CN112070422A - 一种基于神经网络的安全测评师派工系统及方法 - Google Patents
一种基于神经网络的安全测评师派工系统及方法 Download PDFInfo
- Publication number
- CN112070422A CN112070422A CN202011221154.5A CN202011221154A CN112070422A CN 112070422 A CN112070422 A CN 112070422A CN 202011221154 A CN202011221154 A CN 202011221154A CN 112070422 A CN112070422 A CN 112070422A
- Authority
- CN
- China
- Prior art keywords
- user
- neural network
- information
- dispatching
- module
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 31
- 239000013604 expression vector Substances 0.000 claims description 20
- 238000011867 re-evaluation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的安全测评师派工系统及方法,其中系统包括用户信息数据模块,用户特征提取模块,测评派工图神经网络模块,初评派工策略总模块,复评派工策略模块和派工实施及跟踪模块。本发明的系统和方法将安全测评标准要求的测评任务的复杂影响因素全部包括在内,降低维度的同时在嵌入表达中充分体现了不同用户之间的内在联系,为每一个用户分派基于历史数据的第一轮测评和第二轮测评的最佳测评师,在系统中分别利用了深度自编码器和图神经网络技术,以获得最优分配方案。
Description
技术领域
本发明涉及保密通信领域,具体涉及一种基于神经网络的安全测评师派工系统及方法。
背景技术
随着国家的网络安全战略的展开,网络安全测评的需求迅速增长,为了面向迅速增加的用户数量及测评内容的复杂化,基于云的网络安全测评平台成为网络安全测评解决方案的关键技术。
网络安全测评平台面对数量庞大的用户,同时用户的网络及信息系统现状差异巨大,如何在有限资源的情况下为不同现状的用户提供最优服务成为亟待解决的问题;另一方面,网络安全测评师的资源也面临严重不足的情况,所以在相当长的时期内,测评平台需要面对测评师水平参差不齐的问题,而同时不同测评师针对不同类型网络安全问题的测评也有各自的优势和特点。
现有安全测评平台的测评师分派系统采用的是人工指派方法,系统提供测评师的测评历史信息,派工管理员根据自身经验及测评师的测评历史信息人工指定为特定用户提供服务的测评师。
现在的人工派工系统有明显的缺点:
1)为用户指派测评师的效果高度依赖于派工管理员的个人经验,效果不稳定。
2)随着网络安全测评的标准发展及网络安全态势的变化,网络安全测评的内容变得越来越复杂,影响测评师测评效果的因素迅速增长。完全依赖人工指派安全测评师,很难做到测评师与特定用户之间的最优匹配。
3)安全测评通常要进行两轮测评,即初评和复评。初评之后要根据结果精心设计并实施复评,因此复评对测评师的要求更高,对指派测评师的匹配度要求也更高。由于指派难度高,人工指派很多情况下为两轮测评指派相同的测评师,不能很好地针对两轮测评的不同特点进行测评师最优匹配。
因此,需要对现有的测评师派工系统进行改进,不再以人工派单为主,采用系统自动匹配实现,提高效率,获得最佳匹配方案。
发明内容
为了解决上述技术问题,本发明的提供一种基于用户特征和测评师测评历史的最优化派工系统,为每一个用户分派基于历史数据的第一轮测评和第二轮测评的最佳测评师,在系统中分别利用了深度自编码器和图神经网络技术,以获得最优分配方案的全测评师派工系统。
为实现上述目的,本发明采取的技术方案如下:一种基于神经网络的安全测评师派工系统,包括用户信息数据模块,用户特征提取模块,测评派工图神经网络模块,初评派工策略总模块,复评派工策略模块和派工实施及跟踪模块,其中:
所述用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,所述用户基础信息的原始表达向量为:
所述测评派工图神经网络模块:用于定期使用已测评用户特征向量生成以及训练图神经网络;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,C表示用户特征向量的维度。图卷积神经网络输出即为为用户分配的测评师ID: ,其中M是测评师的数量;
所述初评派工策略模块:在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师;
所述派工实施及跟踪模块:用于接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
所述初评结果分析模块:用于接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
一种基于深度自编码器和图神经网络的安全测评师派工方法,该方法应用了上述所述的系统,该方法包括以下步骤:
S1: 用户信息存储:采用用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,所述用户基础信息的原始表达向量为:
S3: 生成及训练图神经网络:利用定期使用已测评用户特征向量生成以及训练图神经网络;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,C表示用户特征向量的维度。图卷积神经网络输出即为为用户分配的测评师ID:,其中M是测评师的数量;
S4:生成初评派工策略:在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师;
S5:派工的实施及跟踪:接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
S6:对初评结果分析:接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
S7:生成复评派工策略:在定期训练的图神经网络的基础上添加待测评用户的最终特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配复评测评师。
本发明有益的技术效果:
1) 本发明采用深度自编码器将综合了测评用户的管理类信息、硬件类信息、软件类信息、网络类信息和脆弱性信息的原始信息压缩到低维度特征空间,将安全测评标准要求的测评任务的复杂影响因素全部包括在内,降低维度的同时在嵌入表达中充分体现了不同用户之间的内在联系。
2) 使用安全测评用户信息特征的嵌入表达向量,计算安全测评用户之间内在的相似度,在后续安全测评师分配过程中获得充分利用。
3) 基于测评用户相似度构造的无向图,使用图卷积神经网络用半监督分类的方式为待测评用户分配最佳的测评师,能够更全面准确地完成测评师的最佳分配。
4) 使用已测评用户的历史数据定期训练更新图卷积神经网络,在为待测评用户进行测评师分类时加速了神经网络的训练,提升了分配效率。
5) 将初评和复评的测评师分配区分开来,基于初评结果为用户信息补足脆弱性信息重新进行分配,能够在复评测评师分配过程中有更明确的针对性,获得更好的测评效果。
附图说明
图1为本发明一种基于神经网络的安全测评师派工系统的整体框架示意图。
图2为本发明一种基于神经网络的安全测评师派工方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明,但本发明要求保护的范围并不局限于下述具体实施例。
如图1所示,一种基于神经网络的安全测评师派工系统及方法,包括用户信息数据模块,用户特征提取模块,测评派工图神经网络模块,初评派工策略总模块,复评派工策略模块和派工实施及跟踪模块,其中:
所述用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,用户基础信息至少包括安全测评用户的被测评环境、资产及用户一般性信息。
所述用户特征提取模块通过深度自编码器(DAE Deep AutoEncoder,为现有的编码器,是一种深度神经网络,使用无监督的学习算法,主要用于数据的降维或者特征的抽取)将用户基础信息压缩到用户特征空间获得嵌入表达,所述用户基础信息的原始表达向量为:
表示管理类信息子向量、表示硬件资产类信息子向量、 表示软件资产类子向量、表示网络信息子向量、表示脆弱点信息子向量;采用深度自编码器将综合了测评用户的管理类信息、硬件类信息、软件类信息、网络类信息和脆弱性信息的原始信息压缩到低维度特征空间,将安全测评标准要求的测评任务的复杂影响因素全部包括在内,降低维度的同时在嵌入表达中充分体现了不同用户之间的内在联系。
以上的用户信息的原始表达向量作为输入向量,输入深度自编码器进行压缩编码,即,获得的编码结果向量维度记为,远小于原始向量的维度。为此,系统定期使用已测评的历史用户信息对深度自编码器进行训练更新。当新的待测评用户信息到达时,直接用最近更新的深度自编码获得特征空间的嵌入表达。
所述测评派工图神经网络模块:用于定期使用已测评用户特征向量生成以及训练图神经网络, 使用已测评用户的历史数据定期训练更新图卷积神经网络,在为待测评用户进行测评师分类时加速了神经网络的训练,提升了分配效率;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,C表示用户特征向量的维度。图卷积神经网络输出即为为用户分配的测评师ID:,其中M是测评师的数量。
计算安全测评用户之间内在的相似度,可以充分为后续安全测评师分配提供更好的数据分析,使分配工作更精准。基于测评用户相似度构造的无向图,使用图卷积神经网络用半监督分类的方式为待测评用户分配最佳的测评师,能够更全面准确地完成测评师的最佳分配。
所述初评派工策略模块:以批处理的方式为一批待分配初评测评师的用户进行初评测评师分配,对于初评用户,由于尚不知用户信息化系统的脆弱点情况,因此初评时用户信息原始向量中脆弱点信息子向量置为全零进入深度自编码器获得嵌入向量表达。在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师。
所述派工实施及跟踪模块:用于接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
所述初评结果分析模块:用于接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE(Common Vulnerabilities &Exposures,通用漏洞披露,CVE是一个字典表,为广泛认同的信息安全漏洞或者已经暴露出来的弱点给出一个公共的名称)分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
所述复评派工策略模块:以批处理的方式为一批待分配复评测评师的用户进行复评测评师分配,在定期训练的图神经网络的基础上添加待测评用户的最终特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配复评测评师。
将初评和复评的测评师分配区分开来,基于初评结果为用户信息补足脆弱性信息重新进行分配,能够在复评测评师分配过程中有更明确的针对性,获得更好的测评效果。
一种基于深度自编码器和图神经网络的安全测评师派工方法,该方法应用了上述所述的系统,该方法包括以下步骤:
S1: 用户信息存储:采用用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,所述用户基础信息的原始表达向量为:
S3: 生成及训练图神经网络:利用定期使用已测评用户特征向量生成以及训练图神经网络;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,即用户特征向量的维度。图卷积神经网络输出即为为用户分配的测评师ID:,其中M是测评师的数量;
S4:生成初评派工策略:在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师;
S5:派工的实施及跟踪:接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
S6:对初评结果分析:接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
S7:生成复评派工策略:在定期训练的图神经网络的基础上添加待测评用户的最终特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配复评测评师。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对发明构成任何限制。
Claims (8)
1.一种基于神经网络的安全测评师派工系统,其特征在于,包括用户信息数据模块,用户特征提取模块,测评派工图神经网络模块,初评派工策略总模块,复评派工策略模块和派工实施及跟踪模块,其中:
所述用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,所述用户基础信息的表达向量为:
所述测评派工图神经网络模块:用于定期使用已测评用户特征向量生成以及训练图神经网络;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,C表示用户特征向量的维度,图卷积神经网络输出即为用户分配的测评师ID:,其中M是测评师的数量;
所述初评派工策略模块:在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师;
所述派工实施及跟踪模块:用于接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
所述初评结果分析模块:用于接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
8.一种基于神经网络的安全测评师派工方法,该方法应用了如权利要求1-7任一所述的系统,其特征在于:该方法包括以下步骤:
S1: 用户信息存储:采用用户信息数据模块用于存储已测评用户及待测评用户的用户基础信息,所述用户基础信息的原始表达向量为:
S3: 生成及训练图神经网络:利用定期使用已测评用户特征向量生成以及训练图神经网络;
生成以及训练图神经网络过程如下:
其中,以此邻接矩阵构造一个无向图,边的权重为两个顶点对应的用户特征向量的相似度,构造一个图卷积神经网络,输入层通道数为,C表示用户特征向量的维度,图卷积神经网络输出即为为用户分配的测评师ID:,其中M是测评师的数量;
S4:生成初评派工策略:在定期训练的图神经网络的基础上添加待测评用户的特征向量对应的顶点构成新的图,以已分配测评师的用户顶点为目标训练图神经网络,完成半监督的分类任务,为待测评用户分配初评测评师;
S5:派工的实施及跟踪:接收来自派工策略模块发出的测评师分配策略,在测评管理系统中发出派工指令,并跟踪派工后每个用户测评任务的执行情况;
S6:对初评结果分析:接收来自派工实施及跟踪模块发送过来的用户初评结果,根据初评结果查找漏洞情况,按通用漏洞披露CVE分类汇总形成用户的脆弱点信息子向量,填充到用户的原始信息表达向量中,形成完整的用户原始信息表达,在经过深度自编码器后获得用户最终的特征向量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221154.5A CN112070422B (zh) | 2020-11-05 | 2020-11-05 | 一种基于神经网络的安全测评师派工系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221154.5A CN112070422B (zh) | 2020-11-05 | 2020-11-05 | 一种基于神经网络的安全测评师派工系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070422A true CN112070422A (zh) | 2020-12-11 |
CN112070422B CN112070422B (zh) | 2021-07-30 |
Family
ID=73655410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011221154.5A Active CN112070422B (zh) | 2020-11-05 | 2020-11-05 | 一种基于神经网络的安全测评师派工系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070422B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110555881A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于卷积神经网络的视觉slam测试方法 |
CN110633734A (zh) * | 2019-08-22 | 2019-12-31 | 成都信息工程大学 | 一种基于图论相关理论进行异常检测的方法 |
CN110705585A (zh) * | 2019-08-22 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 网络欺诈识别方法、装置、计算机装置及存储介质 |
CN110717617A (zh) * | 2019-09-09 | 2020-01-21 | 广东工业大学 | 一种基于深度图网络自编码器的无监督关系预测方法 |
CN110795937A (zh) * | 2019-09-25 | 2020-02-14 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
CN111291212A (zh) * | 2020-01-24 | 2020-06-16 | 复旦大学 | 基于图卷积神经网络的零样本草图图像检索方法和系统 |
US20200234145A1 (en) * | 2019-01-23 | 2020-07-23 | Deepmind Technologies Limited | Action selection using interaction history graphs |
CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-11-05 CN CN202011221154.5A patent/CN112070422B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200234145A1 (en) * | 2019-01-23 | 2020-07-23 | Deepmind Technologies Limited | Action selection using interaction history graphs |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110633734A (zh) * | 2019-08-22 | 2019-12-31 | 成都信息工程大学 | 一种基于图论相关理论进行异常检测的方法 |
CN110705585A (zh) * | 2019-08-22 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 网络欺诈识别方法、装置、计算机装置及存储介质 |
CN110555881A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于卷积神经网络的视觉slam测试方法 |
CN110717617A (zh) * | 2019-09-09 | 2020-01-21 | 广东工业大学 | 一种基于深度图网络自编码器的无监督关系预测方法 |
CN110795937A (zh) * | 2019-09-25 | 2020-02-14 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
CN111291212A (zh) * | 2020-01-24 | 2020-06-16 | 复旦大学 | 基于图卷积神经网络的零样本草图图像检索方法和系统 |
CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
XIAOYUAN LI: "Fear-related Visual Information Transfer Characteristics of the Lateral Posterior Thalamic Nucleus", 《ICBET 2020: PROCEEDINGS OF THE 2020 10TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND TECHNOLOGY》 * |
徐冰冰: "图卷积神经网络综述", 《计算机学报》 * |
易东义: "基于图卷积神经网络的医保欺诈检测算法", 《计算机应用》 * |
白铂: "图神经网络", 《中国科学:数学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070422B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Małkowska et al. | The impact of digital transformation on European countries: Insights from a comparative analysis | |
Goodman | Association models and canonical correlation in the analysis of cross-classifications having ordered categories | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN110084377A (zh) | 用于构建决策树的方法和装置 | |
Mohammad et al. | Customer churn prediction in telecommunication industry using machine learning classifiers | |
CN111614615A (zh) | 一种变电站电力监控系统网络安全量化评估方法 | |
US20180260446A1 (en) | System and method for building statistical predictive models using automated insights | |
CN111898839A (zh) | 电力用户的重要程度分类方法及装置 | |
CN114372871A (zh) | 信用评分值的确定方法及其装置、电子设备及存储介质 | |
CN113986660A (zh) | 系统调整策略的匹配方法、装置、设备及存储介质 | |
CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及系统 | |
CN112070422B (zh) | 一种基于神经网络的安全测评师派工系统及方法 | |
CN113487241A (zh) | 企业环保信用等级的分类方法、装置、设备及存储介质 | |
Smith | Mission dependency index of air force built infrastructure: Knowledge discovery with machine learning | |
KR20040104853A (ko) | 정보 자산의 위험 분석 시스템 | |
CN116468273A (zh) | 客户风险识别方法及装置 | |
CN115345489A (zh) | 基于服务层的云计算风险分析方法及分析系统 | |
CN116579640A (zh) | 电力营销服务渠道用户体验评估方法及系统 | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
CN113139191B (zh) | 一种漏洞处置修复优先级的统计方法 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
Kulkarni et al. | Barriers to Industry 4.0 adoption: Indian scenario | |
EP3876158A1 (en) | Method and system for adjusting a machine learning output | |
Simonetta et al. | Integrating SQuaRE data quality model with ISO 31000 risk management to measure and mitigate software bias | |
CN113449318A (zh) | 一种数据分级模型训练方法、装置、数据分级方法、装置 |
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 |