CN112733134A - 基于大数据和区块链的信息安全防护方法及数字金融平台 - Google Patents

基于大数据和区块链的信息安全防护方法及数字金融平台 Download PDF

Info

Publication number
CN112733134A
CN112733134A CN202011554199.4A CN202011554199A CN112733134A CN 112733134 A CN112733134 A CN 112733134A CN 202011554199 A CN202011554199 A CN 202011554199A CN 112733134 A CN112733134 A CN 112733134A
Authority
CN
China
Prior art keywords
interception
interceptor
service
intercepted
scheduling
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.)
Withdrawn
Application number
CN202011554199.4A
Other languages
English (en)
Inventor
陈建英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011554199.4A priority Critical patent/CN112733134A/zh
Publication of CN112733134A publication Critical patent/CN112733134A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于大数据和区块链的信息安全防护方法及数字金融平台，通过构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息，利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，由此获取拦截行为定位信息，根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，由此进行信息记录，通过用于表征多种拦截对象标签索引的业务绑定关系的拦截器调度实例输入信息，以达到获取更加准确的拦截业务快照的目的，从而提高拦截业务快照的获取准确性，提高信息记录的准确度。

Description

基于大数据和区块链的信息安全防护方法及数字金融平台
技术领域
本申请涉及信息安全防护技术领域，具体而言，涉及一种基于大数据和区块链的信息安全防护方法及数字金融平台。
背景技术
随着互联网的广泛应用，对网络信息安全安全的需求变得越来越大。在所有的信息攻击手段中，对漏洞的利用也越来越频繁，因此在修补漏洞外，还需要额外进行信息拦截的实例配置。相关技术中，信息拦截防护事件有时候并不是独立存在的，发明人发现在很多情况下都存在互相联动的拦截防护事件，这些互相联动的拦截防护事件可以反映某一次拦截过程的拦截业务的业务绑定情况，这些记录数据对后续漏洞的优化至关重要。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于大数据和区块链的信息安全防护方法及数字金融平台，利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息，利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，并根据拦截器调度绑定实例集获取拦截行为定位信息，根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，由此确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照后，向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上，通过用于表征多种拦截对象标签索引的业务绑定关系的拦截器调度实例输入信息，以达到获取更加准确的拦截业务快照的目的，从而提高拦截业务快照的获取准确性，提高信息记录的准确度。
第一方面，本申请提供一种基于大数据和区块链的信息安全防护方法，应用于数字金融平台，所述数字金融平台与多个数字金融服务终端通信连接，所述方法包括：
获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集，其中，所述拦截器调度实例集包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、所述目标信息拦截大数据事件中联动拦截防护事件在所述目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层，其中所述目标信息拦截大数据事件为基于所述数字金融平台的边缘侧进行信息拦截记录的拦截事件数据；
利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据所述拦截对象标签索引获取拦截业务分布信息，其中，所述目标拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个目标拦截器调度实例的关键拦截业务源对象，所述联动拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，所述拦截业务分布信息用于表征所述目标拦截对象标签索引及所述联动拦截对象标签索引的业务绑定关系；
利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集，并根据所述拦截器调度绑定实例集获取拦截行为定位信息，其中，所述拦截行为定位信息用于表征所述拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系；
根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数，根据所述拦截场景匹配参数确定所述当前拦截防护事件与所述联动拦截防护事件之间的拦截业务快照，并基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上。
在第一方面的一种可能的实现方式中，所述利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引的步骤，包括：
将目标拦截器调度实例集与所述联动拦截器调度实例集进行比对，以得到多个关键业务分布，其中，所述关键业务分布包括满足最低业务分布确定条件的至少一个所述拦截器调度实例业务分布；
根据多个所述关键业务分布，获取多个拦截对象标签索引，其中，所述多个拦截对象标签索引用于构建所述拦截对象标签索引。
在第一方面的一种可能的实现方式中，利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引包括：
将所述目标拦截器调度实例集作为当前拦截器调度实例集，重复执行以下步骤，直至遍历所述联动拦截器调度实例集；
从所述当前拦截器调度实例集中确定当前拦截器调度实例业务分布；
将所述当前拦截器调度实例业务分布与所述联动拦截器调度实例集中的每个拦截器调度实例业务分布依次进行比对；
在所述联动拦截器调度实例集中存在与所述当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将所述当前拦截器调度实例业务分布作为所述关键业务分布；
在所述联动拦截器调度实例集中不存在与所述当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将从所述当前拦截器调度实例集中获取下一个拦截器调度实例业务分布作为所述当前拦截器调度实例业务分布。
在第一方面的一种可能的实现方式中，所述利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集的步骤，包括：
将所述拦截器调度实例集中在目标防护数据区域段内的所述目标拦截器调度实例与所述联动拦截器调度实例进行拦截功能映射，获得多个拦截功能映射信息；
根据所述拦截数据层，对所述多个拦截功能映射信息进行数据层结构映射，并根据数据层结构映射结果对相匹配的数据层结构关系所对应的目标拦截器调度实例与联动拦截器调度实例之间的业务拦截交互关系进行记录，以构建拦截器调度绑定实例集。
在第一方面的一种可能的实现方式中，所述根据所述拦截对象标签索引获取拦截业务分布信息的步骤，包括：
将所述拦截对象标签索引输入第一机器学习单元，并获取所述第一机器学习单元输出的所述拦截业务分布信息，其中，所述第一机器学习单元用于捕捉所述拦截对象标签索引中各个拦截器调度实例业务分布元素之间的关联特征；
所述根据所述拦截器调度绑定实例集获取拦截行为定位信息的步骤，包括：
将所述拦截器调度绑定实例集输入所述第一机器学习单元；
获取所述第一机器学习单元输出的所述拦截行为定位信息。
在第一方面的一种可能的实现方式中，根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数的步骤，包括：
将目标拦截器调度实例输入信息输入第二机器学习单元，其中，所述目标拦截器调度实例输入信息用于表示所述拦截业务分布信息与所述拦截行为定位信息；
获取所述第二机器学习单元的输出结果，其中，所述输出结果用于表征所述拦截场景匹配参数。
在第一方面的一种可能的实现方式中，所述方法还包括：
获取多个收集拦截器调度实例序列，其中，所述收集拦截器调度实例序列中至少包括所述目标信息拦截大数据事件中，同为收集拦截业务快照的目标收集拦截防护事件与联动收集拦截防护事件在目标收集信息拦截大数据事件内分别调用的多个第一收集拦截器调度实例以及多个收集联动拦截器调度实例，以及各收集拦截器调度实例的收集拦截数据层；
依次将每个所述收集拦截器调度实例序列作为当前收集拦截器调度实例序列执行以下操作，直至达到预设条件；
利用与所述多个第一收集拦截器调度实例对应的第一收集拦截对象标签索引，及与所述多个收集联动拦截器调度实例对应的联动收集拦截对象标签索引构建收集拦截对象标签索引，并根据所述收集拦截对象标签索引获取收集拦截业务分布信息；
利用所述当前收集拦截器调度实例序列中在所述目标防护数据区域段内被调用且按所述收集拦截数据层的数据层结构的所述第一收集拦截器调度实例与所述收集联动拦截器调度实例构建收集拦截器调度绑定实例集，并根据所述收集拦截器调度绑定实例集获取收集拦截行为定位信息；
将目标收集拦截器调度实例输入信息输入当前的所述第二机器学习单元，其中，所述目标收集拦截器调度实例输入信息为所述收集拦截业务分布信息与所述收集拦截行为定位信息；
获取所述第二机器学习单元的当前输出结果，其中，所述当前输出结果包括所述目标收集拦截防护事件与所述联动收集拦截防护事件为第三拦截业务快照的第三参考参数值，以及所述目标收集拦截防护事件与所述联动收集拦截防护事件为其它拦截业务快照的第四参考参数值；
在所述当前输出结果达到预设条件的情况下，确定当前的所述第二机器学习单元为训练好的所述第二机器学习单元。
在第一方面的一种可能的实现方式中，所述基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上的步骤，包括：
获取所述拦截业务快照的快照拦截业务链和对应的各个扩展候选快照拦截业务链；
分别将所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布和各个扩展候选快照拦截业务链的标签向量分布，计算所述快照拦截业务链的标签向量分布分别与所述各个扩展候选快照拦截业务链的标签向量分布的标签关联度，得到各个标签关联特征；
基于所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征；
计算所述快照拦截业务链和所述各个扩展候选快照拦截业务链对应的各个业务链匹配要素，基于所述业务链匹配要素计算得到各个业务链匹配要素特征；
基于所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征计算所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度；
根据所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度，得到所述各个扩展候选快照拦截业务链的目标扩展快照业务链；
将所述快照拦截业务链和所述目标扩展快照业务链作为所述记录信息发送给所述联动拦截防护事件所对应的拦截服务。
譬如，在第一方面的一种可能的实现方式中，所述分别将所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布和各个扩展候选快照拦截业务链的标签向量分布，包括：
将所述快照拦截业务链输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到所述快照拦截业务链的标签向量分布；
分别将所述各个扩展候选快照拦截业务链输入到所述拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到所述各个扩展候选快照拦截业务链的标签向量分布；所述拦截业务标签向量提取模型是指根据拦截业务标签向量提取的收集快照业务链使用神经网络算法进行训练后得到的。
在第一方面的一种可能的实现方式中，所述基于所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征，包括：
从所述各个扩展候选快照拦截业务链确定当前扩展候选快照拦截业务链，将所述快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布，并将所述当前扩展候选快照拦截业务链进行拦截业务标签向量提取，得到当前扩展候选快照拦截业务链的标签向量分布；
基于所述快照拦截业务链的标签向量分布与所述当前扩展候选快照拦截业务链的标签向量分布进行权限控制器实体提取，得到权限控制器实体提取信息；
将所述快照拦截业务链的标签向量分布、所述当前扩展候选快照拦截业务链的标签向量分布和所述权限控制器实体提取信息进行拼接，得到目标拼接特征，基于所述目标拼接特征进行拦截策略特征匹配，得到所述快照拦截业务链与所述当前扩展候选快照拦截业务链的拦截策略特征匹配度；
将所述拦截策略特征匹配度作为所述快照拦截业务链与所述当前扩展候选快照拦截业务链对应的拦截策略匹配特征；所述拦截策略特征匹配模型是根据拦截策略特征匹配收集快照业务链使用拦截业务标签向量提取模型进行拦截策略特征匹配训练后得到的；
其中，所述拦截策略特征匹配模型的生成包括以下步骤：
获取拦截业务标签向量提取模型，根据所述拦截业务标签向量提取模型得到初始拦截策略特征匹配模型；
获取拦截策略特征匹配收集快照业务链，所述拦截策略特征匹配收集快照业务链包括隐藏快照业务链和非隐藏快照业务链，将所述隐藏快照业务链和非隐藏快照业务链输入到所述初始拦截策略特征匹配模型中进行训练，当训练完成时，得到所述拦截策略特征匹配模型；
其中，所述拦截业务标签向量提取模型的生成包括以下步骤：
获取拦截业务标签向量提取的收集快照业务链，将所述拦截业务标签向量提取的收集快照业务链切分，得到切分结果，获取所述切分结果对应的切分模块的特征信息；
将所述切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集；
计算所述第一卷积特征集和所述第二卷积特征集的标签关联度，并计算所述标签关联度和预设第一匹配参考度之和，得到目标和值；
计算所述目标和值与预设第二匹配参考度的比值，比较所述预设第一匹配参考度与所述比值，得到所述参数差异值；
当所述参数差异值未符合预设条件时，根据所述参数差异值对所述初始目标模型进行反向传播更新，得到更新模型参数的目标模型；
将所述更新模型参数的目标模型作为初始目标模型，并返回将所述切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集的步骤执行，直到训练得到的参数差异值符合所述预设条件时，将已训练的目标模型作为拦截业务标签向量提取模型。
譬如，在第一方面的一种可能的实现方式中，所述计算所述快照拦截业务链和所述各个扩展候选快照拦截业务链对应的各个业务链匹配要素，基于所述业务链匹配要素计算得到各个业务链匹配要素特征，包括：
从所述各个扩展候选快照拦截业务链确定当前扩展候选快照拦截业务链，分别将所述快照拦截业务链和所述当前扩展候选快照拦截业务链进行业务节点跟踪，得到各个拦截业务标签和各个当前扩展候选业务属性；
将所述各个拦截业务标签输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到拦截业务标签向量，并将所述各个当前扩展候选业务属性输入到所述拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到当前扩展候选业务属性向量；
计算所述拦截业务标签向量与所述当前扩展候选业务属性向量的关联属性关系，得到所述快照拦截业务链和所述当前扩展候选快照拦截业务链对应的目标业务链匹配要素；
计算所述目标业务链匹配要素对应的链循环特征和链关系特征，并计算所述目标业务链匹配要素对应的拦截调度属性特征；
将所述链循环特征、所述链关系特征和所述拦截调度属性特征进行拼接，得到所述快照拦截业务链和所述当前扩展候选快照拦截业务链对应的当前业务链匹配要素特征。
譬如，在第一方面的一种可能的实现方式中，所述计算所述目标业务链匹配要素对应的链循环特征和链关系特征，并计算所述目标业务链匹配要素对应的拦截调度属性特征，包括：
从所述目标业务链匹配要素中得到各个拦截属性关系对应的拦截属性特征参数，计算各个拦截属性特征参数的拼接特征参数，得到所述链循环特征；
从所述目标业务链匹配要素中得到各个链流向属性关系对应的链流向属性特征参数，计算各个链流向属性特征参数的拼接特征参数，得到所述链关系特征；
提取所述目标业务链匹配要素中每个知识资源节点的各个拦截调度属性特征参数，计算所述各个拦截调度属性特征参数的拼接特征参数，得到所述拦截调度属性特征。
譬如，在第一方面的一种可能的实现方式中，所述基于所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征计算所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度，包括：
从所述快照拦截业务链中提取快照拦截业务链特征，并从所述各个扩展候选快照拦截业务链提取扩展候选快照拦截业务链特征；
基于所述快照拦截业务链特征、所述扩展候选快照拦截业务链特征、所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征计算所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度。
譬如，在第一方面的一种可能的实现方式中，所述基于所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征计算所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度，包括：
将所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征进行拼接，得到拼接后的特征；
将所述拼接后的特征输入到拦截关联模型中进行计算，得到所述快照拦截业务链与所述扩展候选快照拦截业务链的相关程度；
所述拦截关联模型是根据所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征构成的训练特征数据使用回归决策树进行训练后得到的。
第二方面，本申请实施例还提供一种基于大数据和区块链的信息安全防护装置，应用于数字金融平台，所述数字金融平台与多个数字金融服务终端通信连接，所述装置包括：
第一获取模块，用于获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集，其中，所述拦截器调度实例集包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、所述目标信息拦截大数据事件中联动拦截防护事件在所述目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层，其中所述目标信息拦截大数据事件为基于所述数字金融平台的边缘侧进行信息拦截记录的拦截事件数据；
第二获取模块，用于利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据所述拦截对象标签索引获取拦截业务分布信息，其中，所述目标拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个目标拦截器调度实例的关键拦截业务源对象，所述联动拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，所述拦截业务分布信息用于表征所述目标拦截对象标签索引及所述联动拦截对象标签索引的业务绑定关系；
构建模块，用于利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集，并根据所述拦截器调度绑定实例集获取拦截行为定位信息，其中，所述拦截行为定位信息用于表征所述拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系；
确定模块，用于根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数，根据所述拦截场景匹配参数确定所述当前拦截防护事件与所述联动拦截防护事件之间的拦截业务快照，并基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上。
第三方面，本申请实施例还提供一种基于大数据和区块链的信息安全防护系统，所述基于大数据和区块链的信息安全防护系统包括数字金融平台以及与所述数字金融平台通信连接的多个数字金融服务终端；
所述数字金融平台，用于：
获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集，其中，所述拦截器调度实例集包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、所述目标信息拦截大数据事件中联动拦截防护事件在所述目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层，其中所述目标信息拦截大数据事件为基于所述数字金融平台的边缘侧进行信息拦截记录的拦截事件数据；
利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据所述拦截对象标签索引获取拦截业务分布信息，其中，所述目标拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个目标拦截器调度实例的关键拦截业务源对象，所述联动拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，所述拦截业务分布信息用于表征所述目标拦截对象标签索引及所述联动拦截对象标签索引的业务绑定关系；
利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集，并根据所述拦截器调度绑定实例集获取拦截行为定位信息，其中，所述拦截行为定位信息用于表征所述拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系；
根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数，根据所述拦截场景匹配参数确定所述当前拦截防护事件与所述联动拦截防护事件之间的拦截业务快照，并基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上。
第四方面，本申请实施例还提供一种数字金融平台，所述数字金融平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个数字金融服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于大数据和区块链的信息安全防护方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于大数据和区块链的信息安全防护方法。
基于上述任意一个方面，本申请利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息，利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，并根据拦截器调度绑定实例集获取拦截行为定位信息，根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，由此确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照后，向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上，通过用于表征多种拦截对象标签索引的业务绑定关系的拦截器调度实例输入信息，以达到获取更加准确的拦截业务快照的目的，从而提高拦截业务快照的获取准确性，提高信息记录的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的基于大数据和区块链的信息安全防护系统的应用场景示意图；
图2为本申请实施例提供的基于大数据和区块链的信息安全防护方法的流程示意图；
图3为本申请实施例提供的基于大数据和区块链的信息安全防护装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的基于大数据和区块链的信息安全防护方法的数字金融平台的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的基于大数据和区块链的信息安全防护系统10的交互示意图。基于大数据和区块链的信息安全防护系统10可以包括数字金融平台100以及与数字金融平台100通信连接的数字金融服务终端200。图1所示的基于大数据和区块链的信息安全防护系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和区块链的信息安全防护系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
基于本申请提供的技术方案的发明构思出发，本申请提供的数字金融平台100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融数据服务平台等，但不限于此。
本实施例中，基于大数据和区块链的信息安全防护系统10中的数字金融平台100和数字金融服务终端200可以通过配合执行以下方法实施例所描述的基于大数据和区块链的信息安全防护方法，具体数字金融平台100和数字金融服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于大数据和区块链的信息安全防护方法的流程示意图，本实施例提供的基于大数据和区块链的信息安全防护方法可以由图1中所示的数字金融平台100执行，下面对该基于大数据和区块链的信息安全防护方法进行详细介绍。
步骤S110，获取获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集。
本实施例中，拦截器调度实例集具体可以包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、目标信息拦截大数据事件中联动拦截防护事件在目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层。
其中，值得说明的是，目标信息拦截大数据事件可以是在信息服务中通过对拦截防护事件进行大数据采集后获得的事件集合。目标防护数据区域可以是预先进行配置的需要进行数据防护的数据区域。拦截器调度实例可以是指每一次执行信息防护拦截时的任务调度应用实例，可以是以单词拦截行为为单位作为一个拦截器调度实例，也可以是以整个由多个拦截行为组成的拦截过程的拦截行为集合为单位作为一个拦截器调度实例，此处不作具体限定。此外，拦截数据层可以是指在每一次执行信息防护拦截时具体调动的数据业务的数据功能层，如信息查询功能的数据功能层。
步骤S120，利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息。
本实施例中，目标拦截对象标签索引用于表征按照拦截数据层进行拦截调度处理的多个目标拦截器调度实例的关键拦截业务源对象，联动拦截对象标签索引用于表征按照拦截数据层进行拦截调度处理的多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，拦截业务分布信息用于表征目标拦截对象标签索引及联动拦截对象标签索引的业务绑定关系。
本实施例中，拦截器调度实例集可以但不限于包括预设场景下的拦截器调度实例序列，可选的，预设场景可以但不限于为支付场景，支付场景可以但不限于包括电商支付场景、线下支付场景等，可选的，拦截器调度实例序列可以但不限与预设场景相关联的拦截器调度实例，拦截器调度实例序列可以但不限与预设规则相关的拦截器调度实例，预设规则可以但不限包括消息过滤规则、数据源拉黑规则等，拦截器调度实例序列可以但不限于包括消息过滤拦截器调度实例、数据源拉黑拦截器调度实例等，可选的，拦截器调度实例的关键拦截业务源对象可以但不限用于表示同类型下的拦截器调度实例，例如消息过滤拦截器调度实例标签下的拦截器调度实例，无论消息过滤过程如何，都可以属于消息过滤拦截器调度实例的关键拦截业务源对象。
其中，值得说明的是，关键业务分布标签可以是指具体的业务分布的分类标签。可以通过业务分布识别完成。业务分布识别是通过分类的办法将目标拦截器调度实例分到相应的业务分布种类。
本实施例中，业务绑定关系可以是指目标拦截对象标签索引及联动拦截对象标签索引之间存在相同匹配业务分布的绑定关系。例如，A1拦截事件的目标拦截对象标签索引包括针对B1业务的拦截器调度实例业务分布，A2拦截事件的目标拦截对象标签索引包括针对B2业务的拦截器调度实例业务分布，B1业务与B2业务属于B业务下关联的子业务，那么表明存在业务绑定关系。
步骤S130，利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，并根据拦截器调度绑定实例集获取拦截行为定位信息。
本实施例中，拦截行为定位信息用于表征拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系。其中，数据层结构可以是指在发起信息防护拦截过程中具体调用的数据层的数据格式结构。映射拦截器调度实例可以是指目标拦截器调度实例与相映射的联动拦截器调度实例构成的拦截器调度实例集合。
步骤S140，根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，根据拦截场景匹配参数确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照，并基于拦截业务快照向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息，其中，记录信息通过拦截服务上传到对应的区块链拦截节点上。
拦截业务快照可以抽象出一个当前拦截防护事件与联动拦截防护事件之间进行信息防护拦截的拦截过程记录，例如关于当前拦截防护事件与联动拦截防护事件之间进行信息防护拦截的拦截拦截业务特征数据集合的一个可用拷贝，该拷贝可以包括相应拦截业务特征数据在每个时间点的映像全貌。
可选的，拦截场景匹配参数可以但不限于其所指示的拦截业务快照为当前拦截防护事件与联动拦截防护事件之间的拦截业务快照的参考参数值成正相关或负相关的参数值。
可选的，拦截业务快照的获取方法可以但不限于通过目标信息拦截大数据事件中的当前拦截防护事件以及联动拦截防护事件的拦截器调度实例实现，换言之，本实施例中的当前拦截防护事件以及联动拦截防护事件仅为说明，并不对拦截防护事件的数量或拦截器调度实例的数量作限定。
本实施例中，在根据拦截场景匹配参数确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照的过程中，可以选择拦截场景匹配参数最大的目标拦截业务快照确定为当前拦截防护事件与联动拦截防护事件之间的拦截业务快照，也可以选择拦截场景匹配参数大于预设匹配参数的目标拦截业务快照确定为当前拦截防护事件与联动拦截防护事件之间的拦截业务快照，或者还可以选择拦截场景匹配参数按照从大到小排序前N（N为正整数）的目标拦截业务快照确定为当前拦截防护事件与联动拦截防护事件之间的拦截业务快照，具体不作限定。
基于上述步骤，通过本申请提供的实施例，利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息，利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，并根据拦截器调度绑定实例集获取拦截行为定位信息，根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，由此确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照后，向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息，通过用于表征多种拦截对象标签索引的业务绑定关系的拦截器调度实例输入信息，以达到获取更加准确的拦截业务快照的目的，从而提高拦截业务快照的获取准确性，提高信息记录的准确度。
在一种可能的实现方式中，针对步骤S120，在利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引的流程中，可以将目标拦截器调度实例集与联动拦截器调度实例集进行比对，以得到多个关键业务分布。
其中，关键业务分布包括满足最低业务分布确定条件的至少一个拦截器调度实例业务分布，具体进行业务分布确定的方法可以是基于业务模版的规则方法，例如不同的业务分布会有的不同的业务模版，可以根据业务分布和词典的匹配程度或者重合程度来进行判断。再例如，还可以基于分类模型来对业务分布进行判别，因为业务分布识别本身也是一个分类问题，其实采用的实施方式和常规的分类模型的方法相同，在此不做赘述。
然后，根据多个关键业务分布，获取多个拦截对象标签索引。
其中，多个拦截对象标签索引用于构建拦截对象标签索引。
更为详细的，基于上述描述的基础，在一种可能的实现方式中，针对步骤S120，在利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引的流程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，将目标拦截器调度实例集作为当前拦截器调度实例集，重复执行以下步骤，直至遍历联动拦截器调度实例集。
子步骤S122，从当前拦截器调度实例集中确定当前拦截器调度实例业务分布。
子步骤S123，将当前拦截器调度实例业务分布与联动拦截器调度实例集中的每个拦截器调度实例业务分布依次进行比对。
子步骤S124，在联动拦截器调度实例集中存在与当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将当前拦截器调度实例业务分布作为关键业务分布。
子步骤S125，在联动拦截器调度实例集中不存在与当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将从当前拦截器调度实例集中获取下一个拦截器调度实例业务分布作为当前拦截器调度实例业务分布。
在一种可能的实现方式中，针对步骤S130，在利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集的流程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S131，将拦截器调度实例集中在目标防护数据区域段内的目标拦截器调度实例与联动拦截器调度实例进行拦截功能映射，获得多个拦截功能映射信息。
子步骤S132，根据拦截数据层，对多个拦截功能映射信息进行数据层结构映射，并根据数据层结构映射结果对相匹配的数据层结构关系所对应的目标拦截器调度实例与联动拦截器调度实例之间的业务拦截交互关系进行记录，以构建拦截器调度绑定实例集。
在一种可能的实现方式中，仍旧针对步骤S120，在根据拦截对象标签索引获取拦截业务分布信息的流程中，可以将拦截对象标签索引输入第一机器学习单元，并获取第一机器学习单元输出的拦截业务分布信息。其中，第一机器学习单元用于捕捉拦截对象标签索引中各个拦截器调度实例业务分布元素之间的关联特征。
并且，在一种可能的实现方式中，仍旧针对步骤S130，在根据拦截器调度绑定实例集获取拦截行为定位信息的流程中，可以将拦截器调度绑定实例集输入第一机器学习单元，然后获取第一机器学习单元输出的拦截行为定位信息。
在一种可能的实现方式中，进一步针对步骤S140，在根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数的流程中，可以通过以下示例性的子步骤来实现。
子步骤S141，将目标拦截器调度实例输入信息输入第二机器学习单元，其中，目标拦截器调度实例输入信息用于表示拦截业务分布信息与拦截行为定位信息。
子步骤S142，获取第二机器学习单元的输出结果，其中，输出结果用于表征拦截场景匹配参数。
示例性地，仅作为可替代的示例，上述的第二机器学习单元可以通过以下实施方式配置得到，具体描述如下。
（1）获取多个收集拦截器调度实例序列。
其中，收集拦截器调度实例序列中至少包括目标信息拦截大数据事件中，同为收集拦截业务快照的目标收集拦截防护事件与联动收集拦截防护事件在目标收集信息拦截大数据事件内分别调用的多个第一收集拦截器调度实例以及多个收集联动拦截器调度实例，以及各收集拦截器调度实例的收集拦截数据层。
（2）依次将每个收集拦截器调度实例序列作为当前收集拦截器调度实例序列执行以下操作，直至达到预设条件。
（3）利用与多个第一收集拦截器调度实例对应的第一收集拦截对象标签索引，及与多个收集联动拦截器调度实例对应的联动收集拦截对象标签索引构建收集拦截对象标签索引，并根据收集拦截对象标签索引获取收集拦截业务分布信息。
（4）利用当前收集拦截器调度实例序列中在目标防护数据区域段内被调用且按收集拦截数据层的数据层结构的第一收集拦截器调度实例与收集联动拦截器调度实例构建收集拦截器调度绑定实例集，并根据收集拦截器调度绑定实例集获取收集拦截行为定位信息。
（5）将目标收集拦截器调度实例输入信息输入当前的第二机器学习单元。
其中，目标收集拦截器调度实例输入信息为收集拦截业务分布信息与收集拦截行为定位信息。
（6）获取第二机器学习单元的当前输出结果。
其中，当前输出结果包括目标收集拦截防护事件与联动收集拦截防护事件为第三拦截业务快照的第三参考参数值，以及目标收集拦截防护事件与联动收集拦截防护事件为其它拦截业务快照的第四参考参数值。
（7）在当前输出结果达到预设条件的情况下，确定当前的第二机器学习单元为训练好的第二机器学习单元。
在一种可能的实现方式中，进一步针对步骤S140，在基于拦截业务快照向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息的流程中，可以通过以下示例性的子步骤来实现。
子步骤S143，获取拦截业务快照的快照拦截业务链和对应的各个扩展候选快照拦截业务链。
子步骤S144，分别将快照拦截业务链和各个扩展候选快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布和各个扩展候选快照拦截业务链的标签向量分布，计算快照拦截业务链的标签向量分布分别与各个扩展候选快照拦截业务链的标签向量分布的标签关联度，得到各个标签关联特征。
子步骤S145，基于快照拦截业务链和各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征。
子步骤S146，计算快照拦截业务链和各个扩展候选快照拦截业务链对应的各个业务链匹配要素，基于业务链匹配要素计算得到各个业务链匹配要素特征。
子步骤S147，基于拦截策略匹配特征、标签关联特征和业务链匹配要素特征计算快照拦截业务链分别与各个扩展候选快照拦截业务链的相关程度。
子步骤S148，根据快照拦截业务链分别与各个扩展候选快照拦截业务链的相关程度，得到各个扩展候选快照拦截业务链的目标扩展快照业务链。
子步骤S149，将快照拦截业务链和目标扩展快照业务链作为记录信息发送给联动拦截防护事件所对应的拦截服务。
譬如，在一种可能的实现方式中，针对子步骤S144，在分别将快照拦截业务链和各个扩展候选快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布和各个扩展候选快照拦截业务链的标签向量分布的过程中，可以通过以下示例性的实施方式来实现。
（1）将快照拦截业务链输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布。
（2）分别将各个扩展候选快照拦截业务链输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到各个扩展候选快照拦截业务链的标签向量分布。拦截业务标签向量提取模型是指根据拦截业务标签向量提取的收集快照业务链使用神经网络算法进行训练后得到的。
在一种可能的实现方式中，针对子步骤S145，在基于快照拦截业务链和各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征的过程中，可以通过以下示例性的实施方式来实现。
（1）从各个扩展候选快照拦截业务链确定当前扩展候选快照拦截业务链，将快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布，并将当前扩展候选快照拦截业务链进行拦截业务标签向量提取，得到当前扩展候选快照拦截业务链的标签向量分布。
（2）基于快照拦截业务链的标签向量分布与当前扩展候选快照拦截业务链的标签向量分布进行权限控制器实体提取，得到权限控制器实体提取信息。
（3）将快照拦截业务链的标签向量分布、当前扩展候选快照拦截业务链的标签向量分布和权限控制器实体提取信息进行拼接，得到目标拼接特征，基于目标拼接特征进行拦截策略特征匹配，得到快照拦截业务链与当前扩展候选快照拦截业务链的拦截策略特征匹配度。
（5）将拦截策略特征匹配度作为快照拦截业务链与当前扩展候选快照拦截业务链对应的拦截策略匹配特征。拦截策略特征匹配模型是根据拦截策略特征匹配收集快照业务链使用拦截业务标签向量提取模型进行拦截策略特征匹配训练后得到的。
其中，拦截策略特征匹配模型的生成过程可以是：首先，获取拦截业务标签向量提取模型，根据拦截业务标签向量提取模型得到初始拦截策略特征匹配模型。然后，获取拦截策略特征匹配收集快照业务链，拦截策略特征匹配收集快照业务链包括隐藏快照业务链和非隐藏快照业务链，将隐藏快照业务链和非隐藏快照业务链输入到初始拦截策略特征匹配模型中进行训练，当训练完成时，得到拦截策略特征匹配模型。
其中，拦截业务标签向量提取模型的生成过程可以是：首先，获取拦截业务标签向量提取的收集快照业务链，将拦截业务标签向量提取的收集快照业务链切分，得到切分结果，获取切分结果对应的切分模块的特征信息。然后，将切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集。在此基础上，计算第一卷积特征集和第二卷积特征集的标签关联度，并计算标签关联度和预设第一匹配参考度之和，得到目标和值，并计算目标和值与预设第二匹配参考度的比值，比较预设第一匹配参考度与比值，得到参数差异值。当参数差异值未符合预设条件时，根据参数差异值对初始目标模型进行反向传播更新，得到更新模型参数的目标模型。
在此基础上，可以将更新模型参数的目标模型作为初始目标模型，并返回将切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集的步骤执行，直到训练得到的参数差异值符合预设条件时，将已训练的目标模型作为拦截业务标签向量提取模型。
譬如，在一种可能的实现方式中，针对子步骤S146，在计算快照拦截业务链和各个扩展候选快照拦截业务链对应的各个业务链匹配要素，基于各个业务链匹配要素计算得到各个业务链匹配要素特征的过程中，可以通过以下示例性的实施方式来实现。
（1）从各个扩展候选快照拦截业务链确定当前扩展候选快照拦截业务链，分别将快照拦截业务链和当前扩展候选快照拦截业务链进行业务节点跟踪，得到各个拦截业务标签和各个当前扩展候选业务属性。
（2）将各个拦截业务标签输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到拦截业务标签向量，并将各个当前扩展候选业务属性输入到拦截业务标签向量提取模型中进行拦截业务标签向量提取，得到当前扩展候选业务属性向量。
（3）计算拦截业务标签向量与当前扩展候选业务属性向量的关联属性关系，得到快照拦截业务链和当前扩展候选快照拦截业务链对应的目标业务链匹配要素。
（4）计算目标业务链匹配要素对应的链循环特征和链关系特征，并计算目标业务链匹配要素对应的拦截调度属性特征。
例如，可以从目标业务链匹配要素中得到各个拦截属性关系对应的拦截属性特征参数，计算各个拦截属性特征参数的拼接特征参数，得到链循环特征。
并且，从目标业务链匹配要素中得到各个链流向属性关系对应的链流向属性特征参数，计算各个链流向属性特征参数的拼接特征参数，得到链关系特征。
并且，提取目标业务链匹配要素中每个知识资源节点的各个拦截调度属性特征参数，计算各个拦截调度属性特征参数的拼接特征参数，得到拦截调度属性特征。
（5）将链循环特征、链关系特征和拦截调度属性特征进行拼接，得到快照拦截业务链和当前扩展候选快照拦截业务链对应的当前业务链匹配要素特征。
譬如，在一种可能的实现方式中，对于子步骤S147，在基于拦截策略匹配特征、标签关联特征和业务链匹配要素特征计算快照拦截业务链分别与各个扩展候选快照拦截业务链的相关程度的过程中，可以从快照拦截业务链中提取快照拦截业务链特征，并从各个扩展候选快照拦截业务链提取扩展候选快照拦截业务链特征。然后，基于快照拦截业务链特征、扩展候选快照拦截业务链特征、拦截策略匹配特征、标签关联特征和业务链匹配要素特征计算快照拦截业务链分别与各个扩展候选快照拦截业务链的相关程度。
譬如，在另一种可能的实现方式中，对于子步骤S147，在基于拦截策略匹配特征、标签关联特征和业务链匹配要素特征计算快照拦截业务链分别与各个扩展候选快照拦截业务链的相关程度的过程中，可以将拦截策略匹配特征、标签关联特征和业务链匹配要素特征进行拼接，得到拼接后的特征。，然后将拼接后的特征输入到拦截关联模型中进行计算，得到快照拦截业务链与扩展候选快照拦截业务链的相关程度。
其中，拦截关联模型是根据拦截策略匹配特征、标签关联特征和业务链匹配要素特征构成的训练特征数据使用回归决策树进行训练后得到的。
图3为本公开实施例提供的基于大数据和区块链的信息安全防护装置300的功能模块示意图，本实施例可以根据上述数字金融平台100执行的方法实施例对该基于大数据和区块链的信息安全防护装置300进行功能模块的划分，也即该基于大数据和区块链的信息安全防护装置300所对应的以下各个功能模块可以用于执行上述数字金融平台100执行的各个方法实施例。其中，该基于大数据和区块链的信息安全防护装置300可以包括第一获取模块310、第二获取模块320、构建模块330以及确定模块340，下面分别对该基于大数据和区块链的信息安全防护装置300的各个功能模块的功能进行详细阐述。
第一获取模块310，用于获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集，其中，拦截器调度实例集包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、目标信息拦截大数据事件中联动拦截防护事件在目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层，其中目标信息拦截大数据事件为基于数字金融平台的边缘侧进行信息拦截记录的拦截事件数据。其中，第一获取模块310可以用于执行上述的步骤S110，关于第一获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
第二获取模块320，用于利用与多个目标拦截器调度实例对应的目标拦截对象标签索引，及与多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据拦截对象标签索引获取拦截业务分布信息，其中，目标拦截对象标签索引用于表征按照拦截数据层进行拦截调度处理的多个目标拦截器调度实例的关键拦截业务源对象，联动拦截对象标签索引用于表征按照拦截数据层进行拦截调度处理的多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，拦截业务分布信息用于表征目标拦截对象标签索引及联动拦截对象标签索引的业务绑定关系。其中，第二获取模块320可以用于执行上述的步骤S120，关于第二获取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
构建模块330，用于利用拦截器调度实例集中在目标防护数据区域段内被调用且按拦截数据层的数据层结构的目标拦截器调度实例与联动拦截器调度实例构建拦截器调度绑定实例集，并根据拦截器调度绑定实例集获取拦截行为定位信息，其中，拦截行为定位信息用于表征拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系。其中，构建模块330可以用于执行上述的步骤S130，关于构建模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
确定模块340，用于根据拦截业务分布信息与拦截行为定位信息，获取当前拦截防护事件与联动拦截防护事件之间的拦截场景匹配参数，根据拦截场景匹配参数确定当前拦截防护事件与联动拦截防护事件之间的拦截业务快照，并基于拦截业务快照向当前拦截防护事件与联动拦截防护事件所对应的拦截服务发送记录信息。其中，确定模块340可以用于执行上述的步骤S140，关于确定模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，第一获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上第一获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图4示出了本公开实施例提供的用于实现上述的基于大数据和区块链的信息安全防护方法的数字金融平台100的硬件结构示意图，如图4所示，数字金融平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于大数据和区块链的信息安全防护装置300包括的第一获取模块310、第二获取模块320、构建模块330以及确定模块340），使得处理器110可以执行如上方法实施例的基于大数据和区块链的信息安全防护方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的数字金融服务终端200进行数据收发。
处理器110的具体实现过程可参见上述数字金融平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据和区块链的信息安全防护方法。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据和区块链的信息安全防护方法，其特征在于，应用于数字金融平台，所述数字金融平台与多个数字金融服务终端通信连接，所述方法包括：
获取目标信息拦截大数据事件中当前拦截防护事件和联动拦截防护事件之间的拦截器调度实例集，其中，所述拦截器调度实例集包括目标信息拦截大数据事件中当前拦截防护事件在目标防护数据区域内调用的多个目标拦截器调度实例、所述目标信息拦截大数据事件中联动拦截防护事件在所述目标防护数据区域内调用的多个联动拦截器调度实例，以及各拦截器调度实例的拦截数据层，其中所述目标信息拦截大数据事件为基于所述数字金融平台的区块链拦截服务进行信息拦截记录的拦截事件数据；
利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引，并根据所述拦截对象标签索引获取拦截业务分布信息，其中，所述目标拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个目标拦截器调度实例的关键拦截业务源对象，所述联动拦截对象标签索引用于表征按照所述拦截数据层进行拦截调度处理的所述多个联动拦截器调度实例的拦截器调度实例的关键拦截业务源对象，所述拦截业务分布信息用于表征所述目标拦截对象标签索引及所述联动拦截对象标签索引的业务绑定关系；
利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集，并根据所述拦截器调度绑定实例集获取拦截行为定位信息，其中，所述拦截行为定位信息用于表征所述拦截器调度绑定实例集中至少两个映射拦截器调度实例之间的业务绑定关系；
根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数，根据所述拦截场景匹配参数确定所述当前拦截防护事件与所述联动拦截防护事件之间的拦截业务快照，并基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上。
2.根据权利要求1所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引的步骤，包括：
将目标拦截器调度实例集与所述联动拦截器调度实例集进行比对，以得到多个关键业务分布，其中，所述关键业务分布包括满足最低业务分布确定条件的至少一个所述拦截器调度实例业务分布；
根据多个所述关键业务分布，获取多个拦截对象标签索引，其中，所述多个拦截对象标签索引用于构建所述拦截对象标签索引。
3.根据权利要求2所述的基于大数据和区块链的信息安全防护方法，其特征在于，利用与所述多个目标拦截器调度实例对应的目标拦截对象标签索引，及与所述多个联动拦截器调度实例对应的联动拦截对象标签索引构建拦截对象标签索引包括：
将所述目标拦截器调度实例集作为当前拦截器调度实例集，重复执行以下步骤，直至遍历所述联动拦截器调度实例集；
从所述当前拦截器调度实例集中确定当前拦截器调度实例业务分布；
将所述当前拦截器调度实例业务分布与所述联动拦截器调度实例集中的每个拦截器调度实例业务分布依次进行比对；
在所述联动拦截器调度实例集中存在与所述当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将所述当前拦截器调度实例业务分布作为所述关键业务分布；
在所述联动拦截器调度实例集中不存在与所述当前拦截器调度实例业务分布相同的拦截器调度实例业务分布的情况下，将从所述当前拦截器调度实例集中获取下一个拦截器调度实例业务分布作为所述当前拦截器调度实例业务分布。
4.根据权利要求1所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述利用所述拦截器调度实例集中在目标防护数据区域段内被调用且按所述拦截数据层的数据层结构的所述目标拦截器调度实例与所述联动拦截器调度实例构建拦截器调度绑定实例集的步骤，包括：
将所述拦截器调度实例集中在目标防护数据区域段内的所述目标拦截器调度实例与所述联动拦截器调度实例进行拦截功能映射，获得多个拦截功能映射信息；
根据所述拦截数据层，对所述多个拦截功能映射信息进行数据层结构映射，并根据数据层结构映射结果对相匹配的数据层结构关系所对应的目标拦截器调度实例与联动拦截器调度实例之间的业务拦截交互关系进行记录，以构建拦截器调度绑定实例集。
5.根据权利要求1所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述根据所述拦截对象标签索引获取拦截业务分布信息的步骤，包括：
将所述拦截对象标签索引输入第一机器学习单元，并获取所述第一机器学习单元输出的所述拦截业务分布信息，其中，所述第一机器学习单元用于捕捉所述拦截对象标签索引中各个拦截器调度实例业务分布元素之间的关联特征；
所述根据所述拦截器调度绑定实例集获取拦截行为定位信息的步骤，包括：
将所述拦截器调度绑定实例集输入所述第一机器学习单元；
获取所述第一机器学习单元输出的所述拦截行为定位信息。
6.根据权利要求1-5中任意一项所述的基于大数据和区块链的信息安全防护方法，其特征在于，根据所述拦截业务分布信息与所述拦截行为定位信息，获取所述当前拦截防护事件与所述联动拦截防护事件之间的拦截场景匹配参数的步骤，包括：
将目标拦截器调度实例输入信息输入第二机器学习单元，其中，所述目标拦截器调度实例输入信息用于表示所述拦截业务分布信息与所述拦截行为定位信息；
获取所述第二机器学习单元的输出结果，其中，所述输出结果用于表征所述拦截场景匹配参数。
7.根据权利要求6所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述方法还包括：
获取多个收集拦截器调度实例序列，其中，所述收集拦截器调度实例序列中至少包括所述目标信息拦截大数据事件中，同为收集拦截业务快照的目标收集拦截防护事件与联动收集拦截防护事件在目标收集信息拦截大数据事件内分别调用的多个第一收集拦截器调度实例以及多个收集联动拦截器调度实例，以及各收集拦截器调度实例的收集拦截数据层；
依次将每个所述收集拦截器调度实例序列作为当前收集拦截器调度实例序列执行以下操作，直至达到预设条件；
利用与所述多个第一收集拦截器调度实例对应的第一收集拦截对象标签索引，及与所述多个收集联动拦截器调度实例对应的联动收集拦截对象标签索引构建收集拦截对象标签索引，并根据所述收集拦截对象标签索引获取收集拦截业务分布信息；
利用所述当前收集拦截器调度实例序列中在所述目标防护数据区域段内被调用且按所述收集拦截数据层的数据层结构的所述第一收集拦截器调度实例与所述收集联动拦截器调度实例构建收集拦截器调度绑定实例集，并根据所述收集拦截器调度绑定实例集获取收集拦截行为定位信息；
将目标收集拦截器调度实例输入信息输入当前的所述第二机器学习单元，其中，所述目标收集拦截器调度实例输入信息为所述收集拦截业务分布信息与所述收集拦截行为定位信息；
获取所述第二机器学习单元的当前输出结果，其中，所述当前输出结果包括所述目标收集拦截防护事件与所述联动收集拦截防护事件为第三拦截业务快照的第三参考参数值，以及所述目标收集拦截防护事件与所述联动收集拦截防护事件为其它拦截业务快照的第四参考参数值；
在所述当前输出结果达到预设条件的情况下，确定当前的所述第二机器学习单元为训练好的所述第二机器学习单元。
8.根据权利要求1-7中任意一项所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述基于所述拦截业务快照向所述当前拦截防护事件与所述联动拦截防护事件所对应的拦截服务发送记录信息，其中，所述记录信息通过所述拦截服务上传到对应的区块链拦截节点上的步骤，包括：
获取所述拦截业务快照的快照拦截业务链和对应的各个扩展候选快照拦截业务链；
分别将所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布和各个扩展候选快照拦截业务链的标签向量分布，计算所述快照拦截业务链的标签向量分布分别与所述各个扩展候选快照拦截业务链的标签向量分布的标签关联度，得到各个标签关联特征；
基于所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征；
计算所述快照拦截业务链和所述各个扩展候选快照拦截业务链对应的各个业务链匹配要素，基于所述业务链匹配要素计算得到各个业务链匹配要素特征；
基于所述拦截策略匹配特征、所述标签关联特征和所述业务链匹配要素特征计算所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度；
根据所述快照拦截业务链分别与所述各个扩展候选快照拦截业务链的相关程度，得到所述各个扩展候选快照拦截业务链的目标扩展快照业务链；
将所述快照拦截业务链和所述目标扩展快照业务链作为所述记录信息发送给所述联动拦截防护事件所对应的拦截服务。
9.根据权利要求1所述的基于大数据和区块链的信息安全防护方法，其特征在于，所述基于所述快照拦截业务链和所述各个扩展候选快照拦截业务链进行拦截策略特征匹配，得到各个拦截策略匹配特征，包括：
从所述各个扩展候选快照拦截业务链确定当前扩展候选快照拦截业务链，将所述快照拦截业务链进行拦截业务标签向量提取，得到快照拦截业务链的标签向量分布，并将所述当前扩展候选快照拦截业务链进行拦截业务标签向量提取，得到当前扩展候选快照拦截业务链的标签向量分布；
基于所述快照拦截业务链的标签向量分布与所述当前扩展候选快照拦截业务链的标签向量分布进行权限控制器实体提取，得到权限控制器实体提取信息；
将所述快照拦截业务链的标签向量分布、所述当前扩展候选快照拦截业务链的标签向量分布和所述权限控制器实体提取信息进行拼接，得到目标拼接特征，基于所述目标拼接特征进行拦截策略特征匹配，得到所述快照拦截业务链与所述当前扩展候选快照拦截业务链的拦截策略特征匹配度；
将所述拦截策略特征匹配度作为所述快照拦截业务链与所述当前扩展候选快照拦截业务链对应的拦截策略匹配特征；所述拦截策略特征匹配模型是根据拦截策略特征匹配收集快照业务链使用拦截业务标签向量提取模型进行拦截策略特征匹配训练后得到的；
其中，所述拦截策略特征匹配模型的生成包括以下步骤：
获取拦截业务标签向量提取模型，根据所述拦截业务标签向量提取模型得到初始拦截策略特征匹配模型；
获取拦截策略特征匹配收集快照业务链，所述拦截策略特征匹配收集快照业务链包括隐藏快照业务链和非隐藏快照业务链，将所述隐藏快照业务链和非隐藏快照业务链输入到所述初始拦截策略特征匹配模型中进行训练，当训练完成时，得到所述拦截策略特征匹配模型；
其中，所述拦截业务标签向量提取模型的生成包括以下步骤：
获取拦截业务标签向量提取的收集快照业务链，将所述拦截业务标签向量提取的收集快照业务链切分，得到切分结果，获取所述切分结果对应的切分模块的特征信息；
将所述切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集；
计算所述第一卷积特征集和所述第二卷积特征集的标签关联度，并计算所述标签关联度和预设第一匹配参考度之和，得到目标和值；
计算所述目标和值与预设第二匹配参考度的比值，比较所述预设第一匹配参考度与所述比值，得到所述参数差异值；
当所述参数差异值未符合预设条件时，根据所述参数差异值对所述初始目标模型进行反向传播更新，得到更新模型参数的目标模型；
将所述更新模型参数的目标模型作为初始目标模型，并返回将所述切分模块的特征信息输入到初始目标模型中和已训练的拦截业务标签向量提取模型中进行卷积计算，得到输出的第一卷积特征集和第二卷积特征集的步骤执行，直到训练得到的参数差异值符合所述预设条件时，将已训练的目标模型作为拦截业务标签向量提取模型。
10.一种数字金融平台，其特征在于，所述数字金融平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个数字金融服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-9中任意一项的基于大数据和区块链的信息安全防护方法。
CN202011554199.4A 2020-12-24 2020-12-24 基于大数据和区块链的信息安全防护方法及数字金融平台 Withdrawn CN112733134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011554199.4A CN112733134A (zh) 2020-12-24 2020-12-24 基于大数据和区块链的信息安全防护方法及数字金融平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011554199.4A CN112733134A (zh) 2020-12-24 2020-12-24 基于大数据和区块链的信息安全防护方法及数字金融平台

Publications (1)

Publication Number Publication Date
CN112733134A true CN112733134A (zh) 2021-04-30

Family

ID=75615495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011554199.4A Withdrawn CN112733134A (zh) 2020-12-24 2020-12-24 基于大数据和区块链的信息安全防护方法及数字金融平台

Country Status (1)

Country Link
CN (1) CN112733134A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150395A (zh) * 2022-06-08 2022-10-04 南京大学 一种基于批量调度的Hyperledger Fabric防护加速器

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150395A (zh) * 2022-06-08 2022-10-04 南京大学 一种基于批量调度的Hyperledger Fabric防护加速器
CN115150395B (zh) * 2022-06-08 2023-08-22 南京大学 一种基于批量调度的Hyperledger Fabric防护加速器

Similar Documents

Publication Publication Date Title
US9042647B2 (en) Adaptive character segmentation method and system for automated license plate recognition
CN112163008B (zh) 基于大数据分析的用户行为数据处理方法及云计算平台
CN111290958B (zh) 一种调试智能合约的方法及装置
CN112711578B (zh) 用于云计算业务的大数据去噪方法及云计算金融服务器
CN108846660B (zh) 一种识别异常资金的方法及系统
CN111861463A (zh) 基于区块链和人工智能的信息智能识别方法及大数据平台
CN115035347A (zh) 图片识别方法、装置及电子设备
CN112733134A (zh) 基于大数据和区块链的信息安全防护方法及数字金融平台
CN112580105B (zh) 基于交互类与非交互类的数据权限防护方法及系统
CN112711580B (zh) 用于云计算业务的大数据挖掘方法及云计算金融服务器
CN112257689A (zh) 人脸识别模型的训练和识别方法、存储介质及相关设备
CN106875184B (zh) 异常场景模拟方法、装置及设备
CN111193631B (zh) 信息处理方法、系统和计算机可读存储介质
CN112671774A (zh) 基于云计算和区块链的大数据分析方法及数字金融系统
CN110688368A (zh) 一种构件行为模型挖掘方法与装置
CN112837060B (zh) 用于区块链安全防护的支付业务处理方法及数字金融平台
CN115268847A (zh) 区块链智能合约的生成方法、装置及电子设备
CN113935034A (zh) 基于图神经网络的恶意代码家族分类方法、装置和存储介质
CN112685007A (zh) 结合大数据画像的信息云计算推送方法及数字内容服务器
CN112528313A (zh) 数据权限的防护方法及系统
CN112132693A (zh) 交易验证方法、装置、计算机设备与计算机可读存储介质
CN112927004A (zh) 用于大数据画像的信息云计算分析方法及信息推送服务器
CN111582502A (zh) 一种样本迁移学习方法和装置
CN111800483B (zh) 基于边缘计算和大数据的信息处理方法及人工智能云平台
CN113255929B (zh) 异常用户可解释原因的获取方法和装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210430