CN112541573A - 一种神经网络的训练方法和装置 - Google Patents
一种神经网络的训练方法和装置 Download PDFInfo
- Publication number
- CN112541573A CN112541573A CN202011393945.6A CN202011393945A CN112541573A CN 112541573 A CN112541573 A CN 112541573A CN 202011393945 A CN202011393945 A CN 202011393945A CN 112541573 A CN112541573 A CN 112541573A
- Authority
- CN
- China
- Prior art keywords
- asset
- characteristic values
- information
- network
- neural network
- 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
- 238000012549 training Methods 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本公开提供了一种神经网络的训练方法和装置。本公开将多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告作为训练样本,对神经网络进行训练。以便该神经网络能够对多种标记类型的资产特征值进行监测,并对系统数字资产进行综合预警,生成系统数字资产的综合预警报告。
Description
技术领域
本公开涉及计算机管理领域,具体而言,涉及一种神经网络的训练方法和装置,以及一种管理系统数字资产的方法和装置。
背景技术
系统数字资产,包括网络运行设备的状态信息、性能信息和安全信息。
系统数字资产管理是对数字资产进行监测和预警。
目前,针对系统数字资产的管理,仅仅局限于对局部资产的监测报告,而局部资产的监测报告之间缺乏连贯性和可读性,缺乏对系统数字资产整体情况的监测和预警。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的目的在于提供一种神经网络的训练方法和装置,以及一种管理系统数字资产的方法和装置,能够解决上述提到的至少一个技术问题。具体方案如下:
根据本公开的具体实施方式,第一方面,本公开提供一种神经网络的训练方法,包括:
获取系统数字资产的多组训练样本,其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
根据本公开的具体实施方式,第二方面,本公开提供一种神经网络的训练装置,包括:
获取训练样本单元,用于获取系统数字资产的多组训练样本,其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
训练单元,用于将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
根据本公开的具体实施方式,第三方面,本公开提供一种管理系统数字资产的方法,包括:
获取系统数字资产的一组多种标记类型的资产特征值,其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告,其中,所述第一神经网络经过如第一方面所述训练方法的训练。
根据本公开的具体实施方式,第四方面,本公开提供一种管理系统数字资产的装置,包括:
获取特征值单元,用于获取系统数字资产的一组多种标记类型的资产特征值,其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
输出单元,用于将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告,其中,所述第一神经网络经过如第一方面所述训练方法的训练。
本公开实施例的上述方案与现有技术相比,至少具有以下有益效果:
本公开提供了一种神经网络的训练方法和装置,以及一种管理系统数字资产的方法和装置。本公开将多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告作为训练样本,对神经网络进行训练。以便该神经网络能够对多种标记类型的资产特征值进行监测,并对系统数字资产进行综合预警,生成系统数字资产的综合预警报告。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。在附图中:
图1示出了根据本公开实施例的神经网络的训练方法的流程图;
图2示出了根据本公开实施例的神经网络的训练装置的单元框图;
图3示出了根据本公开实施例的管理系统数字资产的方法的流程图;
图4示出了根据本公开实施例的管理系统数字资产的装置的单元框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面结合附图详细说明本公开的可选实施例。
对本公开提供的第一实施例,即一种神经网络的训练方法的实施例。
下面结合图1对本公开实施例进行详细说明。
步骤S101,获取系统数字资产的多组训练样本。
所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息。
对于网络设备的状态信息,所述系统数字资产包括网络丢包率信息和网络延时信息。
对于网络设备的性能信息,所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量。
对于网络设备的安全信息,所述系统数字资产包括系统日志。
对网络设备进行注册,目的是为了能够自动检测网络设备的系统数字资产,及时通过系统数字资产对应的资产特征值对系统数字资产进行管理。例如,注册信息,包括:网络设备的IP地址、域名和/或端口。
对应网络设备的状态信息,所述资产特征值包括用于表征网络连接性的网络在线状态特征值。
对应网络设备的性能信息,所述资产特征值包括用于表征网络活动的基础状态特征值。
对应网络设备的安全信息,所述资产特征值包括用于表征系统操作安全的自检安全特征值以及通过第三方工具对系统进行安全检测生成的第三方检测安全特征值。
现有技术仅仅能够对单个的资产特征值进行监测和预警,本公开实施例的目的是要训练出一个神经网络,例如,对长短期记忆人工神经网络(英文全称Long Short-TermMemory,简称LSTM)进行训练。该神经网络能够对多种标记类型的资产特征值进行监测,并对系统数字资产进行综合预警,生成系统数字资产的综合预警报告。
在训练前需要收集多组训练样本,训练样本用于训练神经网络,其中的数据均来自于已有数据。尽可能的确保多组训练样本来自相同的分布,避免神经网络在多组训练样本上过拟合。其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告。
步骤S102,将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
例如,所述第一神经网络包括LSTM。
预设评估精度是决定训练成果的指标,当对第一神经网络的训练达到预设评估精度时,表明训练达到目标,训练结束。通常是通过三方面指定预设评估精度:第一是预设训练后生成综合资产监测报告的准确率,第二是预设训练后生成综合资产监测报告的全面性的全面率,第三是既包括准确率又包括全面率。
训练第一神经网络的过程就是不断对第一神经网络进行调参的过程,通过一次次的迭代,使训练后第一神经网络输出的综合资产监测报告达到预设评估精度。
可选的,针对网络设备的状态信息,所述系统数字资产包括网络丢包率信息和网络延时信息;所述资产特征值包括用于表征网络连接性的网络在线状态特征值。
对于检测网络设备的状态信息,常使用网络测试工具,例如,使用ping,telnet和/或nmap进行网络连接性测试,获取网络延时信息和网络超时信息,并将测试结果的标记类型设置为网络在线状态特征值。针对网络设备的状态信息,所述系统数字资产还包括:生存时间值(英文全称Time To Live,简称TTL)和中间路由IP。
在所述获取系统数字资产的多组训练样本前,还包括以下步骤:
步骤S100a-1,分组采集网络丢包率信息和网络延时信息。
步骤S100a-2,基于每组的所述网络丢包率信息和所述网络延时信息生成对应组的所述网络在线状态特征值。
具体地,针对单个网络在线状态特征值(英文全称Online Character,简称OC),包括以下计算公式:
OC=Min((1000-D)×(1-LOSS),0);
其中,D表示网络延时信息;
LOSS表示网络丢包率信息。
可选的,对应网络设备的性能信息,所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;所述资产特征值包括用于表征网络活动的基础状态特征值。
通过ssh工具和代理监测工具能够对网络设备的性能信息进行采集与检测。通过ssh工具的远程安全加密登录方式结合代理监测工具(比如Zabbix软件)能够监测网络活动变化。
在所述获取系统数字资产的多组训练样本前,还包括以下步骤:
步骤S100b-1,分组采集中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量。
步骤S100b-2,基于每组的所述中央处理器的内核数量、所述中央处理器的平均使用率、所述内存的平均使用率、所述系统负载信息和所述任务数量生成对应组的所述基础状态特征值。
具体地,针对基础状态特征值(英文全称Basic Character,简称BC),包括以下计算公式:
其中,N表示中央处理器的内核数量;
CPU表示中央处理器的平均使用率;
RAM表示内存的平均使用率;
SL表示系统负载信息;
TS表示任务数量。
可选的,对应网络设备的安全信息,所述系统数字资产包括系统日志;所述资产特征值包括用于表征系统操作安全的自检安全特征值。
对于网络设备的安全信息,通常通过SSH工具或telnet工具远程安全登录后,通过htop或Zabbix远程监控软件获取系统日志,并重点分析系统日志中预设预警等级的日志条目数,提取当前活动的应用进程的操作信息和系统基础安全日志。
在所述获取系统数字资产的多组训练样本前,还包括以下步骤:
步骤S100c-1,分组从所述系统日志中获取预设预警等级的日志数量。
例如,预警等级分为:调试、一般信息、警告、错误和严重错误;预设预警等级为“错误”和“严重错误”;也就是获取“错误”预警等级的日志数量,以及“严重错误”预警等级的日志数量。
步骤S100c-2,基于每组所述日志数量生成对应组的所述自检安全特征值。
具体地,针对自检安全特征值(英文全称Safe Character,简称SC),包括以下计算公式:
SC=1/(1+EC)×100;
其中,EC表示日志数量。
可选的,对应网络设备的安全信息,所述资产特征值包括通过第三方工具对系统进行安全检测生成的第三方检测安全特征值。
对于网络设备的安全信息,通常通过云服务Agent中设置的第三方检测工具WAF进行安全检测,生成的第三方检测安全特征值。
在所述获取系统数字资产的多组训练样本前,还包括以下步骤:
步骤S100d-1,分组通过第三方工具对系统进行安全检测生成对应组的所述第三方检测安全特征值。
本公开实施例将多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告作为训练样本,对神经网络进行训练。以便该神经网络能够对多种标记类型的资产特征值进行监测,并对系统数字资产进行综合预警,生成系统数字资产的综合预警报告。
与本公开提供的第一实施例相对应,本公开还提供了第二实施例,即一种神经网络的训练装置。由于第二实施例基本相似于第一实施例,所以描述得比较简单,相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
图2示出了本公开提供的一种神经网络的训练装置的实施例。
如图2所示,本公开提供一种神经网络的训练装置,包括:
获取训练样本单元201,用于获取系统数字资产的多组训练样本,其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
训练单元202,用于将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
可选的,所述系统数字资产包括网络丢包率信息和网络延时信息;
所述资产特征值包括用于表征网络连接性的网络在线状态特征值;
相应的,所述装置还包括:
第一采集单元,用于在所述获取系统数字资产的多组训练样本前,分组采集网络丢包率信息和网络延时信息;
第一生成单元,用于基于每组的所述网络丢包率信息和所述网络延时信息生成对应组的所述网络在线状态特征值。
可选的,所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
所述资产特征值包括用于表征网络活动的基础状态特征值;
相应的,所述装置还包括:
第二采集单元,用于在所述获取系统数字资产的多组训练样本前,分组采集中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
第二生成单元,用于基于每组的所述中央处理器的内核数量、所述中央处理器的平均使用率、所述内存的平均使用率、所述系统负载信息和所述任务数量生成对应组的所述基础状态特征值。
可选的,所述系统数字资产包括系统日志;
所述资产特征值包括用于表征系统操作安全的自检安全特征值;
相应的,所述装置还包括:
第三采集单元,用于在所述获取系统数字资产的多组训练样本前,分组从所述系统日志中获取预设预警等级的日志数量;
第三生成单元,用于基于每组所述日志数量生成对应组的所述自检安全特征值。
可选的,所述资产特征值包括通过第三方工具对系统进行安全检测生成的第三方检测安全特征值;
相应的,所述装置还包括:
第四生成单元,用于在所述获取系统数字资产的多组训练样本前,分组通过第三方工具对系统进行安全检测生成对应组的所述第三方检测安全特征值。
可选的,所述第一神经网络包括LSTM。
本公开实施例将多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告作为训练样本,对神经网络进行训练。以便该神经网络能够对多种标记类型的资产特征值进行监测,并对系统数字资产进行综合预警,生成系统数字资产的综合预警报告。
与本公开提供的第一实施例相应的,本公开还提供了第三实施例,即一种管理系统数字资产的方法。由于第三实施例与第一实施例有很多相似内容,所以描述得比较简单,相关的部分请参见第一实施例的对应说明即可。下述描述的方法实施例仅仅是示意性的,下面结合图3对本公开实施例进行说明。
步骤S301,获取系统数字资产的一组多种标记类型的资产特征值。
其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息。
步骤S302,将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告。
其中,所述第一神经网络经过如第一实施例所述训练方法的训练。
可选的,针对网络设备的状态信息,所述系统数字资产包括网络丢包率信息和网络延时信息;所述资产特征值包括用于表征网络连接性的网络在线状态特征值。
相应的,在所述获取系统数字资产的一组多种标记类型的资产特征值前,还包括以下步骤:
步骤S300a-1,采集网络丢包率信息和网络延时信息;
步骤S300a-2,基于所述网络丢包率信息和所述网络延时信息生成对应的所述网络在线状态特征值。
可选的,对应网络设备的性能信息,所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;所述资产特征值包括用于表征网络活动的基础状态特征值;
相应的,在所述获取系统数字资产的一组多种标记类型的资产特征值前,还包括以下步骤:
步骤S300b-1,采集中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
步骤S300b-2,基于所述中央处理器的内核数量、所述中央处理器的平均使用率、所述内存的平均使用率、所述系统负载信息和所述任务数量生成对应的所述基础状态特征值。
可选的,对应网络设备的安全信息,所述系统数字资产包括系统日志;
所述资产特征值包括用于表征系统操作安全的自检安全特征值;相应的,在所述获取系统数字资产的一组多种标记类型的资产特征值前,还包括以下步骤:
步骤S300c-1,从所述系统日志中获取预设预警等级的日志数量;
步骤S300c-2,基于所述日志数量生成对应的所述自检安全特征值。
可选的,对应网络设备的安全信息,所述资产特征值包括通过第三方工具对系统进行安全检测生成的第三方检测安全特征值;
相应的,在所述获取系统数字资产的一组多种标记类型的资产特征值前,还包括以下步骤:
步骤S300d-1,通过第三方工具对系统进行安全检测生成对应的所述第三方检测安全特征值。
可选的,所述第一神经网络包括长短期记忆人工神经网络。
本公开实施例对多种标记类型的资产特征值进行监测,并通过已训练的神经网络进行综合分析,生成综合资产监测报告。从而达到综合监测及综合预警的目的。
与本公开提供的第三实施例相对应,本公开还提供了第四实施例,即一种管理系统数字资产的装置。由于第四实施例基本相似于第三实施例,所以描述得比较简单,相关的部分请参见第三实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
图4示出了本公开提供的一种管理系统数字资产的装置的实施例。
如图4所示,本公开提供一种管理系统数字资产的装置,包括:
获取特征值单元401,用于获取系统数字资产的一组多种标记类型的资产特征值,其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
输出单元402,用于将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告。
其中,所述第一神经网络经过如第一实施例所述训练方法的训练。
可选的,所述系统数字资产包括网络丢包率信息和网络延时信息;
所述资产特征值包括用于表征网络连接性的网络在线状态特征值;
相应的,所述装置还包括:
第五采集单元,用于在所述获取系统数字资产的一组多种标记类型的资产特征值前,采集网络丢包率信息和网络延时信息;
第五生成单元,用于基于所述网络丢包率信息和所述网络延时信息生成对应的所述网络在线状态特征值。
可选的,所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
所述资产特征值包括用于表征网络活动的基础状态特征值;
相应的,所述装置还包括:
第六采集单元,用于在所述获取系统数字资产的一组多种标记类型的资产特征值前,采集中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
第六生成单元,用于基于所述中央处理器的内核数量、所述中央处理器的平均使用率、所述内存的平均使用率、所述系统负载信息和所述任务数量生成对应的所述基础状态特征值。
可选的,所述系统数字资产包括系统日志;
所述资产特征值包括用于表征系统操作安全的自检安全特征值;
相应的,所述装置还包括:
第七采集单元,用于在所述获取系统数字资产的一组多种标记类型的资产特征值前,从所述系统日志中获取预设预警等级的日志数量;
第七生成单元,用于基于所述日志数量生成对应的所述自检安全特征值。
可选的,所述资产特征值包括通过第三方工具对系统进行安全检测生成的第三方检测安全特征值;
相应的,所述装置还包括:
第八生成单元,用于在所述获取系统数字资产的一组多种标记类型的资产特征值前,通过第三方工具对系统进行安全检测生成对应的所述第三方检测安全特征值。
可选的,所述第一神经网络包括长短期记忆人工神经网络。
本公开实施例对多种标记类型的资产特征值进行监测,并通过已训练的神经网络进行综合分析,生成综合资产监测报告。从而达到综合监测及综合预警的目的。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种神经网络的训练方法,其特征在于,包括:
获取系统数字资产的多组训练样本,其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
2.根据权利要求1所述的方法,其特征在于,
所述系统数字资产包括网络丢包率信息和网络延时信息;
所述资产特征值包括用于表征网络连接性的网络在线状态特征值;
相应的,在所述获取系统数字资产的多组训练样本前,还包括:
分组采集网络丢包率信息和网络延时信息;
基于每组的所述网络丢包率信息和所述网络延时信息生成对应组的所述网络在线状态特征值。
3.根据权利要求1所述的方法,其特征在于,
所述系统数字资产,包括:中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
所述资产特征值包括用于表征网络活动的基础状态特征值;
相应的,在所述获取系统数字资产的多组训练样本前,还包括:
分组采集中央处理器的内核数量、中央处理器的平均使用率、内存的平均使用率、系统负载信息和任务数量;
基于每组的所述中央处理器的内核数量、所述中央处理器的平均使用率、所述内存的平均使用率、所述系统负载信息和所述任务数量生成对应组的所述基础状态特征值。
4.根据权利要求1所述的方法,其特征在于,
所述系统数字资产包括系统日志;
所述资产特征值包括用于表征系统操作安全的自检安全特征值;
相应的,在所述获取系统数字资产的多组训练样本前,还包括:
分组从所述系统日志中获取预设预警等级的日志数量;
基于每组所述日志数量生成对应组的所述自检安全特征值。
5.根据权利要求1所述的方法,其特征在于,
所述资产特征值包括通过第三方工具对系统进行安全检测生成的第三方检测安全特征值;
相应的,在所述获取系统数字资产的多组训练样本前,还包括:
分组通过第三方工具对系统进行安全检测生成对应组的所述第三方检测安全特征值。
6.根据权利要求1所述的方法,其特征在于,所述第一神经网络包括长短期记忆人工神经网络。
7.一种管理系统数字资产的方法,其特征在于,包括:
获取系统数字资产的一组多种标记类型的资产特征值,其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告,其中,所述第一神经网络经过如权利要求1-6任一项所述训练方法的训练。
8.根据权利要求7所述的方法,其特征在于,所述第一神经网络包括长短期记忆人工神经网络。
9.一种神经网络的训练装置,其特征在于,包括:
获取训练样本单元,用于获取系统数字资产的多组训练样本,其中,每组训练样本包括多种标记类型的资产特征值以及基于每组资产特征值预先撰写的综合资产监测报告,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
训练单元,用于将每组所述资产特征值和所述综合资产监测报告输入第一神经网络,训练所述第一神经网络输出的综合资产监测报告达到预设评估精度。
10.一种管理系统数字资产的装置,其特征在于,包括:
获取特征值单元,用于获取系统数字资产的一组多种标记类型的资产特征值,其中,所述系统数字资产包括已注册网络设备的状态信息、性能信息和安全信息;
输出单元,用于将所述资产特征值输入第一神经网络,获取输出的综合资产监测报告,其中,所述第一神经网络经过如权利要求1-6任一项所述训练方法的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393945.6A CN112541573A (zh) | 2020-12-02 | 2020-12-02 | 一种神经网络的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393945.6A CN112541573A (zh) | 2020-12-02 | 2020-12-02 | 一种神经网络的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541573A true CN112541573A (zh) | 2021-03-23 |
Family
ID=75017081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393945.6A Pending CN112541573A (zh) | 2020-12-02 | 2020-12-02 | 一种神经网络的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541573A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030005326A1 (en) * | 2001-06-29 | 2003-01-02 | Todd Flemming | Method and system for implementing a security application services provider |
US20140075564A1 (en) * | 2011-06-01 | 2014-03-13 | Anurag Singla | Network asset information management |
GB201810314D0 (en) * | 2018-06-22 | 2018-08-08 | Moixa Energy Holdings Ltd | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
US20190394243A1 (en) * | 2012-09-28 | 2019-12-26 | Rex Wiig | System and method of a requirement, active compliance and resource management for cyber security application |
WO2019241845A1 (en) * | 2018-06-20 | 2019-12-26 | Sapien Cyber Limited | System for technology infrastructure analysis |
US20200184556A1 (en) * | 2018-05-06 | 2020-06-11 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
-
2020
- 2020-12-02 CN CN202011393945.6A patent/CN112541573A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030005326A1 (en) * | 2001-06-29 | 2003-01-02 | Todd Flemming | Method and system for implementing a security application services provider |
US20140075564A1 (en) * | 2011-06-01 | 2014-03-13 | Anurag Singla | Network asset information management |
US20190394243A1 (en) * | 2012-09-28 | 2019-12-26 | Rex Wiig | System and method of a requirement, active compliance and resource management for cyber security application |
US20200184556A1 (en) * | 2018-05-06 | 2020-06-11 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
WO2019241845A1 (en) * | 2018-06-20 | 2019-12-26 | Sapien Cyber Limited | System for technology infrastructure analysis |
GB201810314D0 (en) * | 2018-06-22 | 2018-08-08 | Moixa Energy Holdings Ltd | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934356B (zh) | 一种基于大数据的机房巡检方法及相关设备 | |
CN103684898B (zh) | 一种监测用户请求在分布式系统中运行的方法及装置 | |
CN106874187B (zh) | 代码覆盖率收集方法和装置 | |
CN114157554B (zh) | 故障排查方法、装置、存储介质及计算机设备 | |
CN103873298B (zh) | 一种操作维护中心北向接口的数据质量自动监测的方法 | |
CN108282355B (zh) | 云桌面系统中设备巡检装置 | |
CN113965487B (zh) | 一种基于网络流量数据的故障诊断系统 | |
CN106940678B (zh) | 一种系统实时健康度评估分析方法及装置 | |
CN104991979B (zh) | 实验室数据处理方法及处理系统 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN116185757B (zh) | 机房能耗智能监测系统 | |
CN106844170A (zh) | 一种故障处理、分析故障的影响面方法和设备 | |
CN117272386B (zh) | 互联网大数据信息安全加密方法及装置、设备、系统 | |
CN104461847B (zh) | 数据处理程序检测方法及装置 | |
CN116319081B (zh) | 一种基于大数据云平台的电子签章安全管理系统 | |
CN105677534A (zh) | 一种基于服务总线的变电站站控层设备状态评估方法 | |
CN112541573A (zh) | 一种神经网络的训练方法和装置 | |
CN115913349B (zh) | 光缆设备异常定位方法及装置、存储介质、终端 | |
CN112532481B (zh) | 一种网络质量的监测分析方法、系统和存储介质 | |
CN114584356A (zh) | 网络安全监控方法及网络安全监控系统 | |
CN114172702A (zh) | 一种电网工控系统网络安全监测方法及系统 | |
CN105391584A (zh) | 一种在分布式环境中使用的异常预警系统 | |
Zhang et al. | Design of the network traffic anomaly detection system in cloud computing environment | |
JP4597209B2 (ja) | 通信解析装置 | |
CN117114500B (zh) | 基于数据分解的行为基线建立方法、系统及介质 |
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 |