二行为标签为敏感行为标签时,获取用户的身份识别码,并根据所述用户的身份识别码,生成数据泄露提醒信息,且将数据泄露提醒信息发送至关联的终端设备,以供终端设备输出数据泄露提醒信息,同时锁定与身份识别码关联的终端设备的显示界面。通过终端设备输出数据泄露提醒信息以及锁定与用户的身份识别码关联的终端设备的显示界面,使得用户无法再操作终端设备,也就无法继续泄露数据,提高数据安全。
上述实施例提供的数据泄露提醒方法,通过将用户对数据进行操作的当前行为信息输入至根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的预设BERT模型,得到用户的第一行为标签,并将用户对数据进行操作的历史行为信息输入至根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的预设LSTM模型,得到用户的第二行为标签,当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,通过第一行为标签和第二行为标签,能够准确地确定用户对数据进行的操作是否为数据泄露操作,极大地提高了数据泄露事件的识别准确性,降低数据泄露的误报率。
请参阅图3,图3是本申请实施例提供的一种数据泄露提醒装置的示意性框图。如图3所示,该数据泄露提醒装置200包括:获取模块210、行为识别模块220、行为预测模块230和提醒模块240。
所述获取模块210,用于获取用户对数据进行操作的当前行为信息和历史行为信息;
所述行为识别模块220,用于将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
所述行为预测模块230,用于将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
所述提醒模块240,用于当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
在一实施例中,所述提醒模块240还用于:
当确定所述第一行为标签为敏感行为标签,而所述第二行为标签不为敏感行为标签时,获取所述用户的多个第一历史行为标签;
统计所述多个第一历史行为标签中的第一历史行为标签为敏感行为标签的数量,得到第一数量;
当确定所述第一数量大于或等于第一预设阈值时,执行数据泄露提醒操作。
在一实施例中,所述提醒模块240还用于:
当确定所述第一行为标签不为敏感行为标签,而所述第二行为标签为敏感行为标签时,获取所述用户的多个第二历史行为标签;
统计所述多个第二历史行为标签中的第二历史行为标签为敏感行为标签的数量,得到第二数量;
当确定所述第二数量大于或等于第二预设阈值时,执行数据泄露提醒操作。
在一实施例中,所述数据泄露提醒装置还包括第一训练模块,所述第一训练模块用于:
获取用户对数据进行操作的多条行为信息;
按照预设敏感操作识别规则,对每条行为信息进行标注,得到标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集;
根据所述正样本数据集和负样本数据集对BERT模型进行训练,直到训练后的BERT模型收敛,得到所述预设BERT模型。
在一实施例中,所述数据泄露提醒装置还包括第二训练模块,所述第二训练模块用于:
获取用户对数据进行操作的多条行为信息;
将每条行为信息输入至所述预设BERT模型,以确定每条行为信息的敏感行为识别结果;
根据每条行为信息的敏感行为识别结果,对每条行为信息进行标注,得到标注有行为敏感行为标签和非敏感行为标签的训练样本数据集;
根据所述训练样本数据集对LSTM模型进行训练,直到训练后的LSTM模型收敛,得到所述预设LSTM模型。
在一实施例中,如图4所示,所述提醒模块240包括:
获取子模块241,用于获取所述用户的身份识别码;
生成子模块242,用于根据所述用户的身份识别码,生成数据泄露提醒信息;
发送子模块243,用于将所述数据泄露提醒信息发送至关联的终端设备,以供所述终端设备输出所述数据泄露提醒信息。
在一实施例中,所述数据泄露提醒装置200还包括:
所述获取模块210,还用于当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,获取所述用户的身份识别码;
锁定模块,用于锁定与所述身份识别码关联的终端设备的显示界面。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述数据泄露提醒方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图,5是本申请实施例提供的一种计算机设备的结构示意性框图。如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种数据泄露提醒方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种数据泄露提醒方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取用户对数据进行操作的当前行为信息和历史行为信息;
将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
在一实施例中,所述当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,包括:
当确定所述第一行为标签为敏感行为标签,而所述第二行为标签不为敏感行为标签时,获取所述用户的多个第一历史行为标签;
统计所述多个第一历史行为标签中的第一历史行为标签为敏感行为标签的数量,得到第一数量;
当确定所述第一数量大于或等于第一预设阈值时,执行数据泄露提醒操作。
在一实施例中,所述当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,包括:
当确定所述第一行为标签不为敏感行为标签,而所述第二行为标签为敏感行为标签时,获取所述用户的多个第二历史行为标签;
统计所述多个第二历史行为标签中的第二历史行为标签为敏感行为标签的数量,得到第二数量;
当确定所述第二数量大于或等于第二预设阈值时,执行数据泄露提醒操作。
在一实施例中,所述处理器还用于实现以下步骤:
获取用户对数据进行操作的多条行为信息;
按照预设敏感操作识别规则,对每条行为信息进行标注,得到标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集;
根据所述正样本数据集和负样本数据集对BERT模型进行训练,直到训练后的BERT模型收敛,得到所述预设BERT模型。
在一实施例中,所述处理器还用于实现以下步骤:
获取用户对数据进行操作的多条行为信息;
将每条行为信息输入至所述预设BERT模型,以确定每条行为信息的敏感行为识别结果;
根据每条行为信息的敏感行为识别结果,对每条行为信息进行标注,得到标注有行为敏感行为标签和非敏感行为标签的训练样本数据集;
根据所述训练样本数据集对LSTM模型进行训练,直到训练后的LSTM模型收敛,得到所述预设LSTM模型。
在一实施例中,所述执行数据泄露提醒操作,包括:
获取所述用户的身份识别码,并根据所述用户的身份识别码,生成数据泄露提醒信息;
将所述数据泄露提醒信息发送至关联的终端设备,以供所述终端设备输出所述数据泄露提醒信息。
在一实施例中,所述处理器还用于实现以下步骤:
当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,获取所述用户的身份识别码,并锁定与所述身份识别码关联的终端设备的显示界面。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的数据泄露提醒方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参阅本申请数据泄露提醒方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅是本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据泄露提醒方法,其特征在于,包括:
获取用户对数据进行操作的当前行为信息和历史行为信息;
将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
2.根据权利要求1所述的数据泄露提醒方法,其特征在于,所述当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,包括:
当确定所述第一行为标签为敏感行为标签,而所述第二行为标签不为敏感行为标签时,获取所述用户的多个第一历史行为标签;
统计所述多个第一历史行为标签中的第一历史行为标签为敏感行为标签的数量,得到第一数量;
当确定所述第一数量大于或等于第一预设阈值时,执行数据泄露提醒操作。
3.根据权利要求1所述的数据泄露提醒方法,其特征在于,所述当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作,包括:
当确定所述第一行为标签不为敏感行为标签,而所述第二行为标签为敏感行为标签时,获取所述用户的多个第二历史行为标签;
统计所述多个第二历史行为标签中的第二历史行为标签为敏感行为标签的数量,得到第二数量;
当确定所述第二数量大于或等于第二预设阈值时,执行数据泄露提醒操作。
4.根据权利要求1所述的数据泄露提醒方法,其特征在于,所述方法还包括:
获取用户对数据进行操作的多条行为信息;
按照预设敏感操作识别规则,对每条行为信息进行标注,得到标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集;
根据所述正样本数据集和负样本数据集对BERT模型进行训练,直到训练后的BERT模型收敛,得到所述预设BERT模型。
5.根据权利要求1所述的数据泄露提醒方法,其特征在于,所述方法还包括:
获取用户对数据进行操作的多条行为信息;
将每条行为信息输入至所述预设BERT模型,以确定每条行为信息的敏感行为识别结果;
根据每条行为信息的敏感行为识别结果,对每条行为信息进行标注,得到标注有行为敏感行为标签和非敏感行为标签的训练样本数据集;
根据所述训练样本数据集对LSTM模型进行训练,直到训练后的LSTM模型收敛,得到所述预设LSTM模型。
6.根据权利要求1-5中任一项所述的数据泄露提醒方法,其特征在于,所述执行数据泄露提醒操作,包括:
获取所述用户的身份识别码,并根据所述用户的身份识别码,生成数据泄露提醒信息;
将所述数据泄露提醒信息发送至关联的终端设备,以供所述终端设备输出所述数据泄露提醒信息。
7.根据权利要求1-5中任一项所述的数据泄露提醒方法,其特征在于,所述方法还包括:
当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,获取所述用户的身份识别码,并锁定与所述身份识别码关联的终端设备的显示界面。
8.一种数据泄露提醒装置,其特征在于,所述数据泄露提醒装置包括:
获取模块,用于获取用户对数据进行操作的当前行为信息和历史行为信息;
行为识别模块,用于将所述当前行为信息输入至预设BERT模型,以确定所述用户的第一行为标签,所述预设BERT模型是根据标注有敏感行为标签的正样本数据集以及标注有非敏感行为标签的负样本数据集对BERT模型进行训练得到的;
行为预测模块,用于将所述历史行为信息输入至预设LSTM模型,以确定所述用户的第二行为标签,所述预设LSTM模型根据标注有行为敏感行为标签和非敏感行为标签的训练样本数据集对LSTM模型进行训练得到的;
提醒模块,用于当确定所述第一行为标签为敏感行为标签,和/或所述第二行为标签为敏感行为标签时,执行数据泄露提醒操作。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的数据泄露提醒方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的数据泄露提醒方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888916.0A CN112069046B (zh) | 2020-08-28 | 2020-08-28 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
PCT/CN2020/136322 WO2021151360A1 (zh) | 2020-08-28 | 2020-12-15 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888916.0A CN112069046B (zh) | 2020-08-28 | 2020-08-28 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069046A true CN112069046A (zh) | 2020-12-11 |
CN112069046B CN112069046B (zh) | 2022-03-29 |
Family
ID=73660558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010888916.0A Active CN112069046B (zh) | 2020-08-28 | 2020-08-28 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112069046B (zh) |
WO (1) | WO2021151360A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151360A1 (zh) * | 2020-08-28 | 2021-08-05 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836411A (zh) * | 2021-09-22 | 2021-12-24 | 上海哔哩哔哩科技有限公司 | 数据处理方法、装置及计算机设备 |
CN116108491B (zh) * | 2023-04-04 | 2024-03-22 | 杭州海康威视数字技术股份有限公司 | 基于半监督联邦学习的数据泄露预警方法、装置及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190034798A1 (en) * | 2017-07-25 | 2019-01-31 | University Of Massachusetts Medical School | Method for Meta-Level Continual Learning |
CN109600305A (zh) * | 2019-01-17 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 提醒处理方法、设置方法及服务器、智能终端及介质 |
CN110287334A (zh) * | 2019-06-13 | 2019-09-27 | 淮阴工学院 | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 |
CN110413775A (zh) * | 2019-06-25 | 2019-11-05 | 北京清博大数据科技有限公司 | 一种数据打标签分类方法、装置、终端及存储介质 |
CN110717189A (zh) * | 2019-09-29 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 数据泄露识别方法、装置及设备 |
CN110909384A (zh) * | 2019-11-19 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 确定泄露用户信息的业务方的方法及装置 |
CN110990810A (zh) * | 2019-11-28 | 2020-04-10 | 中国建设银行股份有限公司 | 一种用户操作数据处理方法、装置、设备及存储介质 |
CN111046952A (zh) * | 2019-12-12 | 2020-04-21 | 深圳市随手金服信息科技有限公司 | 标签挖掘模型的建立方法、装置、存储介质及终端 |
CN111079084A (zh) * | 2019-12-04 | 2020-04-28 | 清华大学 | 一种基于长短时记忆网络的信息转发概率预测方法及系统 |
CN111104512A (zh) * | 2019-11-21 | 2020-05-05 | 腾讯科技(深圳)有限公司 | 游戏评论的处理方法及相关设备 |
CN111401061A (zh) * | 2020-03-19 | 2020-07-10 | 昆明理工大学 | 基于BERT及BiLSTM-Attention的涉案新闻观点句识别方法 |
CN111581476A (zh) * | 2020-04-28 | 2020-08-25 | 深圳合纵数据科技有限公司 | 基于bert跟lstm的一种智能化网页信息抽取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069046B (zh) * | 2020-08-28 | 2022-03-29 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-08-28 CN CN202010888916.0A patent/CN112069046B/zh active Active
- 2020-12-15 WO PCT/CN2020/136322 patent/WO2021151360A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190034798A1 (en) * | 2017-07-25 | 2019-01-31 | University Of Massachusetts Medical School | Method for Meta-Level Continual Learning |
CN109600305A (zh) * | 2019-01-17 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 提醒处理方法、设置方法及服务器、智能终端及介质 |
CN110287334A (zh) * | 2019-06-13 | 2019-09-27 | 淮阴工学院 | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 |
CN110413775A (zh) * | 2019-06-25 | 2019-11-05 | 北京清博大数据科技有限公司 | 一种数据打标签分类方法、装置、终端及存储介质 |
CN110717189A (zh) * | 2019-09-29 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 数据泄露识别方法、装置及设备 |
CN110909384A (zh) * | 2019-11-19 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 确定泄露用户信息的业务方的方法及装置 |
CN111104512A (zh) * | 2019-11-21 | 2020-05-05 | 腾讯科技(深圳)有限公司 | 游戏评论的处理方法及相关设备 |
CN110990810A (zh) * | 2019-11-28 | 2020-04-10 | 中国建设银行股份有限公司 | 一种用户操作数据处理方法、装置、设备及存储介质 |
CN111079084A (zh) * | 2019-12-04 | 2020-04-28 | 清华大学 | 一种基于长短时记忆网络的信息转发概率预测方法及系统 |
CN111046952A (zh) * | 2019-12-12 | 2020-04-21 | 深圳市随手金服信息科技有限公司 | 标签挖掘模型的建立方法、装置、存储介质及终端 |
CN111401061A (zh) * | 2020-03-19 | 2020-07-10 | 昆明理工大学 | 基于BERT及BiLSTM-Attention的涉案新闻观点句识别方法 |
CN111581476A (zh) * | 2020-04-28 | 2020-08-25 | 深圳合纵数据科技有限公司 | 基于bert跟lstm的一种智能化网页信息抽取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151360A1 (zh) * | 2020-08-28 | 2021-08-05 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021151360A1 (zh) | 2021-08-05 |
CN112069046B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069046B (zh) | 数据泄露提醒方法、装置、设备及计算机可读存储介质 | |
US10642995B2 (en) | Method and system for reducing risk score volatility | |
US11127088B2 (en) | Cross-blockchain interaction method, system, computer device, and storage medium | |
US11595430B2 (en) | Security system using pseudonyms to anonymously identify entities and corresponding security risk related behaviors | |
US8250045B2 (en) | Non-invasive usage tracking, access control, policy enforcement, audit logging, and user action automation on software applications | |
US11811799B2 (en) | Identifying security risks using distributions of characteristic features extracted from a plurality of events | |
US9934239B2 (en) | Restricting sensitive query results in information management platforms | |
CN112668041B (zh) | 单证文件的生成方法、装置、计算机设备和存储介质 | |
CN113726784B (zh) | 一种网络数据的安全监控方法、装置、设备及存储介质 | |
US20230153447A1 (en) | Automatic generation of security labels to apply encryption | |
CN108881230B (zh) | 一种政务大数据的安全传输方法及装置 | |
US11893130B2 (en) | Data lifecycle discovery and management | |
CN110245514B (zh) | 一种基于区块链的分布式计算方法及系统 | |
CN112202682A (zh) | 接口流量控制方法、装置、计算机设备及存储介质 | |
CN116112194A (zh) | 用户行为分析方法、装置、电子设备及计算机存储介质 | |
CN114493255A (zh) | 基于知识图谱的企业异常监控方法及其相关设备 | |
Tayyab et al. | Cryptographic based secure model on dataset for deep learning algorithms | |
US20240037570A1 (en) | Method for managing, evaluating and improving identity governance and administration | |
US20170228292A1 (en) | Privacy Protection of Media Files For Automatic Cloud Backup Systems | |
CN112036579B (zh) | 多分类模型自学习在线更新方法、系统及装置 | |
US9378357B2 (en) | Timing of password change requirements based on ambient intelligence | |
CN109214212B (zh) | 信息防泄露方法及装置 | |
Mehrotra | Data Privacy & Protection | |
US10853508B2 (en) | Method and system for reactive mining of computer screens | |
CN110598478B (zh) | 基于区块链的证据校验方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |