CN113835988B - 指标信息预测方法及系统 - Google Patents
指标信息预测方法及系统 Download PDFInfo
- Publication number
- CN113835988B CN113835988B CN202111427730.6A CN202111427730A CN113835988B CN 113835988 B CN113835988 B CN 113835988B CN 202111427730 A CN202111427730 A CN 202111427730A CN 113835988 B CN113835988 B CN 113835988B
- Authority
- CN
- China
- Prior art keywords
- target
- continuous operation
- behavior
- extended
- information
- 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.)
- Active
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
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明实施例提供一种指标信息预测方法及系统,在确定目标行为源在业务系统中各个业务板块的各个持续操作对象的持续操作数据序列后,可以同步获取目标行为源相关的目标扩展行为源,并基于目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测。如此,通过结合目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测,可以提高异常指标预测的特征丰富性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种指标信息预测方法及系统。
背景技术
在业务系统(如信贷业务系统)中,为了维持业务系统运行的可靠性,需要进行异常数据识别,以便于进行异常知识节点(例如异常定位对象)的分配,进而可以为后续的异常指标预测提供依据。然而,相关技术中,异常指标预测的特征丰富性没有充分被考虑。
发明内容
为了至少克服现有技术中的上述不足,本发明的目的在于提供一种指标信息预测方法及系统。
第一方面,本发明提供一种指标信息预测方法,应用于指标信息预测系统,所述方法包括:
基于业务系统中需要异常行为挖掘的异常运行活动数据在异常行为挖掘模型中异常行为挖掘,获得候选异常行为簇,并基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇;
当所述候选异常行为簇的异常判别信息是否为关注异常行为簇时,追溯发起所述候选异常行为簇的目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,其中,所述持续操作数据序列中的持续操作数据包括持续操作对象ID和对应持续操作对象ID的持续操作路径信息;
根据所述目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,获取所述目标行为源相关的目标扩展行为源,并基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测。
其中,所述基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇的步骤,包括:
基于所述候选异常行为簇的异常知识节点分配信息,确定存在共同异常知识节点的候选异常行为簇,获取所述候选异常行为簇在目标介入节点相关的紧急介入事件数据,所述紧急介入事件数据包括紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据;
依据所述紧急介入事件数据获得所述候选异常行为簇在目标介入节点相关的紧急介入情报态势;
确定所述目标介入节点相关的目标介入阶段内,所述目标介入节点的各个前置介入节点相关的前置紧急介入情报态势,将所述紧急介入情报态势以及所述前置紧急介入情报态势进行联结,构建所述目标介入阶段相关的目标情报态势分布;
确定所述目标介入阶段的对照介入阶段相关的对照情报态势分布;其中所述对照情报态势分布包括所述对照介入阶段中的介入节点对应的情报态势,所述对照情报态势分布中的情报态势基于介入顺序分布;
依据所述目标情报态势分布以及所述对照情报态势分布进行分析,当依据所述对照情报态势分布确定所述目标情报态势分布存在情报态势变化时,确定所述候选异常行为簇的异常判别信息为关注异常行为簇。
譬如,基于目标介入策略对所述候选异常行为簇进行分析,所述确定所述目标介入节点相关的目标介入阶段内,所述目标介入节点的各个前置介入节点相关的前置紧急介入情报态势包括:
获取所述目标介入节点的前预设数量个介入节点所分别生成的情报态势,依次确定为所述目标介入节点相关的目标介入阶段内,所述目标介入节点的前置介入节点相关的前置紧急介入情报态势;
所述确定所述目标介入阶段的对照介入阶段相关的对照情报态势分布包括:
获取所述目标介入节点的前一介入节点,作为所述对照介入阶段的末端介入节点,获取所述末端介入节点的预设数量个介入节点所分别生成的情报态势,并基于介入顺序分布,获得所述目标介入阶段的对照介入阶段相关的对照情报态势分布。
譬如,所述方法还包括:
将所述紧急介入事件数据传递至机器学习网络中,所述机器学习网络依据所述紧急介入触发点数据确定所述机器学习网络的基础网络单元相关的第一继承网络单元,依据所述紧急介入终止点数据确定所述第一继承网络单元相关的第二继承网络单元,依据所述紧急介入流程数据确定所述第二继承网络单元相关的第三继承网络单元,依据所述第三继承网络单元相关的介入持续性活动解析策略确定目标介入节点相关的目标介入持续性活动;
当所述目标介入持续性活动为存在标注介入持续性活动时,确定对应的参考提示信息。
第二方面,本发明实施例还提供一种指标信息预测系统,所述指标信息预测系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述的指标信息预测方法。
依据上述任意一个方面,在确定目标行为源在业务系统中各个业务板块的各个持续操作对象的持续操作数据序列后,可以同步获取目标行为源相关的目标扩展行为源,并基于目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测。如此,通过结合目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测,可以提高异常指标预测的特征丰富性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,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,还可以依据这些附图提取其它相关的附图。
图1为本发明实施例提供的指标信息预测方法的流程示意图;
图2为本发明实施例提供的用于实现上述的指标信息预测方法的指标信息预测系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和基于本发明,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本发明的原则和范围时,本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本发明并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本发明中所使用的术语仅用于描述特定的示例性实施例,并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本发明说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本发明说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本发明的范围。应当理解的是,附图并不是按比例绘制的。
本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。此外,可以向流程图添加一个或以上其它操作。也可以从流程图中剔除一个或以上操作。
下面结合说明书附图对本发明进行具体说明,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是本发明一种实施例提供的指标信息预测方法的流程示意图,下面对该指标信息预测方法进行详细介绍。
步骤S110,基于业务系统中需要异常行为挖掘的异常运行活动数据在异常行为挖掘模型中异常行为挖掘,获得候选异常行为簇,并基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇。
本实施例中,通过搜集业务系统中需要异常行为挖掘的异常运行活动数据,然后由此进行异常行为挖掘,可以获得对应的候选异常行为构成的集合,也即该候选异常行为簇,并基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇。通过确定候选异常行为簇的异常判别信息是否为关注异常行为簇,以便于后续分析处理。
步骤S120,当所述候选异常行为簇的异常判别信息是否为关注异常行为簇时,追溯发起所述候选异常行为簇的目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列。
其中,所述持续操作数据序列中的持续操作数据包括持续操作对象ID和对应持续操作对象ID的持续操作路径信息。持续操作对象可以是指对象操作持续时间大于预设时间的操作对象,持续操作路径信息可以表征该操作对象在操作过程中经由的操作业务节点构成的路径。
步骤S130,根据所述目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,获取所述目标行为源相关的目标扩展行为源,并基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测。
本实施例中,在确定目标行为源在业务系统中各个业务板块的各个持续操作对象的持续操作数据序列后,可以同步获取目标行为源相关的目标扩展行为源,并基于目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测。如此,通过结合目标行为源和目标扩展行为源下的汇总异常行为数据进行异常指标预测,可以提高异常指标预测的特征丰富性。
其中,步骤S130可以通过以下示例性的步骤实现。
步骤S131,基于上述目标行为源的行为源类型,以上述行为源类型为基准类型,确定业务上线类型范围是否存在与之联系的至少一个行为源。
步骤S132,如果是,获取所述至少一个行为源中每个行为源的持续操作对象信息组作为扩展持续操作数据序列,获得扩展持续操作数据序列簇,其中,所述扩展持续操作数据序列中的扩展持续操作数据包括持续操作对象ID、对应持续操作对象ID的持续操作路径信息和持续操作状态;
步骤S133,如果解析到所述扩展持续操作数据序列簇中具有匹配目标要求的扩展持续操作数据序列,将匹配目标要求的扩展持续操作数据序列所对应的行为源确定为扩展行为源,获得扩展行为源簇,其中,所述目标要求为:扩展持续操作数据序列包括的各个扩展持续操作数据的持续操作状态为操作未中断;
步骤S134,基于所述扩展行为源簇中各个扩展行为源的行为源类型,选择与所述目标行为源的行为源类型最匹配的扩展行为源作为目标扩展行为源。
一种示例性的设计思路中,针对步骤S130,在基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测的流程汇总,例如可以基于所述持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据,基于所述目标行为源的行为源类型和所述目标扩展行为源的行为源类型,生成行为源联系信息,基于所述行为源联系信息将所述扩展操作事件数据中的异常行为数据与所述持续操作数据序列中的异常行为数据进行对应联系,获得汇总异常行为数据,并对所述汇总异常行为数据中的每个异常指标进行预测。
例如,在对所述汇总异常行为数据中的每个异常指标进行预测的过程中,例如可以将汇总异常行为数据传递至异常指标预测模型中,以预测每个异常指标的置信度进而进行输出。其中,异常指标预测模型可以基于训练样本数据以及训练样本数据所携带的异常指标的标注置信度进行训练生成,具体训练步骤可以参见相关现有技术中的训练步骤,此处不作赘述。
其中,在基于所述持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据的流程中,例如可以将所述目标行为源当前操作的持续操作对象的持续操作数据作为当前持续操作数据,其中,所述当前操作的持续操作对象为所述目标行为源首个持续操作对象。从所述持续操作数据序列中剔除所述当前持续操作数据,获得第一持续操作数据序列。基于所述第一持续操作数据序列所包括的持续操作路径信息,对所述第一持续操作数据序列进行分团,获得第一持续操作数据团序列。从所述第一持续操作数据团序列所包括的第一持续操作数据中获取与所述当前持续操作数据包括的持续操作路径信息最匹配的第一持续操作数据所在的第一目标持续操作数据团,并基于所述第一目标持续操作数据团从所述目标扩展行为源的操作数据库中获取与之对应的操作事件数据作为扩展操作事件数据。
一种示例性的设计思路中,如果所述扩展持续操作数据序列簇中不具有匹配目标要求的扩展持续操作数据序列,对于所述扩展持续操作数据序列簇中的各个扩展持续操作数据序列,进行以下操作:
(1)从所述扩展持续操作数据序列中选择匹配第一预设要求的扩展持续操作数据作为第一扩展持续操作数据,获得第一扩展持续操作数据序列,其中,所述第一预设要求为:扩展持续操作数据包括的持续操作状态为未结束操作状态;
(2)基于所述第一扩展持续操作数据序列对应的行为源的当前行为源类型和所述第一扩展持续操作数据序列所包括的持续操作路径信息,确定所述第一扩展持续操作数据序列的第一持续操作图谱;
(3)基于所述第一扩展持续操作数据序列对应的行为源的当前行为源类型与所述目标行为源的行为源类型,生成行为源联系信息;
(4)将所述行为源联系信息的联系图谱与所述第一持续操作图谱的融合图谱确定为第二持续操作图谱。
在以上基础上,针对步骤S130中基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测的流程汇总,可以从所述第二持续操作图谱中选择匹配度最大的第二持续操作图谱对应的行为源作为目标扩展行为源,基于所述持续操作数据序列和所述目标扩展行为源的第一扩展持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据,基于所述目标行为源的行为源类型和所述目标扩展行为源的行为源类型,生成行为源联系信息,基于所述行为源联系信息将所述扩展操作事件数据中的异常行为数据与所述持续操作数据序列中的异常行为数据进行对应联系,获得汇总异常行为数据,并对所述汇总异常行为数据中的每个异常指标进行预测。
一种示例性的设计思路中,基于所述持续操作数据序列和所述目标扩展行为源的第一扩展持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据的流程,对于所述第一扩展持续操作数据序列中的各个第一扩展持续操作数据,进行以下操作:
(1)将所述持续操作数据序列中每个持续操作数据包括的持续操作路径信息和所述第一扩展持续操作数据包括的持续操作路径信息的路径重合度确定为目标路径重合度,获得目标路径重合度序列;
(2)如果目标路径重合度序列中具有匹配度最大且匹配预设路径重合度要求的目标路径重合度,将所述目标路径重合度对应的持续操作数据确定为第二持续操作数据,其中,所述预设路径重合度要求为目标路径重合度不大于目标路径重合度;
(3)将所述第二持续操作数据和所述第一扩展持续操作数据序列进行组合处理,获得所述目标扩展行为源的扩展操作事件数据。
一种示例性的设计思路中,针对步骤S110,基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇,可以通过以下示例性的步骤实现。
步骤S202,基于所述候选异常行为簇的异常知识节点分配信息,确定存在共同异常知识节点的候选异常行为簇,获取候选异常行为簇在目标介入节点相关的紧急介入事件数据,紧急介入事件数据包括紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据。
紧急介入事件数据是与紧急介入事件的相关数据信息,例如紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据。紧急介入触发点数据是指候选异常行为簇相关的与紧急介入触发的相关数据。紧急介入终止点数据是指候选异常行为簇相关的与紧急介入终止的相关数据。
步骤S204,依据紧急介入事件数据,确定候选异常行为簇在目标介入节点相关的紧急介入情报态势。
例如,可依据预先配置的威胁度量值评估网络进行情报态势预估,获得候选异常行为簇在目标介入节点相关的紧急介入情报态势。例如,可以依据紧急介入事件数据以及预先建立的威胁度量值评估网络,确定对应的威胁度量值最大的情报态势,将该威胁度量值最大的情报态势,作为候选异常行为簇在目标介入节点相关的紧急介入情报态势。
步骤S206,确定目标介入节点相关的目标介入阶段内,目标介入节点的各个前置介入节点相关的前置紧急介入情报态势,将紧急介入情报态势以及前置紧急介入情报态势进行联结,构建目标介入阶段相关的目标情报态势分布。
其中,前置介入节点是在目标介入节点之前的介入节点。目标介入阶段是目标介入节点相关的介入阶段。
例如,可获取目标介入节点相关的前置介入节点中所分别生成的情报态势,将这些情报态势进行联结,获得目标介入阶段相关的目标情报态势分布。
步骤S208,确定目标介入阶段的对照介入阶段相关的对照情报态势分布;其中对照情报态势分布包括对照介入阶段中的各个介入节点对应的情报态势,对照情报态势分布中的情报态势依据介入顺序分布。
其中,对照介入阶段可以依据实际需求进行配置,作为对照介入阶段,也可以是将目标介入阶段的前一个介入阶段作为对照介入阶段。
对照情报态势分布中的情报态势的数量与目标情报态势分布中的情报态势的数量可以是匹配的,对照情报态势分布中的情报态势与目标情报态势分布中的情报态势相关的介入节点,在所在介入阶段的顺序可以先提供。
步骤S210,依据目标情报态势分布以及对照情报态势分布进行分析,当依据对照情报态势分布确定目标情报态势分布存在情报态势变化时,确定候选异常行为簇的异常判别信息为关注异常行为簇。
例如,关注异常行为簇可以表征可能存在标注介入持续性活动。可以将目标情报态势分布与对照情报态势分布进行分析,确定目标情报态势分布与对照情报态势分布的特征是否匹配,如果不匹配,则确定目标情报态势分布存在情报态势变化。此外,还可以将对照情报态势分布相关的对照威胁度量值,与目标情报态势分布相关的目标威胁度量值进行分析,确定这两个威胁度量值的区别度量值,若威胁度量值的区别度量值大于目标度量值时,说明两个情报态势分布之间区别度量值的比较大,则确定目标情报态势分布存在情报态势变化。
依据以上步骤,获取候选异常行为簇在目标介入节点相关的紧急介入事件数据,紧急介入事件数据包括紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据;依据紧急介入事件数据获得候选异常行为簇在目标介入节点相关的紧急介入情报态势;确定目标介入节点相关的目标介入阶段内,目标介入节点的各个前置介入节点相关的前置紧急介入情报态势,将紧急介入情报态势以及前置紧急介入情报态势进行联结,构建目标介入阶段相关的目标情报态势分布;确定目标介入阶段的对照介入阶段相关的对照情报态势分布;其中对照情报态势分布包括对照介入阶段中的各个介入节点对应的情报态势,对照情报态势分布中的情报态势依据介入顺序分布;依据目标情报态势分布以及对照情报态势分布进行分析,当依据对照情报态势分布确定目标情报态势分布存在情报态势变化时,确定候选异常行为簇的异常判别信息为关注异常行为簇。由此,可依据紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据进行情报态势的挖掘分析,便于确定候选异常行为簇的异常判别信息是否为关注异常行为簇,以便于后续分析处理。
一种示例性的设计思路中,依据目标情报态势分布以及对照情报态势分布进行分析,当依据对照情报态势分布确定目标情报态势分布存在情报态势变化时,确定候选异常行为簇的异常判别信息为关注异常行为簇包括:
(1)依据威胁度量值评估网络,确定对照情报态势分布相关的威胁度量值,作为对照威胁度量值。
(2)依据威胁度量值评估网络,确定目标情报态势分布相关的威胁度量值,作为目标威胁度量值。
(3)将目标威胁度量值与对照威胁度量值进行分析,如果目标威胁度量值与对照威胁度量值之间的区别度量值大于目标度量值时,确定目标情报态势分布存在情报态势变化,确定候选异常行为簇的异常判别信息为关注异常行为簇。
例如,将对照威胁度量值减去目标威胁度量值,获得威胁度量差值;如果威胁度量差值与对照威胁度量值的商值大于目标度量值时,确定目标情报态势分布存在情报态势变化。
一种示例性的设计思路中,依据目标介入策略对候选异常行为簇进行分析,确定目标介入节点相关的目标介入阶段内,目标介入节点的各个前置介入节点相关的前置紧急介入情报态势包括:获取目标介入节点的前预设数量个介入节点所分别生成的情报态势,依次确定为目标介入节点相关的目标介入阶段内,目标介入节点的前置介入节点相关的前置紧急介入情报态势;确定目标介入阶段的对照介入阶段相关的对照情报态势分布包括:获取目标介入节点的前一介入节点,作为对照介入阶段的末端介入节点,获取末端介入节点的预设数量个介入节点所分别生成的情报态势,并依据介入顺序分布,获得目标介入阶段的对照介入阶段相关的对照情报态势分布。
其中,目标介入节点的前预设数量个介入节点是指在目标介入节点之前,且间隔目标介入节点最近的预设数量个介入节点。
目标介入节点的前一介入节点是目标介入节点的上一个介入节点。末端介入节点是一个介入阶段中的最后一个介入节点。例如,可以获取对照介入阶段的最后一个介入节点之前的预设数量个介入节点分别生成的情报态势,并依据介入顺序分布,获得目标介入阶段的对照介入阶段相关的对照情报态势分布。
如此,可以使得目标介入阶段是一直更新的,使得目标介入阶段与对照介入阶段之间的情报态势分布有部分情报态势是对应同一介入节点的,即目标情报态势分布是除去对照情报态势分布中的第一个情报态势,再结合目标介入节点的情报态势得到的,从而依据目标情报态势分布以及对照情报态势分布进行分析,能够使得目标介入阶段中目标介入节点相关的紧急介入情报态势,正确的目标情报态势分布相关的威胁度量值的影响更大,由此对目标威胁度量值与对照威胁度量值进行分析时,可以重点判别紧急介入情报态势的出现是否使得目标情报态势分布存在浮动,以便于及时挖掘是否存在标注介入持续性活动的情况。
一种示例性的设计思路中,威胁度量值评估网络包括情报态势迁移度量模型以及情报态势发展度量模型;依据紧急介入事件数据获得候选异常行为簇在目标介入节点相关的紧急介入情报态势包括:依据情报态势迁移度量模型、情报态势发展度量模型以及紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势映射为各个参考情报态势的目标情报态势度量值;将对应的目标情报态势度量值最大的参考情报态势,作为候选异常行为簇在目标介入节点相关的紧急介入情报态势。
一种示例性的设计思路中,还包括:将紧急介入事件数据传递至机器学习网络中,机器学习网络依据紧急介入触发点数据确定机器学习网络的基础网络单元相关的第一继承网络单元,依据紧急介入终止点数据确定第一继承网络单元相关的第二继承网络单元,依据紧急介入流程数据确定第二继承网络单元相关的第三继承网络单元,依据第三继承网络单元相关的介入持续性活动解析策略确定目标介入节点相关的目标介入持续性活动。
依据情报态势迁移度量模型、发射威胁度量值以及紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势变换为各个参考情报态势的目标情报态势度量值包括:
对于第三继承网络单元相关的参考情报态势,依据情报态势迁移度量模型、情报态势发展度量模型以及紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势变换为参考情报态势的第一情报态势度量值;依据目标介入持续性活动对第一情报态势度量值进行扩展计算,获得目标情报态势度量值;
针对非第三继承网络单元相关的参考情报态势,依据情报态势迁移度量模型、情报态势发展度量模型以及紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势变换为参考情报态势的第一情报态势度量值;将第一情报态势度量值作为目标情报态势度量值。
当目标介入持续性活动为存在介入持续性活动时,则对第一情报态势度量值进行扩展计算,获得目标情报态势度量值。当目标介入持续性活动为不具有介入持续性活动时,则不对第一情报态势度量值进行扩展计算,将第一情报态势度量值作为目标情报态势度量值。例如,针对非第三继承网络单元相关的参考情报态势,则也不进行扩展计算。
一种示例性的设计思路中,当所述目标介入持续性活动为存在标注介入持续性活动时,确定对应的参考提示信息。
图2示出了本发明实施例提供的用于实现上述的指标信息预测方法的指标信息预测系统100的硬件结构意图,如图2所示,指标信息预测系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种示例性的设计思路中,指标信息预测系统100可以是单个指标信息预测系统,也可以是指标信息预测系统组。所述指标信息预测系统组可以是集中式的,也可以是分布式的(例如,指标信息预测系统100可以是分布式的系统)。一种示例性的设计思路中,指标信息预测系统100可以是本地的,也可以是远程的。例如,指标信息预测系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,指标信息预测系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种示例性的设计思路中,指标信息预测系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种示例性的设计思路中,机器可读存储介质120可以存储从外部终端获取的数据。一种示例性的设计思路中,机器可读存储介质120可以储存指标信息预测系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。一种示例性的设计思路中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一种示例性的设计思路中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
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存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的指标信息预测方法,处理器110、机器可读存储介质120以及通信单元140依据总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述指标信息预测系统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。
此外,本发明实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上指标信息预测方法。
应当理解的是,以上描述仅出于说明的目的,并不旨在限制本发明的范围。对于本领域的普通技术人员来说,可以基于本发明的描述,做出多种修改和变化。然而,这些修改和变化不会背离本发明的范围。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本发明的限制。虽然此处并没有明确说明,本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议,所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时,本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本发明的各方面可以依据若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以依据连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以依据任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,主动编程语言如Python、Ruby和Groovy,或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或指标信息预测系统上运行。在后种情况下,远程计算机可以依据任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如依据因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本发明流程和方法的顺序。尽管上述披露中依据各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以依据硬件设备实现,但是也可以只依据软件的解决方案得以实现,如在现有的指标信息预测系统或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (9)
1.一种指标信息预测方法,其特征在于,基于所述指标信息预测系统实现,所述方法包括:
基于业务系统中需要异常行为挖掘的异常运行活动数据在异常行为挖掘模型中异常行为挖掘,获得候选异常行为簇,并基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇;
当所述候选异常行为簇的异常判别信息是否为关注异常行为簇时,追溯发起所述候选异常行为簇的目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,其中,所述持续操作数据序列中的持续操作数据包括持续操作对象ID和对应持续操作对象ID的持续操作路径信息;
根据所述目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,获取所述目标行为源相关的目标扩展行为源,并基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测;
所述根据所述目标行为源在所述业务系统中各个业务板块的各个持续操作对象的持续操作数据序列,获取所述目标行为源相关的目标扩展行为源的步骤,包括:
基于所述目标行为源的行为源类型,以所述行为源类型为基准类型,确定业务上线类型范围是否存在与之联系的至少一个行为源;
如果是,获取所述至少一个行为源中每个行为源的持续操作对象信息组作为扩展持续操作数据序列,获得扩展持续操作数据序列簇,其中,所述扩展持续操作数据序列中的扩展持续操作数据包括持续操作对象ID、对应持续操作对象ID的持续操作路径信息和持续操作状态;
如果解析到所述扩展持续操作数据序列簇中具有匹配目标要求的扩展持续操作数据序列,将匹配目标要求的扩展持续操作数据序列所对应的行为源确定为扩展行为源,获得扩展行为源簇,其中,所述目标要求为:扩展持续操作数据序列包括的各个扩展持续操作数据的持续操作状态为操作未中断;
基于所述扩展行为源簇中各个扩展行为源的行为源类型,选择与所述目标行为源的行为源类型最匹配的扩展行为源作为目标扩展行为源。
2.根据权利要求1所述的指标信息预测方法,其特征在于,所述基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测的步骤,包括:
基于所述持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据;
基于所述目标行为源的行为源类型和所述目标扩展行为源的行为源类型,生成行为源联系信息;
基于所述行为源联系信息将所述扩展操作事件数据中的异常行为数据与所述持续操作数据序列中的异常行为数据进行对应联系,获得汇总异常行为数据,并对所述汇总异常行为数据中的每个异常指标进行预测;
其中,所述基于所述持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据,包括:
将所述目标行为源当前操作的持续操作对象的持续操作数据作为当前持续操作数据,其中,所述当前操作的持续操作对象为所述目标行为源首个持续操作对象;
从所述持续操作数据序列中剔除所述当前持续操作数据,获得第一持续操作数据序列;
基于所述第一持续操作数据序列所包括的持续操作路径信息,对所述第一持续操作数据序列进行分团,获得第一持续操作数据团序列;
从所述第一持续操作数据团序列所包括的第一持续操作数据中获取与所述当前持续操作数据包括的持续操作路径信息最匹配的第一持续操作数据所在的第一目标持续操作数据团,并基于所述第一目标持续操作数据团从所述目标扩展行为源的操作数据库中获取与之对应的操作事件数据作为扩展操作事件数据。
3.根据权利要求1所述的指标信息预测方法,其特征在于,所述方法还包括:
如果所述扩展持续操作数据序列簇中不具有匹配目标要求的扩展持续操作数据序列,对于所述扩展持续操作数据序列簇中的各个扩展持续操作数据序列,进行以下操作:
从所述扩展持续操作数据序列中选择匹配第一预设要求的扩展持续操作数据作为第一扩展持续操作数据,获得第一扩展持续操作数据序列,其中,所述第一预设要求为:扩展持续操作数据包括的持续操作状态为未结束操作状态;
基于所述第一扩展持续操作数据序列对应的行为源的当前行为源类型和所述第一扩展持续操作数据序列所包括的持续操作路径信息,确定所述第一扩展持续操作数据序列的第一持续操作图谱;
基于所述第一扩展持续操作数据序列对应的行为源的当前行为源类型与所述目标行为源的行为源类型,生成行为源联系信息;
将所述行为源联系信息的联系图谱与所述第一持续操作图谱的融合图谱确定为第二持续操作图谱。
4.根据权利要求3所述的指标信息预测方法,其特征在于,所述基于所述目标行为源和所述目标扩展行为源下的汇总异常行为数据进行异常指标预测的步骤,包括:
从所述第二持续操作图谱中选择匹配度最大的第二持续操作图谱对应的行为源作为目标扩展行为源;
基于所述持续操作数据序列和所述目标扩展行为源的第一扩展持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据;
基于所述目标行为源的行为源类型和所述目标扩展行为源的行为源类型,生成行为源联系信息;
基于所述行为源联系信息将所述扩展操作事件数据中的异常行为数据与所述持续操作数据序列中的异常行为数据进行对应联系,获得汇总异常行为数据,并对所述汇总异常行为数据中的每个异常指标进行预测。
5.根据权利要求4所述的指标信息预测方法,其特征在于,所述基于所述持续操作数据序列和所述目标扩展行为源的第一扩展持续操作数据序列,确定对应所述目标扩展行为源的扩展操作事件数据,包括:
对于所述第一扩展持续操作数据序列中的各个第一扩展持续操作数据,进行以下操作:
将所述持续操作数据序列中每个持续操作数据包括的持续操作路径信息和所述第一扩展持续操作数据包括的持续操作路径信息的路径重合度确定为目标路径重合度,获得目标路径重合度序列;
如果目标路径重合度序列中具有匹配度最大且匹配预设路径重合度要求的目标路径重合度,将所述目标路径重合度对应的持续操作数据确定为第二持续操作数据,其中,所述预设路径重合度要求为目标路径重合度不大于目标路径重合度;
将所述第二持续操作数据和所述第一扩展持续操作数据序列进行组合处理,获得所述目标扩展行为源的扩展操作事件数据。
6.根据权利要求1-5中任意一项所述的指标信息预测方法,其特征在于,所述基于所述候选异常行为簇的异常知识节点分配信息,确定所述候选异常行为簇的异常判别信息是否为关注异常行为簇的步骤,包括:
基于所述候选异常行为簇的异常知识节点分配信息,确定存在共同异常知识节点的候选异常行为簇,获取所述候选异常行为簇在目标介入节点相关的紧急介入事件数据,所述紧急介入事件数据包括紧急介入触发点数据、紧急介入终止点数据以及紧急介入流程数据;
依据所述紧急介入事件数据获得所述候选异常行为簇在目标介入节点相关的紧急介入情报态势;
确定所述目标介入节点相关的目标介入阶段内,所述目标介入节点的各个前置介入节点相关的前置紧急介入情报态势,将所述紧急介入情报态势以及所述前置紧急介入情报态势进行联结,构建所述目标介入阶段相关的目标情报态势分布;
确定所述目标介入阶段的对照介入阶段相关的对照情报态势分布;其中所述对照情报态势分布包括所述对照介入阶段中的介入节点对应的情报态势,所述对照情报态势分布中的情报态势基于介入顺序分布;
依据所述目标情报态势分布以及所述对照情报态势分布进行分析,当依据所述对照情报态势分布确定所述目标情报态势分布存在情报态势变化时,确定所述候选异常行为簇的异常判别信息为关注异常行为簇。
7.根据权利要求6所述的指标信息预测方法,其特征在于,所述依据所述目标情报态势分布以及所述对照情报态势分布进行分析,当依据所述对照情报态势分布确定所述目标情报态势分布存在情报态势变化时,确定所述候选异常行为簇的异常判别信息为关注异常行为簇包括:
依据威胁度量值评估网络,确定所述对照情报态势分布相关的威胁度量值,作为对照威胁度量值;
依据所述威胁度量值评估网络,确定所述目标情报态势分布相关的威胁度量值,作为目标威胁度量值;
将所述目标威胁度量值与所述对照威胁度量值进行分析,如果所述目标威胁度量值与所述对照威胁度量值之间的区别度量值大于目标度量值时,确定所述目标情报态势分布存在情报态势变化,确定所述候选异常行为簇的异常判别信息为关注异常行为簇;
所述将所述目标威胁度量值与所述对照威胁度量值进行分析,如果所述目标威胁度量值与所述对照威胁度量值之间的区别度量值大于目标度量值时,确定所述目标情报态势分布存在情报态势变化包括:
将所述对照威胁度量值减去所述目标威胁度量值,获得威胁度量差值;
如果所述威胁度量差值与所述对照威胁度量值的商值大于目标度量值时,确定所述目标情报态势分布存在情报态势变化。
8.根据权利要求6所述的指标信息预测方法,其特征在于,所述依据所述紧急介入事件数据获得所述候选异常行为簇在目标介入节点相关的紧急介入情报态势包括:
依据情报态势迁移度量模型、情报态势发展度量模型以及所述紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势映射为各个参考情报态势的目标情报态势度量值;
将对应的目标情报态势度量值最大的参考情报态势,作为所述候选异常行为簇在目标介入节点相关的紧急介入情报态势;
其中,所述方法还包括:
将所述紧急介入事件数据传递至机器学习网络中,所述机器学习网络依据所述紧急介入触发点数据确定所述机器学习网络的基础网络单元相关的第一继承网络单元,依据所述紧急介入终止点数据确定所述第一继承网络单元相关的第二继承网络单元,依据所述紧急介入流程数据确定所述第二继承网络单元相关的第三继承网络单元,依据所述第三继承网络单元相关的介入持续性活动解析策略确定目标介入节点相关的目标介入持续性活动;
所述依据情报态势迁移度量模型、情报态势发展度量模型以及所述紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势映射为各个参考情报态势的目标情报态势度量值包括:
对于所述第三继承网络单元相关的参考情报态势,依据所述情报态势迁移度量模型、所述情报态势发展度量模型以及所述紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势映射为所述参考情报态势的第一情报态势度量值;
依据所述目标介入持续性活动对所述第一情报态势度量值进行扩展计算,获得所述参考情报态势对应的目标情报态势度量值;
针对非所述第三继承网络单元相关的参考情报态势,依据所述情报态势迁移度量模型、所述情报态势发展度量模型以及所述紧急介入事件数据,确定从目标介入节点的前一介入节点相关的情报态势变换为所述参考情报态势的第一情报态势度量值;
将所述第一情报态势度量值作为所述参考情报态势对应的目标情报态势度量值。
9.一种指标信息预测系统,其特征在于,所述指标信息预测系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-8中任意一项的指标信息预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427730.6A CN113835988B (zh) | 2021-11-29 | 2021-11-29 | 指标信息预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427730.6A CN113835988B (zh) | 2021-11-29 | 2021-11-29 | 指标信息预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113835988A CN113835988A (zh) | 2021-12-24 |
CN113835988B true CN113835988B (zh) | 2022-02-08 |
Family
ID=78971797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427730.6A Active CN113835988B (zh) | 2021-11-29 | 2021-11-29 | 指标信息预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835988B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015134008A1 (en) * | 2014-03-05 | 2015-09-11 | Foreground Security | Automated internet threat detection and mitigation system and associated methods |
CN109660502A (zh) * | 2018-09-28 | 2019-04-19 | 平安科技(深圳)有限公司 | 异常行为的检测方法、装置、设备及存储介质 |
CN110781467A (zh) * | 2019-10-22 | 2020-02-11 | 武汉极意网络科技有限公司 | 异常业务数据分析方法、装置、设备及存储介质 |
CN111245793A (zh) * | 2019-12-31 | 2020-06-05 | 西安交大捷普网络科技有限公司 | 网络数据的异常分析方法及装置 |
CN112230584A (zh) * | 2020-10-28 | 2021-01-15 | 浙江中烟工业有限责任公司 | 应用于工控领域的安全监视可视化系统及安全监视方法 |
CN113689291A (zh) * | 2021-09-22 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于异常移动的反欺诈识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10728264B2 (en) * | 2017-02-15 | 2020-07-28 | Micro Focus Llc | Characterizing behavior anomaly analysis performance based on threat intelligence |
-
2021
- 2021-11-29 CN CN202111427730.6A patent/CN113835988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015134008A1 (en) * | 2014-03-05 | 2015-09-11 | Foreground Security | Automated internet threat detection and mitigation system and associated methods |
CN109660502A (zh) * | 2018-09-28 | 2019-04-19 | 平安科技(深圳)有限公司 | 异常行为的检测方法、装置、设备及存储介质 |
CN110781467A (zh) * | 2019-10-22 | 2020-02-11 | 武汉极意网络科技有限公司 | 异常业务数据分析方法、装置、设备及存储介质 |
CN111245793A (zh) * | 2019-12-31 | 2020-06-05 | 西安交大捷普网络科技有限公司 | 网络数据的异常分析方法及装置 |
CN112230584A (zh) * | 2020-10-28 | 2021-01-15 | 浙江中烟工业有限责任公司 | 应用于工控领域的安全监视可视化系统及安全监视方法 |
CN113689291A (zh) * | 2021-09-22 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于异常移动的反欺诈识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
安全态势感知在移动业务支撑系统中的应用;石磊等;《科技视界》;20170515(第14期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113835988A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113868010B (zh) | 应用于业务系统的异常数据处理方法及系统 | |
CN113689292B (zh) | 基于图像背景识别的用户聚集识别方法及系统 | |
WO2021133253A1 (en) | Method and apparatus for predicting energy consumption, and device and storage medium thereof | |
CN113592869B (zh) | 一种建筑幕墙玻璃破裂图像识别方法及报警系统 | |
CN113869778B (zh) | 一种基于城市管理的无人机河道巡检方法及系统 | |
CN113706180B (zh) | 欺诈社团识别方法及系统 | |
CN113392330A (zh) | 一种基于互联网行为的大数据处理方法及系统 | |
CN113641994B (zh) | 基于图数据的数据处理方法及系统 | |
CN114564566A (zh) | 应用云业务联动大数据处理方法及云业务人工智能系统 | |
CN113486345B (zh) | 具有风险识别的监督预警方法及系统 | |
CN113285960B (zh) | 一种服务数据共享云平台的数据加密方法及系统 | |
CN112783508B (zh) | 文件的编译方法、装置、设备以及存储介质 | |
CN115454781B (zh) | 基于企业架构系统的数据可视化展现方法及系统 | |
CN113835988B (zh) | 指标信息预测方法及系统 | |
CN113868544B (zh) | 一种智能化业务档案处理方法及业务服务器 | |
CN113689291B (zh) | 基于异常移动的反欺诈识别方法及系统 | |
CN113761033B (zh) | 基于档案数字化管理的信息整理方法及系统 | |
CN113297498B (zh) | 基于互联网的食品属性挖掘方法及系统 | |
CN113435948B (zh) | 一种电商平台数据监测方法及系统 | |
CN113515465B (zh) | 基于区块链技术的软件兼容性测试方法及系统 | |
CN114564523A (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 | |
CN113596061A (zh) | 基于区块链技术的网络安全漏洞响应方法及系统 | |
CN113626807A (zh) | 基于大数据的计算机信息安全处理方法及系统 | |
CN113706181B (zh) | 基于用户行为特征的业务处理检测方法及系统 | |
CN113707177B (zh) | 基于语音分析识别的服务处理方法及系统 |
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 |