CN114491049A - 一种基于信息管理的办公系统资产配置方法 - Google Patents

Abstract

一种基于信息管理的办公系统资产配置方法，该方法包括以下步骤：步骤1，用户通过信息管理办公系统的人机交互界面和扫码枪采集资产数据；步骤2，对标记的资产数据内的关键词进行近似扩充；步骤3，训练信息资产识别模型；步骤4，根据扫码枪采集资产数据进行近似词语比对，若与对应最终标记文本数据块文本内关键词相同或近似则直接在该数据块进行筛选查询。本发明通过扩充关键词，训练信息资产识别模型，通过模型所推荐的资产标签可提高用户对办公资产配置的效率，提高筛选效率。

Description

一种基于信息管理的办公系统资产配置方法

技术领域

本发明涉及信息管理领域，特别是涉及一种基于信息管理的办公系统资产配置方法。

背景技术

随着企业信息化水平不断提升，企业各项业务电子化信息化比例不断提高，带来了终端类型和数量持续增长，支撑业务的计算、存储和网络基础设施规模也不断膨胀，信息资产分布分散，难以及时发现和识别，信息资产信息是各类安全活动的基础，在各种安全管理工具中都会涉及信息资产信息的收集、登记和运用，常用的安全管理工具有SIEM、SOC等。

针对当前信息资产管理方面存在资产规模膨胀、资产类型识别困难、管理工具与管理要求不相称等问题。为提高办公系统的信息资产管理信息化水平，本发明提出一种基于信息管理的办公系统资产配置方法。针对信息资产类型识别困难的问题,提出了基于分类模型的信息资产自动识别方法,该方法通过网络扫描技术获取包含主机名、IP地址、开放端口、服务探测信息等信息在内的资产详细信息,并人工标注其所属资产类型作为训练样本,以此样本集训练分类模型,综合考虑多项评估指标,选取分类性能较好的模型作为信息资产管理系统采用的分类器。发现新的信息资产后,调用扫描器进行详细扫描,获取新增资产数据,经过预处理后由已训练的分类器进行预测,得到新增资产的分类预测结果。

发明内容

为解决上述问题，本发明提出了一种基于信息管理的办公系统资产配置方法，建立了信息管理办公系统，通过LeakGAN网络对信息管理办公系统数据库进行扩充，并训练信息资产识别模型，对资产类型进行识别，通过终端对使用者进行资产类型推荐。

一种基于信息管理的办公系统资产配置方法，具体步骤如下：

步骤1，用户通过信息管理办公系统的人机交互界面和扫码枪采集资产数据，并将采集后的数据通过信息交互系统传输至数据库中；

步骤2，对标记的资产数据内的关键词进行近似扩充，最大限度扩展资产数据的文本的关键词数据库，形成扩展后的数据库；

步骤3，训练信息资产识别模型，根据资产数据对信息资产关键词的相似度进行评分，并对相似度进行排序，可获得相似度最高的几个信息资产标签；

步骤4，根据扫码枪采集资产数据进行近似词语比对，若与对应最终标记文本数据块文本内关键词相同或近似则直接在该数据块进行筛选查询。

进一步，步骤1中信息管理办公系统可以表示为：

信息管理办公系统主要由采集设备、信息交互系统、信息资产识别系统组成；其中采集设备由测量装置、扫码枪、读卡器组成；信息交互系统主要由串口通讯和网络通讯组成；信息资产识别系统主要由训练完成的信息资产识别模型和数据库组成；信息交互系统通过串口通讯接收采集设备所采集的数据，再通过网络通讯将资产数据、设备编号、时间戳等发送至信息资产识别系统的数据库中，信息资产识别模型识别该资产的类型，在得到分析结果后，对使用者进行资产类型推荐，完成信息交互。

进一步，步骤2中对标记的资产数据内的关键词进行近似扩充可以表示为：

通过LeakGAN网络对关键词进行近似扩充，生成器选用seqtoseq结构，其中判别器采用CNN网络模型，生成器采用LSTM网络模型：

将当前的关键词输入至判别器中，通过特征提取器输出特征f：

f＝F(s) (1)

式中，S为当前关键词，F()为特征提取函数；提取的特征再经过sigmoid分类单元处理：

D(s)＝sigmoid(f) (2)

式中，sigmoid为sigmoid函数；

生成器所生成的关键词s_t也通过特征提取器提取特征f_t：

f_t＝F(s_t) (3)

式中，t为训练次数，再把提取的特征f_t输入至Manager和Worker模块，其中Manager和Worker模块由LSTM网络组成，Manager模块表示如下：

g_t＝LSTM(f_t，θ_m) (4)

式中，g_t为Manager模块的输出目标向量，θ_m是Manager模块的网络参数，Worker模块表示如下：

o_t＝LSTM(x_t，θ_w) (5)

x_t为网络的生成词，o_t为行为向量，θ_w是Worker模块的网络参数；网络模型目标损失函数：

V(D,G)＝E_x～μ[loggD(x)]+E_z～γ[log(1-D(G(z)))] (6)

式中E是分布期望，x是训练样本，μ是训练样本x的概率分布，z是生成器的随机样本，γ是随机样本z的概率分布，D(x)是判别器的鉴别函数，G(z)是生成器的生成样本；生成对抗网络的提升网络性能的目标是：

在优化生成器时，要使得目标函数值最小，在优化判别器时，要使得目标函数值最大；训练完LeakGAN网络后，根据输入的关键词扩展数据库。

进一步，步骤3中训练信息资产识别模型可以表示为：

通过识别网络对信息资产类型进行分类，将数据库的样本作为训练样本训练信息资产识别模型，首先初始化网络，训练样本数据s(t)通过输入层连接至取样积分层获得s’(t)，并将s’(t)输出至特征提取层获得特征J(c)，并经连接权值矩阵Wⁱⁿ进入储备池，并根据下式采集系统状态和输出状态：

l₁(c+l)＝a₁P₁(wⁱⁿJ(c+l)+W₁l₁(c)) (8)

y(c)＝g(W^out[l₁(c)，J(c)]) (9)

其中，l₁(c)是储备池的系统参数，a₁是储备池的调节系数，P₁()是储备池节点的激励函数sigmoid，g()为储备池输出单元的激励函数tanh，W₁是储备池内部神经元的连接权值矩阵，W^out表示信息资产分类标签。

本发明一种基于信息管理的办公系统资产配置方法，有益效果：本发明的技术效果在于：

1.本发明在通过采集设备采集资产数据，并将数据上传至数据库中，有利于后期的分析管理和维护；

2.本发明通过LeakGAN网络对数据库中的数据进行扩充，有利于提高信息资产识别模型的鲁棒性和分类的准确率；

3.本发明通过对所采集资产的类型行进识别，可提高使用者的工作效率。

附图说明

图1为本发明的流程图；

图2为本发明的LeakGAN流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提出了一种基于信息管理的办公系统资产配置方法，旨在实，对资产类型进行识别，通过终端对使用者进行资产类型推荐，下面结合流程图图1对本发明的步骤作详细介绍。

步骤1，用户通过信息管理办公系统的人机交互界面和扫码枪采集资产数据，并将采集后的数据通过信息交互系统传输至数据库中；

步骤1中信息管理办公系统可以表示为：

信息管理办公系统主要由采集设备、信息交互系统、信息资产识别系统组成；其中采集设备由测量装置、扫码枪、读卡器组成；信息交互系统主要由串口通讯和网络通讯组成；信息资产识别系统主要由训练完成的信息资产识别模型和数据库组成；信息交互系统通过串口通讯接收采集设备所采集的数据，再通过网络通讯将资产数据、设备编号、时间戳等发送至信息资产识别系统的数据库中，信息资产识别模型识别该资产的类型，在得到分析结果后，对使用者进行资产类型推荐，完成信息交互。

步骤2，对标记的资产数据内的关键词进行近似扩充，最大限度扩展资产数据的文本的关键词数据库，形成扩展后的数据库；

步骤2中对标记的资产数据内的关键词进行近似扩充可以表示为：

通过LeakGAN网络对关键词进行近似扩充，生成器选用seqtoseq结构，其中判别器采用CNN网络模型，生成器采用LSTM网络模型，LeakGAN流程图如图2所示：

将当前的关键词输入至判别器中，通过特征提取器输出特征f：

f＝F(s) (1)

式中，S为当前关键词，F()为特征提取函数；提取的特征再经过sigmoid分类单元处理：

D(s)＝sigmoid(f) (2)

式中，sigmoid为sigmoid函数；

生成器所生成的关键词s_t也通过特征提取器提取特征f_t：

f_t＝F(s_t) (3)

式中，t为训练次数，再把提取的特征f_t输入至Manager和Worker模块，其中Manager和Worker模块由LSTM网络组成，Manager模块表示如下：

g_t＝LSTM(f_r，θ_m) (4)

式中，g_t为Manager模块的输出目标向量，θ_m是Manager模块的网络参数，Worker模块表示如下：

o_t＝LSTM(x_t，θ_w) (5)

x_t为网络的生成词，o_t为行为向量，θ_w是Worker模块的网络参数；网络模型目标损失函数：

V(D,G)＝E_x～μ[loggD(x)]+E_z～γ[logg(1-D(G(z)))] (6)

式中E是分布期望，x是训练样本，μ是训练样本x的概率分布，z是生成器的随机样本，γ是随机样本z的概率分布，D(x)是判别器的鉴别函数，G(z)是生成器的生成样本；生成对抗网络的提升网络性能的目标是：

在优化生成器时，要使得目标函数值最小，在优化判别器时，要使得目标函数值最大；训练完LeakGAN网络后，根据输入的关键词扩展数据库。

步骤3，训练信息资产识别模型，根据资产数据对信息资产关键词的相似度进行评分，并对相似度进行排序，可获得相似度最高的几个信息资产标签；

步骤3中训练信息资产识别模型可以表示为：

通过识别网络对信息资产类型进行分类，将数据库的样本作为训练样本训练信息资产识别模型，首先初始化网络，训练样本数据s(t)通过输入层连接至取样积分层获得s’(t)，并将s’(t)输出至特征提取层获得特征J(c)，并经连接权值矩阵Wⁱⁿ进入储备池，并根据下式采集系统状态和输出状态：

l₁(c+1)＝a₁P₁(wⁱⁿJ(c+1)+W₁l₁(c)) (8)

y(c)＝g(W^out[l₁(c)，J(c)]) (9)

其中，l₁(c)是储备池的系统参数，a₁是储备池的调节系数，P₁()是储备池节点的激励函数sigmoid，g()为储备池输出单元的激励函数tanh，W₁是储备池内部神经元的连接权值矩阵，W^out表示信息资产分类标签。

步骤4，根据扫码枪采集资产数据进行近似词语比对，若与对应最终标记文本数据块文本内关键词相同或近似则直接在该数据块进行筛选查询。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种基于信息管理的办公系统资产配置方法，具体步骤如下，其特征在于：

步骤1，用户通过信息管理办公系统的人机交互界面和扫码枪采集资产数据，并将采集后的数据通过信息交互系统传输至数据库中；

步骤2，对标记的资产数据内的关键词进行近似扩充，最大限度扩展资产数据的文本的关键词数据库，形成扩展后的数据库；

步骤3，训练信息资产识别模型，根据资产数据对信息资产关键词的相似度进行评分，并对相似度进行排序，可获得相似度最高的几个信息资产标签；

步骤4，根据扫码枪采集资产数据进行近似词语比对，若与对应最终标记文本数据块文本内关键词相同或近似则直接在该数据块进行筛选查询。

2.根据权利要求1所述的一种基于信息管理的办公系统资产配置方法，其特征在于：步骤1中信息管理办公系统可以表示为：

信息管理办公系统主要由采集设备、信息交互系统、信息资产识别系统组成；其中采集设备由测量装置、扫码枪、读卡器组成；信息交互系统主要由串口通讯和网络通讯组成；信息资产识别系统主要由训练完成的信息资产识别模型和数据库组成；信息交互系统通过串口通讯接收采集设备所采集的数据，再通过网络通讯将资产数据、设备编号、时间戳等发送至信息资产识别系统的数据库中，信息资产识别模型识别该资产的类型，在得到分析结果后，对使用者进行资产类型推荐，完成信息交互。

3.根据权利要求1所述的一种基于信息管理的办公系统资产配置方法，其特征在于：步骤2中对标记的资产数据内的关键词进行近似扩充可以表示为：

通过LeakGAN网络对关键词进行近似扩充，生成器选用seqtoseq结构，其中判别器采用CNN网络模型，生成器采用LSTM网络模型：

将当前的关键词输入至判别器中，通过特征提取器输出特征f：

f＝F(s) (1)

式中，S为当前关键词，F()为特征提取函数；提取的特征再经过sigmoid分类单元处理：

D(s)＝sigmoid(f) (2)

式中，sigmoid为sigmoid函数；

生成器所生成的关键词s_t也通过特征提取器提取特征f_t：

f_t＝F(s_t) (3)

式中，t为训练次数，再把提取的特征f_t输入至Manager和Worker模块，其中Manager和Worker模块由LSTM网络组成，Manager模块表示如下：

g_t＝LSTM(f_t，θ_m) (4)

式中，g_t为Manager模块的输出目标向量，θ_m是Manager模块的网络参数，Worker模块表示如下：

o_t＝LSTM(x_t，θ_w) (5)

x_t为网络的生成词，o_t为行为向量，θ_w是Worker模块的网络参数；网络模型目标损失函数：

V(D，G)＝E_x～μ[logD(x)]+E_z～γ[log(1-D(G(z)))] (6)

式中E是分布期望，x是训练样本，μ是训练样本x的概率分布，z是生成器的随机样本，γ是随机样本z的概率分布，D(x)是判别器的鉴别函数，G(z)是生成器的生成样本；生成对抗网络的提升网络性能的目标是：

在优化生成器时，要使得目标函数值最小，在优化判别器时，要使得目标函数值最大；训练完LeakGAN网络后，根据输入的关键词扩展数据库。

4.根据权利要求1所述的一种基于信息管理的办公系统资产配置方法，其特征在于：步骤3中训练信息资产识别模型可以表示为：

通过识别网络对信息资产类型进行分类，将数据库的样本作为训练样本训练信息资产识别模型，首先初始化网络，训练样本数据s(t)通过输入层连接至取样积分层获得s’(t)，并将s’(t)输出至特征提取层获得特征J(c)，并经连接权值矩阵Wⁱⁿ进入储备池，并根据下式采集系统状态和输出状态：

l₁(c+1)＝a₁P₁(wⁱⁿJ(c+1)+W₁l₁(c)) (8)

y(c)＝g(W^out[l₁(c)，J(c)]) (9)

其中，l₁(c)是储备池的系统参数，a₁是储备池的调节系数，P₁()是储备池节点的激励函数sigmoid，g()为储备池输出单元的激励函数tanh，W₁是储备池内部神经元的连接权值矩阵，W^out表示信息资产分类标签。

Images