CN112417495A - —种基于深度学习来更新白名单的方法 - Google Patents
—种基于深度学习来更新白名单的方法 Download PDFInfo
- Publication number
- CN112417495A CN112417495A CN202011172960.8A CN202011172960A CN112417495A CN 112417495 A CN112417495 A CN 112417495A CN 202011172960 A CN202011172960 A CN 202011172960A CN 112417495 A CN112417495 A CN 112417495A
- Authority
- CN
- China
- Prior art keywords
- data
- white list
- deep learning
- user
- screened
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 60
- 230000000903 blocking effect Effects 0.000 claims abstract description 22
- 230000002349 favourable effect Effects 0.000 claims description 26
- 230000002411 adverse Effects 0.000 claims description 10
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 231100000279 safety data Toxicity 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002155 anti-virotic effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
-
- 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 Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了—种基于深度学习来更新白名单的方法，包括以下步骤，步骤1：基于白名单对获取的用户信息进行第一步筛选；通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
Description
技术领域
本发明属于深度学习技术领域，具体涉及—种基于深度学习来更新白名单的方法。
背景技术
深度学习(也称为深度结构化学习或分层学习)是基于人工神经网络的更广泛的机器学习方法族的一部分；学习可以是有监督的、半监督的或无监督的；大多数现代的深度学习模型基于人工神经网络，特别是卷积神经网络 (CNN)，尽管它们也可以包括命题公式或在深度生成模型中逐层组织的潜变量，例如深度信念网络和深度玻尔兹曼机中的节点；在深度学习中，每一级学习将其输入数据转换成稍微抽象和复合的表示；重要的是，深入的学习过程可以学习将哪些特征放在哪个级别上是最优的。
白名单的概念与“黑名单”相对应；例如：在电脑系统里，有很多软件都应用到了黑白名单规则，操作系统、防火墙、杀毒软件、邮件系统、应用软件等，凡是涉及到控制方面几乎都应用了黑白名单规则；黑名单启用后，被列入到黑名单的用户(或IP地址、IP包、邮件、病毒等)不能通过；如果设立了白名单，则在白名单中的用户(或IP地址、IP包、邮件等)会优先通过，不会被当成垃圾邮件拒收，安全性和快捷性都大大提高；将其含义扩展一步，那么凡有黑名单功能的应用，就会有白名单功能与其对应。
由于用户数据较为庞大，白名单在对用户信息进行存储时，需要对用户数据进行严密的检测，过滤掉含有不良信息的数据，而对于符合白名单要求的数据还要对人为操控行为进行检测，防止人为盗用白名单用户的数据进行不规范操作，进而保证了白名单对用户数据获取的准确性和安全性，为此提出了—种基于深度学习来更新白名单的方法。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供—种基于深度学习来更新白名单的方法，以解决上述背景技术中提出的白名单在对用户信息进行存储时，需要对用户数据进行严密的检测，过滤掉含有不良信息的数据，而对于符合白名单要求的数据还要对人为操控行为进行检测，防止人为盗用白名单用户的数据进行不规范操作的问题。
为实现上述目的，本发明提供如下技术方案：—种基于深度学习来更新白名单的方法，包括以下步骤，
步骤1：基于白名单对获取的用户信息进行第一步筛选；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单。
优选的，所述步骤1包括以下步骤，
步骤1.1：针对用户数据进行获取；
步骤1.2：针对用户操作数据进行获取。
优选的，所述步骤2包括以下步骤，
步骤2.1：基于深度学习针对第一步筛选出的白名单数据进行操作数据检测；
步骤2.2：针对白名单数据中非规范操作数据进行阻拦、警报和记录；
步骤2.3：针对白名单数据中规范操作数据进行放行。
优选的，所述步骤3包括以下步骤，
步骤3.1：基于深度学习针对第一步筛选的非白名单数据进行检测；
步骤3.2：基于深度学习针对有利数据进行第二步筛选；
步骤3.3：基于深度学习针对不利数据进行阻拦、警报和记录。
优选的，所述步骤4包括以下步骤，
步骤4.1：基于深度学习针对第二步筛选的有利数据进行操作数据获取；
步骤4.2：基于深度学习针对有利数据的操作数据进行检测；
步骤4.3：针对操作数据得到规范操作和非规范操作结果。
优选的，所述步骤5包括以下步骤，
步骤5.1：针对筛选出的白名单用户数据和操作数据均有利的用户的信息存储到白名单；
步骤5.2：针对筛选出的非白名单数据和其操作数据均有利的用户数据存储到白名单。
优选的，所述步骤1.1包括以下步骤，
步骤1.1.1：针对用户登录信息与数据库作对比；
步骤1.1.2：针对数据库对比结果识别出管理员身份和普通用户身份；
步骤1.1.3：针对管理员身份进行图像等信息验证。
优选的，所述步骤1.2包括以下步骤，
步骤1.2.1：针对用户操作获取并记录用户的操作途径；
步骤1.2.2：针对获取的用户操作数据进行数据整合。
优选的，所述步骤5.2包括以下步骤，
步骤5.2.1：针对存储到白名单的数据进行日志记录；
步骤5.2.2：针对已存入白名单的数据开启可信用服务。
与现有技术相比，本发明提供了—种基于深度学习来更新白名单的方法，具备以下有益效果：
1、本发明通过将用户信息与白名单数据进行对比，对登陆的用户进行初步进行筛选，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新；
2、本发明通过将每次获取的有利数据和不利数据以及不规范操作数据通过记录日志进行存储，便于后台对不利信息进行分析，对新加入白名单的用户信息进一步核实，同时防止登录日志丢失，可以更好地便于对黑名单进行更新和检索，保证了白名单的安全性。
该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本发明结构科学合理，使用安全方便，为人们提供了很大的帮助。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
图1为本发明提出的—种基于深度学习来更新白名单的方法的程序框图；
图2为本发明提出的—种基于深度学习来更新白名单的方法中数据集合的示意图；
图3为本发明提出的—种基于深度学习来更新白名单的方法的逻辑顺序框图；
图4为本发明提出的—种基于深度学习来更新白名单的方法的数据判断框图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一、
请参阅图1-4，本发明提供一种技术方案：—种基于深度学习来更新白名单的方法，包括以下步骤，
步骤1：基于白名单对获取的用户信息进行第一步筛选；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单。
本发明的工作原理及使用流程：使用时，获取用户数据后，通过将用户信息与白名单数据进行对比，对登陆的用户进行初步进行筛选，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
实施例二、
请参阅图1-4，本发明提供一种技术方案：—种基于深度学习来更新白名单的方法，包括以下步骤，
步骤1：基于白名单对获取的用户信息进行第一步筛选；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单，获取用户数据后，通过将用户信息与白名单数据进行对比，对登陆的用户进行初步进行筛选，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
本发明中，优选的，步骤1包括以下步骤，
步骤1.1：针对用户数据进行获取；
步骤1.2：针对用户操作数据进行获取，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范。
本发明中，优选的，步骤2包括以下步骤，
步骤2.1：基于深度学习针对第一步筛选出的白名单数据进行操作数据检测；
步骤2.2：针对白名单数据中非规范操作数据进行阻拦、警报和记录；
步骤2.3：针对白名单数据中规范操作数据进行放行，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作。
本发明中，优选的，步骤3包括以下步骤，
步骤3.1：基于深度学习针对第一步筛选的非白名单数据进行检测；
步骤3.2：基于深度学习针对有利数据进行第二步筛选；
步骤3.3：基于深度学习针对不利数据进行阻拦、警报和记录，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，并且记录，便于对不良数据进行分析。
本发明中，优选的，步骤4包括以下步骤，
步骤4.1：基于深度学习针对第二步筛选的有利数据进行操作数据获取；
步骤4.2：基于深度学习针对有利数据的操作数据进行检测；
步骤4.3：针对操作数据得到规范操作和非规范操作结果，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，分为规范操作和不规范操作。
本发明中，优选的，步骤5包括以下步骤，
步骤5.1：针对筛选出的白名单用户数据和操作数据均有利的用户的信息存储到白名单；
步骤5.2：针对筛选出的非白名单数据和其操作数据均有利的用户数据存储到白名单，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
本发明的工作原理及使用流程：使用时，
步骤1：基于白名单对获取的用户信息进行第一步筛选,首先获取用户信息，对用户数据和用户操作数据同时进行获取，对管理员身份进行图像等信息验证，依据大数据对管理员身份进行核实，迅速识破盗用者身份，然后与白名单数据进行对比，可以得到符合白名单的数据和非白名单数据；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选，针对第一步筛选出的白名单数据进行操作数据检测，对白名单数据中非规范操作数据进行阻拦、警报和记录，对白名单数据中规范操作数据进行放行，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选，针对第一步筛选的非白名单数据进行检测，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，并且记录，便于对不良数据进行分析；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选，针对第二步筛选的有利数据进行操作数据获取，基于深度学习针对有利数据的操作数据进行检测，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，分为规范操作和不规范操作；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单，白名单用户数据和操作数据均有利的用户的信息存储到白名单，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
实施例三、
请参阅图1-4，本发明提供一种技术方案：—种基于深度学习来更新白名单的方法，包括以下步骤，
步骤1：基于白名单对获取的用户信息进行第一步筛选；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单，获取用户数据后，通过将用户信息与白名单数据进行对比，对登陆的用户进行初步进行筛选，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
本发明中，优选的，步骤1包括以下步骤，
步骤1.1：针对用户数据进行获取；
步骤1.2：针对用户操作数据进行获取，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范。
本发明中，优选的，步骤2包括以下步骤，
步骤2.1：基于深度学习针对第一步筛选出的白名单数据进行操作数据检测；
步骤2.2：针对白名单数据中非规范操作数据进行阻拦、警报和记录；
步骤2.3：针对白名单数据中规范操作数据进行放行，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作。
本发明中，优选的，步骤3包括以下步骤，
步骤3.1：基于深度学习针对第一步筛选的非白名单数据进行检测；
步骤3.2：基于深度学习针对有利数据进行第二步筛选；
步骤3.3：基于深度学习针对不利数据进行阻拦、警报和记录，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，并且记录，便于对不良数据进行分析。
本发明中，优选的，步骤4包括以下步骤，
步骤4.1：基于深度学习针对第二步筛选的有利数据进行操作数据获取；
步骤4.2：基于深度学习针对有利数据的操作数据进行检测；
步骤4.3：针对操作数据得到规范操作和非规范操作结果，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，分为规范操作和不规范操作。
本发明中，优选的，步骤5包括以下步骤，
步骤5.1：针对筛选出的白名单用户数据和操作数据均有利的用户的信息存储到白名单；
步骤5.2：针对筛选出的非白名单数据和其操作数据均有利的用户数据存储到白名单，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新。
本发明中，优选的，步骤1.1包括以下步骤，
步骤1.1.1：针对用户登录信息与数据库作对比；
步骤1.1.2：针对数据库对比结果识别出管理员身份和普通用户身份；
步骤1.1.3：针对管理员身份进行图像等信息验证，依据大数据对管理员身份进行核实，迅速识破盗用者身份。
本发明中，优选的，步骤1.2包括以下步骤，
步骤1.2.1：针对用户操作获取并记录用户的操作途径；
步骤1.2.2：针对获取的用户操作数据进行数据整合，基于深度学习将整合后的数据进行检测。
本发明中，优选的，步骤5.2包括以下步骤，
步骤5.2.1：针对存储到白名单的数据进行日志记录；
步骤5.2.2：针对已存入白名单的数据开启可信用服务，将每次获取的有利数据和不利数据以及不规范操作数据通过记录日志进行存储，便于后台对不利信息进行分析，对新加入白名单的用户信息进一步核实，同时防止登录日志丢失，可以更好地便于对黑名单进行更新和检索，保证了白名单的安全性。
本发明的工作原理及使用流程：使用时，
步骤1：基于白名单对获取的用户信息进行第一步筛选,首先获取用户信息，对用户数据和用户操作数据同时进行获取，对管理员身份进行图像等信息验证，依据大数据对管理员身份进行核实，迅速识破盗用者身份，然后与白名单数据进行对比，可以得到符合白名单的数据和非白名单数据；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选，针对第一步筛选出的白名单数据进行操作数据检测，对白名单数据中非规范操作数据进行阻拦、警报和记录，对白名单数据中规范操作数据进行放行，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选，针对第一步筛选的非白名单数据进行检测，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，并且记录，便于对不良数据进行分析；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选，针对第二步筛选的有利数据进行操作数据获取，基于深度学习针对有利数据的操作数据进行检测，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，分为规范操作和不规范操作；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单，白名单用户数据和操作数据均有利的用户的信息存储到白名单，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新；
总体而言，通过将用户信息与白名单数据进行对比，对登陆的用户进行初步进行筛选，对于符合白名单要求的用户数据，通过深度学习对用户接下来的操作进行多级分析，进行第二次筛选，判断用户操作是否规范，对于存在操作不规范的用户将进行阻拦和警告并且移除白名单，防止非法分子盗用白名单用户信息进行不规范操作，对于不符合白名单要求的数据，通过深度学习对数据信息进行模拟和判断，将不符合白名单要求的数据直接进行阻拦，对于符合白名单的数据暂时通过，然后再次根据用户操作是否规范对新的符合白名单要求的数据进行第三次筛选，将既安全数据又操作规范的用户数据录入白名单，进而使白名单进行更新，通过将每次获取的有利数据和不利数据以及不规范操作数据通过记录日志进行存储，便于后台对不利信息进行分析，对新加入白名单的用户信息进一步核实，同时防止登录日志丢失，可以更好地便于对黑名单进行更新和检索，保证了白名单的安全性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于深度学习来更新白名单的方法，其特征在于：包括以下步骤，
步骤1：基于白名单对获取的用户信息进行第一步筛选；
步骤2：基于深度学习对第一步筛选出的白名单数据进行第二步筛选；
步骤3：基于深度学习对第一步筛选出的非白名单数据进行第二步筛选；
步骤4：基于深度学习对第二步筛选的非白名单数据进行第三步筛选；
步骤5：基于深度学习对第一步筛选出的白名单用户数据和对第三次筛选出的非白名单数据存储到白名单。
2.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤1包括以下步骤，
步骤1.1：针对用户数据进行获取；
步骤1.2：针对用户操作数据进行获取。
3.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤2包括以下步骤，
步骤2.1：基于深度学习针对第一步筛选出的白名单数据进行操作数据检测；
步骤2.2：针对白名单数据中非规范操作数据进行阻拦、警报和记录；
步骤2.3：针对白名单数据中规范操作数据进行放行。
4.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤3包括以下步骤，
步骤3.1：基于深度学习针对第一步筛选的非白名单数据进行检测；
步骤3.2：基于深度学习针对有利数据进行第二步筛选；
步骤3.3：基于深度学习针对不利数据进行阻拦、警报和记录。
5.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤4包括以下步骤，
步骤4.1：基于深度学习针对第二步筛选的有利数据进行操作数据获取；
步骤4.2：基于深度学习针对有利数据的操作数据进行检测；
步骤4.3：针对操作数据得到规范操作和非规范操作结果。
6.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤5包括以下步骤，
步骤5.1：针对筛选出的白名单用户数据和操作数据均有利的用户的信息存储到白名单；
步骤5.2：针对筛选出的非白名单数据和其操作数据均有利的用户数据存储到白名单。
7.根据权利要求2所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤1.1包括以下步骤，
步骤1.1.1：针对用户登录信息与数据库作对比；
步骤1.1.2：针对数据库对比结果识别出管理员身份和普通用户身份；
步骤1.1.3：针对管理员身份进行图像等信息验证。
8.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤1.2包括以下步骤，
步骤1.2.1：针对用户操作获取并记录用户的操作途径；
步骤1.2.2：针对获取的用户操作数据进行数据整合。
9.根据权利要求1所述的—种基于深度学习来更新白名单的方法，其特征在于：所述步骤5.2包括以下步骤，
步骤5.2.1：针对存储到白名单的数据进行日志记录；
步骤5.2.2：针对已存入白名单的数据开启可信用服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011172960.8A CN112417495A (zh) | 2020-10-28 | 2020-10-28 | —种基于深度学习来更新白名单的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011172960.8A CN112417495A (zh) | 2020-10-28 | 2020-10-28 | —种基于深度学习来更新白名单的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112417495A true CN112417495A (zh) | 2021-02-26 |
Family
ID=74841438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011172960.8A Pending CN112417495A (zh) | 2020-10-28 | 2020-10-28 | —种基于深度学习来更新白名单的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417495A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7640589B1 (en) * | 2009-06-19 | 2009-12-29 | Kaspersky Lab, Zao | Detection and minimization of false positives in anti-malware processing |
| CN110222176A (zh) * | 2019-05-24 | 2019-09-10 | 苏宁易购集团股份有限公司 | 一种文本数据的清洗方法、系统及可读存储介质 |
| CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
-
2020
- 2020-10-28 CN CN202011172960.8A patent/CN112417495A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7640589B1 (en) * | 2009-06-19 | 2009-12-29 | Kaspersky Lab, Zao | Detection and minimization of false positives in anti-malware processing |
| CN110222176A (zh) * | 2019-05-24 | 2019-09-10 | 苏宁易购集团股份有限公司 | 一种文本数据的清洗方法、系统及可读存储介质 |
| CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107291911B (zh) | 一种异常检测方法和装置 | |
| CN108566364B (zh) | 一种基于神经网络的入侵检测方法 | |
| CN106973038B (zh) | 基于遗传算法过采样支持向量机的网络入侵检测方法 | |
| CN108200030A (zh) | 恶意流量的检测方法、系统、装置及计算机可读存储介质 | |
| CN112184091B (zh) | 工控系统安全威胁评估方法、装置和系统 | |
| CN108965340B (zh) | 一种工业控制系统入侵检测方法及系统 | |
| CN111881451B (zh) | 一种工业控制系统的漏洞关联挖掘方法 | |
| CN106936812B (zh) | 一种云环境下基于Petri网的文件隐私泄露检测方法 | |
| CN114553523A (zh) | 基于攻击检测模型的攻击检测方法及装置、介质、设备 | |
| CN112671767B (zh) | 一种基于告警数据分析的安全事件预警方法及装置 | |
| CN112769840B (zh) | 一种基于强化学习Dyna框架的网络攻击行为识别方法 | |
| Yu et al. | Anomaly intrusion detection based upon data mining techniques and fuzzy logic | |
| CN112765660A (zh) | 一种基于MapReduce并行聚类技术的终端安全性分析方法和系统 | |
| CN112417495A (zh) | —种基于深度学习来更新白名单的方法 | |
| CN114584391B (zh) | 异常流量处理策略的生成方法、装置、设备及存储介质 | |
| CN114629711B (zh) | 一种针对Windows平台特种木马检测的方法及系统 | |
| CN114285596B (zh) | 基于机器学习的变电站终端账号异常检测方法 | |
| CN115085956B (zh) | 入侵检测方法、装置、电子设备及存储介质 | |
| CN112257053B (zh) | 一种基于通用对抗扰动的图像验证码生成方法及系统 | |
| CN114338147B (zh) | 一种口令爆破攻击的检测方法及装置 | |
| Deshpande | A Review on Intrusion Detection System using Artificial Intelligence Approach | |
| CN116991680B (zh) | 一种日志降噪方法及电子设备 | |
| CN111131248B (zh) | 一种网站应用安全缺陷检测模型建模方法及缺陷检测方法 | |
| Xiang et al. | Applying fuzzy data mining to network unsupervised anomaly detection | |
| Terumalasetti et al. | A Sophisticated Deep Learning Framework of Advanced Techniques to Detect Malicious Users in Online Social Networks. |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |