CN114499956A - 一种网络信息安全风险评估系统及其方法 - Google Patents

一种网络信息安全风险评估系统及其方法 Download PDF

Info

Publication number
CN114499956A
CN114499956A CN202111597666.6A CN202111597666A CN114499956A CN 114499956 A CN114499956 A CN 114499956A CN 202111597666 A CN202111597666 A CN 202111597666A CN 114499956 A CN114499956 A CN 114499956A
Authority
CN
China
Prior art keywords
decision tree
information
tree model
network information
feature
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
Application number
CN202111597666.6A
Other languages
English (en)
Inventor
姚灏
叶其革
唐宗顺
张德方
严晓玲
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.)
Guangzhou Electric Power Design Institute Co ltd
Original Assignee
Guangzhou Electric Power Design Institute Co ltd
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 Guangzhou Electric Power Design Institute Co ltd filed Critical Guangzhou Electric Power Design Institute Co ltd
Priority to CN202111597666.6A priority Critical patent/CN114499956A/zh
Publication of CN114499956A publication Critical patent/CN114499956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection

Landscapes

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

Abstract

本发明涉及一种网络信息安全风险评估系统及其方法，是针对现有网络安全行业中缺少对已具有的安全保障能力的有效评估机制，无法实现对系统安全态势的准确感知，难以及时发现并消除安全隐患的技术问题。该系统以输出训练集和特征集，计算新的特征选择标准AS进行节点分裂生成决策树模型、建立决策树模型规则集、通过决策树模型和决策树模型规则集对网络信息安全进行评估；其要点是所述决策树模型为改进决策树模型，改进决策树模型算法及流程，引入强化学习的思想，将每个特征的标准化互信息和马修斯相关系数加权，输出决策树模型，并生成决策树，利用生成的决策树模型和规则集对网络信息数据进行安全风险评估，输出网络信息数据的风险评估结果。

Description

一种网络信息安全风险评估系统及其方法
技术领域
本发明涉及网络信息安全风险评估系统，是一种网络信息安全风险评估系统及其方法。
背景技术
网络信息安全是一门涉及计算机科学、网络技术、通信技术、密码技术、信息安全技术、应用数学等多种学科的综合性学科，主要是指网络系统的硬件、软件及其系统中的数据受到保护，不受偶然的或者恶意的原因而遭到破坏、更改、泄露，系统连续可靠正常地运行，网络服务不中断。网络信息安全的主要特征包括完整性、保密性、可用性、不可否认性和可控性，其模型框架包括网络安全模型和信息安全框架，通过模型和算法输出网络信息数据评估结果。现有网络安全感知分析系统及其方法如中国专利文献中披露的申请号202010549375.9，申请公布日2020.10.02，发明名称“一种网络安全态势感知系统及方法”；再如中国专利文献中披露的申请号201910654813.5，申请公布日2019.10.25，发明名称“一种基于LDA机器学习的网络安全威胁分析方法及系统”。但上述系统及其方法缺少对已具有的安全保障能力的有效评估机制，无法实现对系统安全态势的准确感知，难以及时发现并消除安全隐患。
发明内容
为克服上述不足，本发明的目的是向本领域提供一种网络信息安全风险评估系统及其方法，使其主要解决现有网络安全行业中缺少对已具有的安全保障能力的有效评估机制，无法实现对系统安全态势的准确感知，难以及时发现并消除安全隐患的技术问题。其目的是通过如下技术方案实现的。
一种网络信息安全风险评估系统，该系统以输出训练集和特征集，计算新的特征选择标准AS进行节点分裂生成决策树模型、建立决策树模型规则集、通过决策树模型和决策树模型规则集对网络信息安全进行评估；其特征在于所述决策树模型为改进决策树模型，改进决策树模型算法的流程具体如下：
设S为样本集，样本集的个数为n，样本集S中有m个类别Dj(j＝1，2，…，m)，dj为Dj类的样本个数；则数据集的类别信息熵Bnt(S)表示为：
Figure BDA0003431882280000011
公式(1)中：Pj为任意样本属于Dj的概率，Pj-dj/n；
设特征a有k个离散值(a1，a2，…，ak}，根据(S1，S2，…，Sk}，其中Si是S中特征为aj的数据集；如果aj被选为当前节点，那么用特征aj对当前样本进行划分；Sij为子集Si中属于Dj类的个数，则按特征aj划分数据集的条件信息熵为：
Figure BDA0003431882280000021
Figure BDA0003431882280000022
Figure BDA0003431882280000023
由上述公式得出特征A划分前后的信息熵之差为信息增益，表达式为：
Gain(S，A)＝Ent(S) Ent(S|a) (5)
按照特征A划分后的信息增益率为：
Figure BDA0003431882280000024
公式(6)中A的分裂信息为
Figure BDA0003431882280000025
为了解决决策树模型算法为获得高的准确率，计算结果会偏向样本数多的类别的问题，现引入标准化互信息、马修斯相关系数及强化学习的思想改进决策树模型算法；
标准化互信息公式如下：
Figure BDA0003431882280000026
公式(8)中：I(X，Y)为X与Y之间的互信息；H(X)为X的熵；H(Y)为Y的熵；
马修斯相关系数公式如下：
Figure BDA0003431882280000027
公式(9)中：cov()为协方差函数；
引入强化学习的思想，将每个特征的标准化互信息和马修斯相关系数加权，并与信息增益率相结合作为新的特征选择标准AS；并设两个类别(X，Y)的联合分布为p(i，j)，即各类别判断正确的样本数占总样本数的概率；设边缘分布分别为p(i)，即在预测结果中各类别样本数占总样本数的概率；设互信息MI(X，Y)是联合分布p(i，j)与边缘分布乘积p(i)p(j)的相对熵，公式如下：
Figure BDA0003431882280000031
Figure BDA0003431882280000032
Figure BDA0003431882280000033
设TP为真负类的数量，TN为真正类的数量，EP为假负类的数量，FN为假正类的数量；根据混淆矩阵得出CMCC为：
Figure BDA0003431882280000034
公式(13)中：N为样本个数；W＝(TP|PN)/N；V＝(TP|PP)/N；
根据式(11)和(13)得到一个新的价值函数f：
f＝ωCMCC|(1 ω)cNMI (14)
公式(14)中：ω为权重；
新的特征选择标准AS公式为：
AS＝(2Gain ratio 1)f (15)
输出决策树模型T，并生成决策树。
所述改进决策树模型算法得到的生成决策树通过规则集对信息保密性、信息完整性、信息威胁性、信息弱点性、信息安全控制措施等五项网络信息安全风险指标进行赋值，将网络信息安全风险分为低、较低、中、较高、高五个等级，得出规则集。
所述规则集与评估模型流程得到的决策树分类结合，输出风险评估结果，所述评估模型流程的主要流程具体如下：网络信息数据输入→数据预处理→待风险评估数据集→决策树分类→输出风险评估结果。
该网络信息安全风险评估系统的方法具体流程步骤如下：(1)第一部分，生成决策树模型；1、输入训练集S，特征集A；2、若
Figure BDA0003431882280000035
则返回决策树模型T；3、若训练集S中所有样本都属于同一个类别，则T为单节点树，并将该类别作为该节点的类标记，返回T；4、若特征集A为空集，则T为单节点树，并将S中样本数最多的类别作为类标记，返回T；5、根据公式(15)计算S中各特征的AS，选择AS最大的特征，作为该节点的分裂特征；6、对于第i个节点，将作为新的训练集，对当前特征以外的特征回归步骤2至步骤5；7、输出决策树模型T，并生成决策树；(2)第二部分，决策树模型评估网络信息；1、对信息保密性、信完整性、信威胁性、信弱点性、信安全控制措施等五项关键网络信息安全风险指标进行赋值，生成决策树模型规则集；2、对采集的网络信息数据进行预处理去除无用信息；3、利用生成的决策树模型和规则集对网络信息数据进行安全风险评估；4、输出网络信息数据的风险评估结果。
本发明的建模方式科学，模型准确感知效果好，能及时发现并消除安全隐患，具有科学性、高效性、高精度性；其适合作为网络信息安全风险评估系统及其方法使用，及其同类系统和方法的技术改进。
附图说明
图1是本发明的评估模型流程方框图。
图2是图1的规则集评估流程方框图。
具体实施方式
现结合附图，对本发明的具体实施步骤进行进一步的具体描述。如图1和图2所示，该系统包括改进决策树模型算法流程、决策规则集和评估模型流程，具体如下：
a)改进决策树模型算法流程，
决策树模型是一种采用贪心算法，自上而下递归构造的类似于流程图的树结构，每一个从根节点到叶子节点的分支为一种分类规则，其内部节点为选择的特征，叶子节点存放的是类标号。
设S为样本集，样本集的个数为n，样本集S中有m个类别Dj(j＝1，2，…，m)，dj为Dj类的样本个数；则数据集的类别信息熵Ent(S)表示为：
Figure BDA0003431882280000041
公式(1)中：Pj为任意样本属于Dj的概率，Pj-dj/n；
设特征a有k个离散值{a1，a2，…，ak}，根据{S1，S2，…，Sk}，其中Si是S中特征为aj的数据集；如果aj被选为当前节点，那么用特征aj对当前样本进行划分；Sij为子集Si中属于Dj类的个数，则按特征aj划分数据集的条件信息熵为：
Figure BDA0003431882280000051
Figure BDA0003431882280000052
Figure BDA0003431882280000053
由上述公式得出特征A划分前后的信息熵之差为信息增益，表达式为：
Gain(S，A)＝Ent(S) Ent(S|a) (5)
按照特征A划分后的信息增益率为：
Figure BDA0003431882280000054
公式(6)中A的分裂信息为
Figure BDA0003431882280000055
为了解决决策树模型算法为获得高的准确率，计算结果会偏向样本数多的类别的问题，现引入标准化互信息、马修斯相关系数及强化学习的思想改进决策树模型算法；
标准化互信息公式如下：
Figure BDA0003431882280000056
公式(8)中：I(X，Y)为X与Y之间的互信息；H(X)为X的熵；H(Y)为Y的熵；
马修斯相关系数公式如下：
Figure BDA0003431882280000057
公式(9)中：cov()为协方差函数；
引入强化学习的思想，将每个特征的标准化互信息和马修斯相关系数加权，并与信息增益率相结合作为新的特征选择标准AS；并设两个类别(X，Y)的联合分布为p(i，j)，即各类别判断正确的样本数占总样本数的概率；设边缘分布分别为p(i)，即在预测结果中各类别样本数占总样本数的概率；设互信息MI(X，Y)是联合分布p(i，j)与边缘分布乘积p(i)p(j)的相对熵，公式如下：
Figure BDA0003431882280000061
Figure BDA0003431882280000062
Figure BDA0003431882280000063
设TP为真负类的数量，TN为真正类的数量，EP为假负类的数量，FN为假正类的数量；根据混淆矩阵得出CMCC为：
Figure BDA0003431882280000064
公式(13)中：N为样本个数；W＝(TP|PN)/N；V＝(TP|DP)/N；
根据式(11)和(13)得到一个新的价值函数f：
f＝ωCMCC|(1 ω)CNMI (14)
公式(14)中：ω为权重；
新的特征选择标准AS公式为：
AS＝(2Gain ratio 1)f (15)
输出决策树模型T，并生成决策树。
b)决策规则集，
基于改进决策树模型算法得到的生成决策树通过规则集对信息保密性、信息完整性、信息威胁性、信息弱点性、信息安全控制措施等五项网络信息安全风险指标进行赋值，将网络信息安全风险分为低、较低、中、较高、高五个等级，得出规则集。
该网络信息安全风险评估系统的规则集具体如下：
表1：信息保密性赋值
Figure BDA0003431882280000065
Figure BDA0003431882280000071
表2：信息完整性赋值
赋值 标识 定义
1 低 非授权用户修改或者破坏了信息，造成的损失可不计
2 较低 非授权用户修改或者破坏了信息，造成损失容易挽回
3 中 非授权用户修改或者破坏了信息，损失较明显，但可补救
4 较高 非授权用户修改或者破坏了信息，损失很大，很难补救
5 高 非授权用户修改或者破坏了信息，损失非常大，基本不能补救
表3：信息威胁性赋值
赋值 标识 定义
1 低 受到威胁的情况概率在0％～1％，非常低
2 较低 受到威胁的情况概率小于20％，一般情况下不会发生
3 中 受到威胁的情况概率在20％～50％，可能发生了但没有发现
4 较高 受到威胁的情况概率在50％～90％，发生过
5 高 受到威胁的情况概率大于90％，发生过很多次
表4：信息弱点性赋值
赋值 标识 定义
1 低 弱点基本不能被利用，成功率非常小
2 较低 弱点不容易被利用，成功率较小
3 中 弱点较容易被利用，成功率一般
4 较高 弱点容易被利用，成功率可能性大
5 高 弱点非常容易被利用，成功率非常高
表5：信息安全控制措施赋值
Figure BDA0003431882280000072
Figure BDA0003431882280000081
表6：评估等级分类
总赋值 x＜9 9≤x＜13 13≤x＜17 17≤x＜21 x≥21
等级 五级 四级 三级 二级 一级
c)评估模型流程，主要流程具体如下：网络信息数据输入→数据预处理→待风险评估数据集→决策树分类→输出风险评估结果。
该评估系统的决策树模型评估网络信息数据流程为单向执行，主要分类流程为：网络信息数据输入→数据预处理→待风险评估数据集→决策树分类→输出结果；触发为网络信息数据输入，终点为输出风险评估结果；所述决策树分类的规则集由生成决策树输出，它与人为给的“决策集”共同组成完整的生成决策树。
上述规则集的生成过程利用生成决策树，所谓规则集即为人为提供的带有明显分类特征的网络信息；规则集为“b)决策规则集”，决策树以规则集内容为规则，对输入的网络信息数据进行分类。公式(6)、(8)、(9)中，NMI(标准化互信息函数)和MCC(马修斯相关系数)是用于解决决策树分类不平衡数据的问题而引入的价值函数。生成决策树→规则集的表达逻辑是：生成决策树后，利用规则集作为决策树的分类规则，生成从“生成决策树”到下一步“规则集”的逻辑关系。从“规则集”和“待风险评估数据集”作用到“决策树分类”，输出“风险评估结果”的具体逻辑关系如下：网络信息数据输入→数据预处理→待风险评估数据集→决策树分类→输出结果；改进决策树模型算法为决策树框架的生成，规则集为决策树分类的规矩，决策树框架+分类规则＝完整的决策树。
综上所述，该评估系统基于改进决策树模型算法设计的一种网络信息安全风险评估方法，通过赋予网络信息安全等级达到对网络信息安全风险评估目的，为网络信息安全风险评估提供一种科学有效的方法。该评估系统基于改进决策树模型算法“以输出训练集和特征集，计算新的特征选择标准AS进行节点分裂生成决策树模型、建立决策树模型规则集、通过决策树模型和决策树模型规则集对网络信息安全进行评估”建立一种网络信息安全风险评估方法，并循环程序评估网络信息安全等级，具有科学性、高效性、高精度性，为解决目前网络信息安全领域缺乏有效评估网络信息安全手段提供了一种方法。

Claims (4)

1.一种网络信息安全风险评估系统，该系统以输出训练集和特征集，计算新的特征选择标准AS进行节点分裂生成决策树模型、建立决策树模型规则集、通过决策树模型和决策树模型规则集对网络信息安全进行评估；其特征在于所述决策树模型为改进决策树模型，改进决策树模型算法的流程具体如下：
设S为样本集，样本集的个数为n，样本集S中有m个类别Dj＝(j＝1，2，…，m)，dj为Dj类的样本个数；则数据集的类别信息熵Ent(S)表示为：
Figure FDA0003431882270000011
公式(1)中：Pj为任意样本属于Dj的概率，Pj-dj/n；
设特征a有k个离散值{a1，a2，…，ak}，根据{S1，S2，…，Sk}，其中Si是S中特征为aj的数据集；如果aj被选为当前节点，那么用特征aj对当前样本进行划分；Sij为子集Si中属于Dj类的个数，则按特征aj划分数据集的条件信息熵为：
Figure FDA0003431882270000012
Figure FDA0003431882270000013
Figure FDA0003431882270000014
由上述公式得出特征A划分前后的信息熵之差为信息增益，表达式为：
Cain(S，A)＝Ent(S)Ent(S|a) (5)
按照特征A划分后的信息增益率为：
Figure FDA0003431882270000015
公式(6)中A的分裂信息为
Figure FDA0003431882270000016
为了解决决策树模型算法为获得高的准确率，计算结果会偏向样本数多的类别的问题，现引入标准化互信息、马修斯相关系数及强化学习的思想改进决策树模型算法；
标准化互信息公式如下：
Figure FDA0003431882270000021
公式(8)中：I(X，Y)为X与Y之间的互信息；H(X)为X的熵；H(Y)为Y的熵；
马修斯相关系数公式如下：
Figure FDA0003431882270000022
公式(9)中：cov()为协方差函数；
引入强化学习的思想，将每个特征的标准化互信息和马修斯相关系数加权，并与信息增益率相结合作为新的特征选择标准AS；并设两个类别(X，Y)的联合分布为p(i，j)，即各类别判断正确的样本数占总样本数的概率；设边缘分布分别为p(i)，即在预测结果中各类别样本数占总样本数的概率；设互信息MI(X，Y)是联合分布p(i，j)与边缘分布乘积p(i)p(j)的相对熵，公式如下：
Figure FDA0003431882270000023
Figure FDA0003431882270000024
Figure FDA0003431882270000025
设TP为真负类的数量，TN为真正类的数量，EP为假负类的数量，FN为假正类的数量；根据混淆矩阵得出CMCC为：
Figure FDA0003431882270000026
公式(13)中：N为样本个数；W＝(TP|PN)/N；γ＝(TP|PP)/N；
根据式(11)和(13)得到一个新的价值函数f：
f＝ωCMCC|(1 ω)CNMI (14)
公式(14)中：ω为权重；
新的特征选择标准AS公式为：
AS＝(2Gain ratio 1)f (15)
输出决策树模型T，并生成决策树。
2.根据权利要求1所述的网络信息安全风险评估系统，其特征在于所述改进决策树模型算法得到的生成决策树通过规则集对信息保密性、信息完整性、信息威胁性、信息弱点性、信息安全控制措施等五项网络信息安全风险指标进行赋值，将网络信息安全风险分为低、较低、中、较高、高五个等级，得出规则集。
3.根据权利要求2所述的网络信息安全风险评估系统，其特征在于所述规则集与评估模型流程得到的决策树分类结合，输出风险评估结果，所述评估模型流程的主要流程具体如下：网络信息数据输入→数据预处理→待风险评估数据集→决策树分类→输出风险评估结果。
4.根据权利要求1所述的网络信息安全风险评估系统的方法，其特征在于该网络信息安全风险评估系统的方法具体流程步骤如下：(1)第一部分，生成决策树模型；1、输入训练集S，特征集A；2、若
Figure FDA0003431882270000031
则返回决策树模型T；3、若训练集S中所有样本都属于同一个类别，则T为单节点树，并将该类别作为该节点的类标记，返回T；4、若特征集A为空集，则T为单节点树，并将S中样本数最多的类别作为类标记，返回T；5、根据公式(15)计算S中各特征的AS，选择AS最大的特征，作为该节点的分裂特征；6、对于第i个节点，将作为新的训练集，对当前特征以外的特征回归步骤2至步骤5；7、输出决策树模型T，并生成决策树；(2)第二部分，决策树模型评估网络信息；1、对信息保密性、信完整性、信威胁性、信弱点性、信安全控制措施等五项关键网络信息安全风险指标进行赋值，生成决策树模型规则集；2、对采集的网络信息数据进行预处理去除无用信息；3、利用生成的决策树模型和规则集对网络信息数据进行安全风险评估；4、输出网络信息数据的风险评估结果。
CN202111597666.6A 2021-12-24 2021-12-24 一种网络信息安全风险评估系统及其方法 Pending CN114499956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111597666.6A CN114499956A (zh) 2021-12-24 2021-12-24 一种网络信息安全风险评估系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111597666.6A CN114499956A (zh) 2021-12-24 2021-12-24 一种网络信息安全风险评估系统及其方法

Publications (1)

Publication Number Publication Date
CN114499956A true CN114499956A (zh) 2022-05-13

Family

ID=81495879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111597666.6A Pending CN114499956A (zh) 2021-12-24 2021-12-24 一种网络信息安全风险评估系统及其方法

Country Status (1)

Country Link
CN (1) CN114499956A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308721A (zh) * 2023-05-11 2023-06-23 菏泽市市场监管监测中心 一种信息监督管理方法、装置、电子设备及存储介质
CN117455245A (zh) * 2023-12-22 2024-01-26 赛飞特工程技术集团有限公司 一种用于企业安全生产的风险智能评定系统
CN117749448A (zh) * 2023-12-08 2024-03-22 广州市融展信息科技有限公司 一种网络潜在风险智能预警方法及装置
CN117749448B (zh) * 2023-12-08 2024-05-17 广州市融展信息科技有限公司 一种网络潜在风险智能预警方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308721A (zh) * 2023-05-11 2023-06-23 菏泽市市场监管监测中心 一种信息监督管理方法、装置、电子设备及存储介质
CN116308721B (zh) * 2023-05-11 2023-10-20 菏泽市市场监管监测中心 一种信息监督管理方法、装置、电子设备及存储介质
CN117749448A (zh) * 2023-12-08 2024-03-22 广州市融展信息科技有限公司 一种网络潜在风险智能预警方法及装置
CN117749448B (zh) * 2023-12-08 2024-05-17 广州市融展信息科技有限公司 一种网络潜在风险智能预警方法及装置
CN117455245A (zh) * 2023-12-22 2024-01-26 赛飞特工程技术集团有限公司 一种用于企业安全生产的风险智能评定系统

Similar Documents

Publication Publication Date Title
CN114499956A (zh) 一种网络信息安全风险评估系统及其方法
CN106548343B (zh) 一种非法交易检测方法及装置
Da Rocha et al. Identifying bank frauds using CRISP-DM and decision trees
CN105897714A (zh) 基于dns流量特征的僵尸网络检测方法
CN108491406B (zh) 信息分类方法、装置、计算机设备和存储介质
CN106067088A (zh) 电子银行访问行为的检测方法和装置
CN108595655A (zh) 一种基于会话特征相似性模糊聚类的异常用户检测方法
CN105354198A (zh) 一种数据处理方法及装置
CN106060008B (zh) 一种网络入侵异常检测方法
KR20200057903A (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
US11562262B2 (en) Model variable candidate generation device and method
CN104112181A (zh) 一种基于层次分析法的信息安全贝叶斯网络评估方法
EP3029582A1 (en) Document classification system, document classification method, and document classification program
CN111047173B (zh) 基于改进d-s证据理论的社团可信度评估方法
CN114492605A (zh) 联邦学习特征选择方法、装置、系统以及电子设备
CN112711757B (zh) 一种基于大数据平台的数据安全集中管控方法及系统
CN112948823A (zh) 一种数据泄露风险评估方法
CN110650043B (zh) 面向业务流程的关键业务系统识别与风险评估方法
CN113204968A (zh) 医学实体的概念识别方法、装置、设备及存储介质
Pristyanto et al. The effect of feature selection on classification algorithms in credit approval
Harbola et al. Improved intrusion detection in DDoS applying feature selection using rank & score of attributes in KDD-99 data set
CN103970651A (zh) 基于组件安全属性的软件体系结构安全性评估方法
CN116415836A (zh) 一种面向智能电网信息系统的安全性评价方法
CN116401343A (zh) 一种数据合规分析方法
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备

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