CN114692169A - 应用大数据和ai分析的页面漏洞处理方法及页面服务系统 - Google Patents

应用大数据和ai分析的页面漏洞处理方法及页面服务系统 Download PDF

Info

Publication number
CN114692169A
CN114692169A CN202210381438.3A CN202210381438A CN114692169A CN 114692169 A CN114692169 A CN 114692169A CN 202210381438 A CN202210381438 A CN 202210381438A CN 114692169 A CN114692169 A CN 114692169A
Authority
CN
China
Prior art keywords
vulnerability
page
variable
repair
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.)
Granted
Application number
CN202210381438.3A
Other languages
English (en)
Other versions
CN114692169B (zh
Inventor
张豪举
陈林
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.)
Shanghai Weimai Wenbo Digital Technology Co ltd
Original Assignee
Kunming Jiuhuan Technology 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 Kunming Jiuhuan Technology Co ltd filed Critical Kunming Jiuhuan Technology Co ltd
Priority to CN202210381438.3A priority Critical patent/CN114692169B/zh
Publication of CN114692169A publication Critical patent/CN114692169A/zh
Application granted granted Critical
Publication of CN114692169B publication Critical patent/CN114692169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F21/57—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
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/03—Indexing scheme relating to G06F21/50, monitoring users, programs or devices to maintain the integrity of platforms
    • G06F2221/033—Test or assess software

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种应用大数据和AI分析的页面漏洞处理方法及页面服务系统，通过获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据，对目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据，对异常运行路径数据进行异常持续变量挖掘，输出异常运行路径数据对应的异常持续变量，依据异常持续变量对目标云端服务页面进行页面漏洞提取，输出目标云端服务页面的页面漏洞信息。如此，可以基于页面异常运行大数据，进行异常运行路径和异常持续变量的深度挖掘，而后自动快速准确归纳出页面漏洞信息，从而方便输出后续页面漏洞的修复依据。

Description

应用大数据和AI分析的页面漏洞处理方法及页面服务系统
技术领域
本申请涉及页面漏洞分析技术领域，具体而言，涉及一种应用大数据和AI分析的页面漏洞处理方法及页面服务系统。
背景技术
页面漏洞（如web漏洞）通常是指网站程序上的漏洞，主要是由于页面开发人员进行页面开发时存在工作谬误等原因而产生的漏洞，这些页面漏洞的存在随时会导致云端服务页面存在异常情况，影响访问这些云端服务页面的用户的业务体验，因此需要及时进行页面漏洞信息的提取，以便于后续进行漏洞修复。然而相关技术中，针对页面漏洞信息的提取主要依靠开发人员基于用户反馈并且结合自身工作经验，存在较大的主观性。
发明内容
基于此，本申请提供了一种应用大数据和AI分析的页面漏洞处理方法及页面服务系统。
第一方面，提供一种应用大数据和AI分析的页面漏洞处理方法，应用于与云端页面数据服务器进行接口联系的页面服务系统，所述方法包括：
获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据；
对所述目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据；
对所述异常运行路径数据进行异常持续变量挖掘，输出所述异常运行路径数据对应的异常持续变量；
依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息。
一些构思中，依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息，包括：
获取针对目标异常持续变量的页面漏洞变量团，所述页面漏洞变量团包括多个页面漏洞变量；
获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度；
依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇；
依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息，所述页面漏洞信息包括至少两个目标漏洞维度提取信息；
其中，所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，包括：
依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列；
对各个页面漏洞变量序列进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇。
一些构思中，所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列的步骤，包括：
分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的页面漏洞渗透信息进行渗透关系提取，输出所述各个页面漏洞变量的渗透关系信息；
依据所述各个页面漏洞变量的渗透关系信息对所述各个页面漏洞变量进行关系特征关联，输出至少两个页面漏洞变量序列。
一些构思中，所述对各个页面漏洞变量序列之间进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇的步骤，包括：
依据各个页面漏洞变量序列所包含的页面漏洞变量的漏洞关联标签，对所述各个页面漏洞变量序列进行簇分配；
以及，针对所述各个页面漏洞变量序列，执行以下操作：依据所述页面漏洞变量序列中各个页面漏洞变量的页面漏洞渗透信息与所述页面漏洞变量序列的关联关系，对所述页面漏洞变量序列中的各个页面漏洞变量进行簇分配；
依据所述各个页面漏洞变量序列之间的簇分配信息，以及所述各个页面漏洞变量序列中各个页面漏洞变量的簇分配信息，生成所述页面漏洞变量簇。
一些构思中，所述获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度的步骤，包括：
分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元对所述各个页面漏洞变量进行漏洞关联分析，获得所述漏洞关联分析单元生成的所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度；
所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，包括：
分别将所述各个页面漏洞变量，以及所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度加载到所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联和簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征，所述第一漏洞触发特征中的各个页面漏洞变量成员构成所述页面漏洞变量簇；
所述依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息的步骤，包括：
将所述漏洞触发特征加载到所述完成网络收敛优化的页面漏洞挖掘网络中的漏洞信息映射单元，依据所述漏洞信息映射单元进行漏洞信息映射，获得所述漏洞信息映射单元输出的所述页面漏洞信息；其中，所述完成网络收敛优化的页面漏洞挖掘网络是依据训练特征数据序列进行训练获得的，所述训练特征数据序列中的训练特征数据包括携带漏洞信息标注的模板页面漏洞变量，所述漏洞信息标注用于表示所述模板页面漏洞变量与模板异常持续变量是否关联，以及每个模板异常持续变量所对应的漏洞信息序列。
一些构思中，所述分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元，获得所述漏洞关联分析单元生成的各个模板页面漏洞变量对应的关联可靠度的步骤，包括：
分别将所述各个页面漏洞变量与所述目标异常持续变量加载到所述漏洞关联分析单元，依据所述漏洞关联分析单元中的漏洞风险解析子单元将所述各个页面漏洞变量映射到漏洞风险实体序列，输出所述各个页面漏洞变量的漏洞风险变量；
依据预设的漏洞风险知识图谱将所述各个页面漏洞变量的漏洞风险变量分别输出为对应的漏洞风险知识特征；
依据所述漏洞关联分析单元，分别挖掘所述各个页面漏洞变量的漏洞风险知识特征与除该组页面漏洞变量的其它页面漏洞变量的漏洞风险知识特征之间的联系特征；
依据所述各个页面漏洞变量对应的联系特征获得所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度。
一些构思中，所述依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联并进行簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征的步骤，包括：
依据所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，将所述各个页面漏洞变量映射到漏洞风险实体序列得到所述各个页面漏洞变量对应的漏洞联结变量序列；
对所述各个页面漏洞变量对应的漏洞联结变量序列进行交叉变量提取，输出所述各个页面漏洞变量的交叉漏洞风险变量；
分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的交叉漏洞风险变量进行渗透关系提取，输出所述各个页面漏洞变量的渗透漏洞风险变量；
依据所述各个页面漏洞变量的渗透漏洞风险变量进行关系特征关联，输出至少两个页面漏洞变量序列；
将所有页面漏洞变量序列进行簇分配，并将每个页面漏洞变量序列中的各个页面漏洞变量进行簇分配后，将各个页面漏洞变量的渗透漏洞风险变量拼接并进行异常漏洞触发节点的触发跟踪所述第一漏洞触发特征。
一些构思中，所述方法还包括：
根据所述目标云端服务页面的页面漏洞信息，对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复。
譬如一些构思中，所述根据所述目标云端服务页面的页面漏洞信息，对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复的步骤，包括：
根据所述目标云端服务页面的页面漏洞信息获取在所述目标云端服务页面的页面架构运行服务信息中页面漏洞节点在第一漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述第一漏洞修复区间的漏洞修复模板变量、以及所述页面架构运行服务信息在第一漏洞修复区间的漏洞修复倾向维度变量；
结合所述第一漏洞修复区间的漏洞修复调度变量、所述第一漏洞修复区间的漏洞修复模板变量、以及所述第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型，输出在第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，所述第二漏洞修复区间区别于所述第一漏洞修复区间；
在所述第二漏洞修复区间将所述漏洞修复方案加载到所述页面架构运行服务信息的漏洞修复进程中，以对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复。
譬如一些构思中，所述结合所述第一漏洞修复区间的漏洞修复调度变量、所述第一漏洞修复区间的漏洞修复模板变量、以及所述第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型，输出在第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，包括：
结合所述漏洞修复方案决策模型执行下述步骤：
结合所述第一漏洞修复区间的漏洞修复调度变量，确定所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，并确定执行所述预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量；
结合所述第二漏洞修复区间的漏洞修复倾向维度变量与所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案共同针对所述第二漏洞修复区间的漏洞修复模板变量的修复特征变量，确定在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
譬如一些构思中，所述漏洞修复方案决策模型包括第一变量扩展分支以及方案输出分支；
所述结合所述第一漏洞修复区间的漏洞修复调度变量，确定所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，包括：
结合所述第一变量扩展分支对所述第一漏洞修复区间的漏洞修复调度变量进行变量扩展，输出所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量；
所述确定在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，包括：
结合所述方案输出分支解析到的所述页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与所述页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，将所述第二漏洞修复区间的漏洞修复模板变量进行方案输出为在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
譬如一些构思中，所述漏洞修复方案决策模型还包括第二变量扩展分支；所述确定实现所述预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量，包括：
结合所述第二变量扩展分支解析到的所述页面架构运行服务信息的漏洞修复模板变量与所述页面漏洞节点的漏洞修复调度变量之间的修复实例调度信息，对所述第二漏洞修复区间的预期漏洞修复调度变量进行变量扩展，输出实现所述第二漏洞修复区间的预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量；
或者，结合所述第二变量扩展分支解析到的所述页面架构运行服务信息的漏洞修复模板变量与所述页面漏洞节点的页面漏洞路径之间的修复实例调度信息，对所述第一漏洞修复区间的漏洞修复调度变量与所述第二漏洞修复区间的预期漏洞修复调度变量的比较信息进行修复调度变量优化，输出实现所述第二漏洞修复区间的预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量；
所述方案输出分支包括第一修复关联决策分支、第二修复关联决策分支、方案决策分支以及第三修复关联决策分支；
所述将所述第二漏洞修复区间的漏洞修复模板变量进行方案输出为在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，包括：
结合所述第一修复关联决策分支对所述第二漏洞修复区间的漏洞修复倾向维度变量进行修复关联变量决策，输出对应所述漏洞修复倾向维度变量的第一修复关联变量；
结合所述第二修复关联决策分支对所述第二漏洞修复区间的漏洞修复模板变量进行修复关联变量决策，输出所述对应所述漏洞修复模板变量的第二修复关联变量；
结合所述方案决策分支确定所述第二修复关联变量与所述第一修复关联变量的方案决策变量；
结合所述第三修复关联决策分支对所述方案决策变量进行修复关联变量决策，输出在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
譬如一些构思中，所述方法还包括：
结合所述页面架构运行服务信息中页面漏洞节点在多个模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复模板变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复倾向维度变量，生成所述漏洞修复方案决策模型的模型学习模板数据；
结合所述模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，输出用于漏洞修复方案决策的所述漏洞修复方案决策模型。
譬如一些构思中，所述结合所述页面架构运行服务信息中页面漏洞节点在多个模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复模板变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复倾向维度变量，生成所述漏洞修复方案决策模型的模型学习模板数据，包括：
针对所述多个模板漏洞修复区间中的其中一个模板漏洞修复区间执行下述步骤：
获取所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复调度变量、所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复模板变量以及所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复倾向维度变量；
将所述页面架构运行服务信息中页面漏洞节点在所述模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述模板漏洞修复区间的漏洞修复模板变量、所述模板漏洞修复区间的漏洞修复倾向维度变量聚合输出为所述模板漏洞修复区间的第一修复关联变量；
将所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复调度变量、所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复模板变量以及所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复倾向维度变量聚合输出为所述后一模板漏洞修复区间的第二修复关联变量；
结合所述模板漏洞修复区间的第一修复关联变量、在所述模板漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案以及所述后一模板漏洞修复区间的第二修复关联变量，生成所述模板漏洞修复区间的模型学习模板数据；
将多个所述模板漏洞修复区间的模型学习模板数据进行聚合，输出所述漏洞修复方案决策模型的模型学习模板数据。
譬如一些构思中，所述方法还包括：
将所述模板漏洞修复区间的模型学习模板数据加载到模板训练数据服务器；
所述结合所述模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，包括：
当所述模板训练数据服务器中所述模板漏洞修复区间的模型学习模板数据的数量大于目标数量时，从所述模板训练数据服务器获取多个所述模板漏洞修复区间的模型学习模板数据，并结合多个所述模板漏洞修复区间的模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化。
譬如一些构思中，所述结合所述模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，输出用于漏洞修复方案决策的所述漏洞修复方案决策模型，包括：
结合所述模型学习模板数据中的其中一个模板漏洞修复区间的模型学习模板数据以及所述模板漏洞修复区间的方案标注数据，确定所述漏洞修复方案决策模型的目标决策代价信息；
更新所述漏洞修复方案决策模型的模型参数层直到所述目标决策代价信息匹配收敛条件，将所述目标决策代价信息匹配收敛条件时所述漏洞修复方案决策模型的更新模型参数，作为用于漏洞修复方案决策的所述漏洞修复方案决策模型的模型参数层；
所述生成所述漏洞修复方案决策模型的目标决策代价信息之前，还包括：
结合所述模型学习模板数据中的其中一个模板漏洞修复区间的模型学习模板数据调度所述漏洞修复方案决策模型进行决策输出，输出在所述模板漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复决策方案；
结合所述漏洞修复决策方案，输出所述模板漏洞修复区间的漏洞修复决策代价信息；
所述生成所述漏洞修复方案决策模型的目标决策代价信息，包括：
结合所述模板漏洞修复区间的模型学习模板数据、所述模板漏洞修复区间的漏洞修复决策代价信息以及所述模板漏洞修复区间的方案标注数据，确定所述漏洞修复方案决策模型的目标决策代价信息。
第二方面，提供一种应用大数据和AI分析的页面漏洞处理系统，包括互相之间通信的云端页面数据服务器和页面服务系统；
云端页面数据服务器用于：向页面服务系统上传目标云端服务页面的页面异常运行大数据；
页面服务系统用于：对所述目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据；对所述异常运行路径数据进行异常持续变量挖掘，输出所述异常运行路径数据对应的异常持续变量；依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息。
第三方面，提供一种页面服务系统，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的方法。
基于以上任一方面，本申请实施例通过获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据，对目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据，对异常运行路径数据进行异常持续变量挖掘，输出异常运行路径数据对应的异常持续变量，依据异常持续变量对目标云端服务页面进行页面漏洞提取，输出目标云端服务页面的页面漏洞信息。如此，可以基于页面异常运行大数据，进行异常运行路径和异常持续变量的深度挖掘，而后自动快速准确归纳出页面漏洞信息，从而方便输出后续页面漏洞的修复依据。
附图说明
图1为本申请实施例所提供的一种应用大数据和AI分析的页面漏洞处理方法的流程图。
图2为本申请实施例所提供的一种页面服务系统的架构图。
具体实施方式
下面介绍本申请一种实施例提供的应用大数据和AI分析的页面漏洞处理系统10的架构，该应用大数据和AI分析的页面漏洞处理系统10可以包括页面服务系统100以及与页面服务系统100通信连接的云端页面数据服务器200。本实施例中，应用大数据和AI分析的页面漏洞处理系统10中的页面服务系统100和云端页面数据服务器200可以依据配合执行以下方法实施例所记载的应用大数据和AI分析的页面漏洞处理方法，具体页面服务系统100和云端页面数据服务器200的执行步骤部分可以参照图1并结合以下方法实施例的详细描述。
Process100，获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据。
比如，目标云端服务页面（例如电商购物页面等）的页面异常运行大数据包括但不限于页面运行崩溃数据、页面运行错误数据等。
一些实施方式中，页面服务系统与云端页面数据服务器通过接口连接，可以用于实时获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据。比如，云端页面数据服务器可以依据实际的页面监控维度从不同异常监控类别对目标云端服务页面进行异常数据记录。
Process200，对所述目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据。
比如，异常运行路径数据提取可以是指针对页面异常运行大数据提取获得的异常运行路径构成的数据集合，异常运行路径可以用于表示页面运行异常过程中由运行功能组件的运行进程构成的路径。
Process300，对所述异常运行路径数据进行异常持续变量挖掘，输出所述异常运行路径数据对应的异常持续变量。
比如，异常持续变量挖掘用于表征异常运行路径数据中存在持续特征（例如连续两次调用活动）的运行功能组件的运行进程数据。
Process400，依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息。
比如，页面漏洞提取用于评估目标云端服务页面的具体页面漏洞，由此便于后续漏洞修复。
基于以上步骤，本实施例通过获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据，对目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据，对异常运行路径数据进行异常持续变量挖掘，输出异常运行路径数据对应的异常持续变量，依据异常持续变量对目标云端服务页面进行页面漏洞提取，输出目标云端服务页面的页面漏洞信息。如此，可以基于页面异常运行大数据，进行异常运行路径和异常持续变量的深度挖掘，而后自动快速准确归纳出页面漏洞信息，从而方便输出后续页面漏洞的修复依据。
下面将结合具体实施例对Process100-Process400的相关Process进行具体阐述。
一些构思示例中，上述Process400所记载的依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息的步骤，例如实现方式可以是Processa1-Processa4的实施方式。
Processa1，获取针对目标异常持续变量的页面漏洞变量团，所述页面漏洞变量团包括多个页面漏洞变量。
例如，多个页面漏洞变量表示页面漏洞变量团存在多维度的页面漏洞变量。其中，页面漏洞变量用于表征页面漏洞触发过程中的特征变量。
Processa2，获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度。
比如，关联可靠度表示页面漏洞变量团中的各个页面漏洞变量与目标异常持续变量之间的相关度。
一些构思中，Processa2对应的获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度的步骤，例如实现方式可以是以下Processa2a1的实施方式。
Processa2a1，分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元对所述各个页面漏洞变量进行漏洞关联分析，获得所述漏洞关联分析单元生成的所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度。
在另一些构思示例中，Processa2a1所记载的分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元，获得所述漏洞关联分析单元生成的各个模板页面漏洞变量对应的关联可靠度的步骤，例如实现方式可以是以下Processj1-Processj4的实施方式。
Processj1，分别将所述各个页面漏洞变量与所述目标异常持续变量加载到所述漏洞关联分析单元，依据所述漏洞关联分析单元中的漏洞风险解析子单元将所述各个页面漏洞变量映射到漏洞风险实体序列，输出所述各个页面漏洞变量的漏洞风险变量。
Processj2，依据预设的漏洞风险知识图谱将所述各个页面漏洞变量的漏洞风险变量分别输出为对应的漏洞风险知识特征。
Processj3，依据所述漏洞关联分析单元，分别挖掘所述各个页面漏洞变量的漏洞风险知识特征与除该组页面漏洞变量的其它页面漏洞变量的漏洞风险知识特征之间的联系特征。
比如，联系特征用于表征各个页面漏洞变量的漏洞风险知识特征与除该组页面漏洞变量的其它页面漏洞变量的漏洞风险知识特征的关联度大于标准关联度的特征向量。
Processj4，依据所述各个页面漏洞变量对应的联系特征获得所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度。
在另一些构思示例中，Processa2a1所记载的依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联并进行簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征的步骤，例如实现方式可以是以下Processb1-Processb5的实施方式。
Processb1，依据所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，将所述各个页面漏洞变量映射到漏洞风险实体序列得到所述各个页面漏洞变量对应的漏洞联结变量序列。
Processb2，对所述各个页面漏洞变量对应的漏洞联结变量序列进行交叉变量提取，输出所述各个页面漏洞变量的交叉漏洞风险变量。
Processb3，分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的交叉漏洞风险变量进行渗透关系提取，输出所述各个页面漏洞变量的渗透漏洞风险变量。
Processb4，依据所述各个页面漏洞变量的渗透漏洞风险变量进行关系特征关联，输出至少两个页面漏洞变量序列。
Processb5，将所有页面漏洞变量序列进行簇分配，并将每个页面漏洞变量序列中的各个页面漏洞变量进行簇分配后，将各个页面漏洞变量的渗透漏洞风险变量拼接并进行异常漏洞触发节点的触发跟踪所述第一漏洞触发特征。
Processa3，依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇。
一些构思中，Processa3所记载的依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，例如实现方式可以是以下Processa3a1和Processa3a2的实施方式。
Processa3a1，依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列。
一些构思中，依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列所记载的步骤，例如实现方式可以是以下Process（1）和（2）的实施方式。
（1）分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的页面漏洞渗透信息进行渗透关系提取，输出所述各个页面漏洞变量的渗透关系信息。
例如，渗透关系信息表示存在安全隐患的桥梁结构对应的信息。
（2）依据所述各个页面漏洞变量的渗透关系信息对所述各个页面漏洞变量进行关系特征关联，输出至少两个页面漏洞变量序列。
Processa3a2，对各个页面漏洞变量序列进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇。
例如，页面漏洞变量簇表示各个页面漏洞变量序列中相似的状态描述序列组成序列。
在一些构思示例中，对各个页面漏洞变量序列之间进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇，例如实现方式可以是以下Processz1-Processz3的实施方式。
Processz1，依据各个页面漏洞变量序列所包含的页面漏洞变量的漏洞关联标签，对所述各个页面漏洞变量序列进行簇分配。
Processz2，以及，针对所述各个页面漏洞变量序列，执行以下操作：依据所述页面漏洞变量序列中各个页面漏洞变量的页面漏洞渗透信息与所述页面漏洞变量序列的关联关系，对所述页面漏洞变量序列中的各个页面漏洞变量进行簇分配。
Processz3，依据所述各个页面漏洞变量序列之间的簇分配信息，以及所述各个页面漏洞变量序列中各个页面漏洞变量的簇分配信息，生成所述页面漏洞变量簇。
一些可能的构思示例中，Processa3所记载的依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，例如实现方式可以是以下Processd1的实施方式。
Processd1，分别将所述各个页面漏洞变量，以及所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度加载到所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联和簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征，所述第一漏洞触发特征中的各个页面漏洞变量成员构成所述页面漏洞变量簇。
Processa4，依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息，所述页面漏洞信息包括至少两个目标漏洞维度提取信息。
在一些构思示例中，Processa4所记载的依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息的步骤，例如实现方式可以是以下Processa4a1的实施方式。
Processa4a1，将所述漏洞触发特征加载到所述完成网络收敛优化的页面漏洞挖掘网络中的漏洞信息映射单元，依据所述漏洞信息映射单元进行漏洞信息映射，获得所述漏洞信息映射单元输出的所述页面漏洞信息。
比如，所述完成网络收敛优化的页面漏洞挖掘网络是依据训练特征数据序列进行模型参数层优化获得的，所述训练特征数据序列中的训练特征数据包括携带漏洞信息标注的模板页面漏洞变量，所述漏洞信息标注用于表示所述模板页面漏洞变量与模板异常持续变量是否关联，以及每个模板异常持续变量所对应的漏洞信息序列。
在一些构思示例中，以上方法还可以包括下述步骤。
Process500，根据所述目标云端服务页面的页面漏洞信息，对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复。
例如，Process500可以通过以下示例性的步骤实现。
Process5022，根据所述目标云端服务页面的页面漏洞信息获取页面架构运行服务信息中页面漏洞节点在第一漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述第一漏洞修复区间的漏洞修复模板变量、以及所述页面架构运行服务信息在第一漏洞修复区间的漏洞修复倾向维度变量。
在一些构思示例中，漏洞修复调度变量可以表征页面漏洞节点在需要被漏洞修复时所被开发人员调度的漏洞修复固件指令的应用变量。其中，页面漏洞节点可以从所述目标云端服务页面的页面漏洞信息中进行获得。
其中，页面服务系统通过页面架构运行服务信息获取相对于当前漏洞修复区间（第二漏洞修复区间）的模板漏洞修复区间的漏洞修复模板变量及漏洞修复调度变量，获取第一漏洞修复区间的漏洞修复倾向维度变量，结合第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量以及第一漏洞修复区间的漏洞修复倾向维度变量，自动生成针对页面架构运行服务信息的漏洞修复方案请求，并将针对页面架构运行服务信息的漏洞修复方案请求发送至页面服务系统，页面服务系统收到针至页面架构运行服务信息的漏洞修复方案请求后，分析针至页面架构运行服务信息的漏洞修复方案请求，由此获得第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量以及第一漏洞修复区间的漏洞修复倾向维度变量，由此可以支持后续结合第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量以及第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型进行漏洞修复方案的改进。
Process5024，结合所述第一漏洞修复区间的漏洞修复调度变量、所述第一漏洞修复区间的漏洞修复模板变量、以及所述第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型，输出在第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，其中，所述第二漏洞修复区间区别于所述第一漏洞修复区间。
漏洞修复方案可以理解为对页面漏洞节点进行修复时所调度的修复固件引用信息。
其中，将第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量以及第一漏洞修复区间的漏洞修复倾向维度变量输入至漏洞修复方案决策模型中，使得漏洞修复方案决策模型得到以下信息：将页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共用作用于页面架构运行服务信息的漏洞修复模板变量，并将页面架构运行服务信息的漏洞修复模板变量作用于页面漏洞节点的漏洞修复调度变量，从而通过漏洞修复方案决策模型中进行决策输出，输出在第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案，即后一漏洞修复区间用于作为修复特征区间的依据输出页面架构运行服务信息的漏洞修复方案。
在一些构思示例中，Process5024所记载的结合所述第一漏洞修复区间的漏洞修复调度变量、所述第一漏洞修复区间的漏洞修复模板变量、以及所述第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型，输出在第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，例如实现方式可以是如下Process50241和Process50242的具体实施方式。
结合所述漏洞修复方案决策模型执行下述Process50：
Process50241，结合所述第一漏洞修复区间的漏洞修复调度变量，确定所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，并确定执行所述预期漏洞修复调度变量（其中为预期漏洞修复调度变量）时所述第二漏洞修复区间的漏洞修复模板变量；
Process50242，结合所述第二漏洞修复区间的漏洞修复倾向维度变量与所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案共同针对所述第二漏洞修复区间的漏洞修复模板变量的修复特征变量，确定在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
在具体实施Process50241和Process50242的具体实施方式时，在页面服务系统获取到开发人员上传的针对页面架构运行服务信息的漏洞修复请求，解析针对页面架构运行服务信息的漏洞修复请求，获取第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量、以及第一漏洞修复区间的漏洞修复倾向维度变量，并调度漏洞修复方案决策模型进行决策输出，结合漏洞修复方案决策模型决策的信息，先结合第一漏洞修复区间的漏洞修复调度变量进行漏洞修复调度变量的决策输出，输出第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，其中，漏洞修复测试需求可以基于实际需求进行配置，在获得第二漏洞修复区间的预期漏洞修复调度变量后，确定执行预期漏洞修复调度变量时第二漏洞修复区间的漏洞修复模板变量，最后，结合漏洞修复方案决策模型学习到的结合第二漏洞修复区间的漏洞修复倾向维度变量与第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案共同针对第二漏洞修复区间的漏洞修复模板变量的修复特征变量，确定在第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案。
在一些构思示例中，所述漏洞修复方案决策模型包括第一变量扩展分支以及方案输出分支。结合此，Process50241结合所述第一漏洞修复区间的漏洞修复调度变量，确定所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，例如实现方式可以是：结合所述第一变量扩展分支对所述第一漏洞修复区间的漏洞修复调度变量进行变量扩展，输出所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量。
上述Process50242所记载的确定在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，例如实现方式可以是：结合所述方案输出分支解析到的所述页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与所述页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，将所述第二漏洞修复区间的漏洞修复模板变量进行方案输出为在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
在一些构思示例中，漏洞修复方案决策模型包括第二变量扩展分支。结合此，Process50241所记载的确定实现所述预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量，例如实现方式可以是：结合所述第二变量扩展分支解析到的所述页面架构运行服务信息的漏洞修复模板变量与所述页面漏洞节点的漏洞修复调度变量之间的修复实例调度信息，对所述第二漏洞修复区间的预期漏洞修复调度变量进行变量扩展，输出实现所述第二漏洞修复区间的预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量。
基于以上实施例，将第一漏洞修复区间的漏洞修复调度变量输入漏洞修复方案决策模型中的第一变量扩展分支，通过第一变量扩展分支对第一漏洞修复区间的漏洞修复调度变量进行变量扩展，输出第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，并将预期漏洞修复调度变量输入至第二变量扩展分支，通过第二变量扩展分支学习到的页面架构运行服务信息的漏洞修复模板变量与页面漏洞节点的漏洞修复调度变量之间的修复实例调度信息，对第二漏洞修复区间的预期漏洞修复调度变量进行变量扩展，输出实现第二漏洞修复区间的预期漏洞修复调度变量时第二漏洞修复区间的漏洞修复模板变量，并将第二漏洞修复区间的漏洞修复模板变量输入至方案输出分支，通过方案输出分支学习到的页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，将第二漏洞修复区间的漏洞修复模板变量进行方案输出为在第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案。从而，通过漏洞修复方案决策模型中多个模型参数层即可决策输出第二漏洞修复区间的漏洞修复方案，进而实现漏洞修复的AI决策。
在一些构思示例中，所述漏洞修复方案决策模型包括第一变量扩展分支以及方案输出分支。结合此，Process50241结合所述第一漏洞修复区间的漏洞修复调度变量，确定所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，例如实现方式可以是：结合所述第一变量扩展分支对所述第一漏洞修复区间的漏洞修复调度变量进行变量扩展，输出所述第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量。
上述Process50242所记载的确定在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，例如实现方式可以是：结合所述方案输出分支解析到的所述页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与所述页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，将所述第二漏洞修复区间的漏洞修复模板变量进行方案输出为在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
在一些构思示例中，漏洞修复方案决策模型包括第二变量扩展分支。结合此，Process50241所记载的确定实现所述预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量，例如实现方式还可以是：结合所述第二变量扩展分支解析到的所述页面架构运行服务信息的漏洞修复模板变量与所述页面漏洞节点的页面漏洞路径之间的修复实例调度信息，对所述第一漏洞修复区间的漏洞修复调度变量与所述第二漏洞修复区间的预期漏洞修复调度变量的比较信息进行修复调度变量优化，输出实现所述第二漏洞修复区间的预期漏洞修复调度变量时所述第二漏洞修复区间的漏洞修复模板变量。
基于以上步骤，将第一漏洞修复区间的漏洞修复调度变量输入漏洞修复方案决策模型中的第一变量扩展分支，通过第一变量扩展分支对第一漏洞修复区间的漏洞修复调度变量进行变量扩展，输出第二漏洞修复区间中满足漏洞修复测试需求的预期漏洞修复调度变量，并将预期漏洞修复调度变量输入至第二变量扩展分支，通过第二变量扩展分支学习到的页面架构运行服务信息的漏洞修复模板变量与页面漏洞节点的页面漏洞路径之间的修复实例调度信息，对第一漏洞修复区间的漏洞修复调度变量与第二漏洞修复区间的预期漏洞修复调度变量的比较信息进行修复调度变量优化，输出实现第二漏洞修复区间的预期漏洞修复调度变量时第二漏洞修复区间的漏洞修复模板变量，第二变量扩展分支将第二漏洞修复区间的漏洞修复模板变量输入至方案输出分支中，通过方案输出分支学习到的页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，将第二漏洞修复区间的漏洞修复模板变量进行方案输出为在第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案。从而，通过漏洞修复方案决策模型中多个模型参数层即可决策输出第二漏洞修复区间的漏洞修复方案。
在一些构思示例中，方案输出分支其中为融合网络。进一步地，方案输出分支可以包括第一修复关联决策分支、第二修复关联决策分支、方案决策分支以及第三修复关联决策分支。上述所记载的将所述第二漏洞修复区间的漏洞修复模板变量进行方案输出为在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，例如实现方式还可以是：结合所述第一修复关联决策分支对所述第二漏洞修复区间的漏洞修复倾向维度变量进行修复关联变量决策，输出对应所述漏洞修复倾向维度变量的第一修复关联变量；结合所述第二修复关联决策分支对所述第二漏洞修复区间的漏洞修复模板变量进行修复关联变量决策，输出所述对应所述漏洞修复模板变量的第二修复关联变量；结合所述方案决策分支确定所述第二修复关联变量与所述第一修复关联变量的方案决策变量；结合所述第三修复关联决策分支对所述方案决策变量进行修复关联变量决策，输出在所述第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案。
其中，方案输出分支包括第一修复关联决策分支、第二修复关联决策分支、方案决策分支以及第三修复关联决策分支其中为方案输出分支包括第一CNN单元、第二CNN单元、全连接单元以及第三CNN单元。
在一些构思示例中，第二变量扩展分支将第二漏洞修复区间的漏洞修复模板变量输入至方案输出分支后，结合学习到的页面架构运行服务信息的漏洞修复方案和漏洞修复倾向维度变量共同与页面架构运行服务信息的漏洞修复模板变量之间的修复实例调度信息，通过方案输出分支中的第一修复关联决策分支对第二漏洞修复区间的漏洞修复倾向维度变量进行修复关联变量决策，输出对应漏洞修复倾向维度变量的第一修复关联变量（即第一CNN变量），并通过方案输出分支中的第二修复关联决策分支对第二漏洞修复区间的漏洞修复模板变量进行修复关联变量决策，输出对应漏洞修复模板变量的第二修复关联变量（即第二CNN变量），然后通过方案决策分支对第二修复关联变量与第一修复关联变量进行比较，输出第二修复关联变量与第一修复关联变量的方案决策变量，最后通过第三修复关联决策分支对方案决策变量进行修复关联变量决策，输出在第二漏洞修复区间中用匹配页面架构运行服务信息的漏洞修复方案。
Process5026，在所述第二漏洞修复区间将所述漏洞修复方案加载到所述页面架构运行服务信息的漏洞修复进程中。
在一些构思示例中，可以在第二漏洞修复区间内将漏洞修复方案部署在页面架构运行服务信息的漏洞修复进程中。
其中，将针对页面架构运行服务信息的漏洞修复方案请求加载至页面服务系统，页面服务系统接收到针对页面架构运行服务信息的漏洞修复方案请求后，调度漏洞修复方案决策模型进行决策输出后，输出第二漏洞修复区间的漏洞修复方案，并将第二漏洞修复区间的漏洞修复方案反馈到页面架构运行服务信息的漏洞修复进程中。
在一些构思示例中，在上述内容的基础上，该方法具体还可以包括如下Process5031和Process5032所记录的技术方案。
Process5031，结合所述页面架构运行服务信息中页面漏洞节点在多个模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复模板变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复倾向维度变量，生成所述漏洞修复方案决策模型的模型学习模板数据（训练样本）。
Process5032，结合所述模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，输出用于漏洞修复方案决策的所述漏洞修复方案决策模型。
其中，模板漏洞修复区间其中为过往信任漏洞修复区间。在一些构思示例中，通过过往信任漏洞修复区间的所对应的信息对漏洞修复方案决策模型进行模型参数层优化，能够更进一步确保漏洞修复方案决策模型的决策性能。
在一些构思示例中，Process5031所记载的结合所述页面架构运行服务信息中页面漏洞节点在多个模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复模板变量、所述页面架构运行服务信息在所述多个模板漏洞修复区间的漏洞修复倾向维度变量，生成所述漏洞修复方案决策模型的模型学习模板数据，例如实现方式可以是如下Process50311-Process50315所记载的内容。
针对所述多个模板漏洞修复区间中的其中一个模板漏洞修复区间执行下述Process50：Process50311，获取所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复调度变量、所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复模板变量以及所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复倾向维度变量；Process50312，将所述页面架构运行服务信息中页面漏洞节点在所述模板漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述模板漏洞修复区间的漏洞修复模板变量、所述模板漏洞修复区间的漏洞修复倾向维度变量聚合输出为所述模板漏洞修复区间的第一修复关联变量；Process50313，将所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复调度变量、所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复模板变量以及所述模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复倾向维度变量聚合输出为所述后一模板漏洞修复区间的第二修复关联变量；Process50314，结合所述模板漏洞修复区间的第一修复关联变量、在所述模板漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案以及所述后一模板漏洞修复区间的第二修复关联变量，生成所述模板漏洞修复区间的模型学习模板数据；Process50315，将多个所述模板漏洞修复区间的模型学习模板数据进行聚合，输出所述漏洞修复方案决策模型的模型学习模板数据。
例如，当某一模板漏洞修复区间的漏洞修复调度变量为A1、漏洞修复模板变量为B1、漏洞修复倾向维度变量为C1时，则该模板漏洞修复区间的修复关联变量为W1{A1，B1，C1}。当该模板漏洞修复区间的后一模板漏洞修复区间的漏洞修复调度变量为A2、漏洞修复模板变量为B2、漏洞修复倾向维度变量为C2时，则该模板漏洞修复区间的后一模板漏洞修复区间的修复关联变量为W2{A2，B2，C2}。当该模板漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案为G1时，则将该模板漏洞修复区间的漏洞修复调度变量W1、该模板漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案为G1以及该模板漏洞修复区间的后一模板漏洞修复区间的修复关联变量W2聚合输出为该模板漏洞修复区间的训练样本{W1，G1，W2}。当有Y个模板漏洞修复区间时，则训练样本为{W1，G1，W2}、…、{WY-1，GY-1，WY}、{WY，GY，终止态}，其中，Y为大于2的自然数，终止态表示训练终止条件。
在一些构思示例中，该方法具体还可以包括Process5041：将所述模板漏洞修复区间的模型学习模板数据加载到模板训练数据服务器。结合此，Process5032所记载的结合所述模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，例如实现方式可以是：当所述模板训练数据服务器中所述模板漏洞修复区间的模型学习模板数据的数量大于目标数量时，从所述模板训练数据服务器获取多个所述模板漏洞修复区间的模型学习模板数据，并结合多个所述模板漏洞修复区间的模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化。
在一些构思示例中，可以将模板漏洞修复区间的模型学习模板数据（训练样本）记载到模板训练数据服务器，以收集训练样本，从而当模板训练数据服务器中的模板漏洞修复区间的模型学习模板数据数量大于目标数量时，从模板训练数据服务器获取多个模板漏洞修复区间的模型学习模板数据，并结合多个模板漏洞修复区间的模型学习模板数据对漏洞修复方案决策模型进行模型参数层优化。
在一些构思示例中，Process5032所记载的所述结合所述页面架构运行服务信息中页面漏洞节点会话行为变化的模型学习模板数据对所述漏洞修复方案决策模型进行模型参数层优化，输出用于漏洞修复方案决策的所述漏洞修复方案决策模型，例如实现方式可以是Process50321和Process50322。
Process50321，结合所述模型学习模板数据中的其中一个模板漏洞修复区间的模型学习模板数据以及所述模板漏洞修复区间的方案标注数据，确定所述漏洞修复方案决策模型的目标决策代价信息。
Process50322，更新所述漏洞修复方案决策模型的模型参数层直到所述目标决策代价信息匹配收敛条件，将所述目标决策代价信息匹配收敛条件时所述漏洞修复方案决策模型的更新模型参数，作为用于漏洞修复方案决策的所述漏洞修复方案决策模型的模型参数层。
在一些构思示例中，结合其中一个模板漏洞修复区间的模型学习模板数据以及模板漏洞修复区间的方案标注数据，确定漏洞修复方案决策模型的目标决策代价信息后，可以判断漏洞修复方案决策模型的目标决策代价信息是否存在训练预期偏差，当漏洞修复方案决策模型的目标决策代价信息存在训练预期偏差时，结合漏洞修复方案决策模型的目标决策代价信息确定漏洞修复方案决策模型的异常训练信息，将异常训练信息在漏洞修复方案决策模型中进行训练逻辑反馈。
在一些构思示例中，在Process50321所记载的生成所述漏洞修复方案决策模型的目标决策代价信息之前，具体还可以包括Process5041和Process5042所记载的内容。
Process5041，结合所述模型学习模板数据中的其中一个模板漏洞修复区间的模型学习模板数据调度所述漏洞修复方案决策模型进行决策输出，输出在所述模板漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复决策方案。
Process5042，结合所述漏洞修复决策方案，输出所述模板漏洞修复区间的漏洞修复决策代价信息。
在一些构思示例中，在Process50321所记载的生成所述漏洞修复方案决策模型的目标决策代价信息，例如实现方式可以是：结合所述模板漏洞修复区间的模型学习模板数据、所述模板漏洞修复区间的漏洞修复决策代价信息以及所述模板漏洞修复区间的方案标注数据，生成所述漏洞修复方案决策模型的目标决策代价信息。
在一些构思示例中，在训练阶段，调度述漏洞修复方案决策模型进行决策输出，输出在模板漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复决策方案，并结合漏洞修复决策方案，输出模板漏洞修复区间的漏洞修复决策代价信息。最后，结合模板漏洞修复区间的模型学习模板数据、模板漏洞修复区间的漏洞修复决策代价信息以及模板漏洞修复区间的方案标注数据，构建漏洞修复方案决策模型的目标决策代价信息。
由此，通过调度漏洞修复方案决策模型，以结合第一漏洞修复区间的漏洞修复调度变量、第一漏洞修复区间的漏洞修复模板变量以及第一漏洞修复区间的漏洞修复倾向维度变量，输出在第二漏洞修复区间中用于匹配页面架构运行服务信息的漏洞修复方案，从而可以在第二漏洞修复区间将漏洞修复方案加载到页面架构运行服务信息中，由此在不同的漏洞修复区间下决策输出对应的漏洞修复方案。
图2示出了本申请实施例提供的用于实现上述的应用大数据和AI分析的页面漏洞处理方法的页面服务系统100的硬件结构意图，如图2所示，页面服务系统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。
一种可能的设计中，页面服务系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，页面服务系统100可以是分布式的系统)。在一些实施例中，页面服务系统100可以是本地的，也可以是远程的。例如，页面服务系统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，页面服务系统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。在一些实施例中，页面服务系统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可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储页面服务系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，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。例如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。在一些实施例中，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，一个或多个处理器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应用大数据和AI分析的页面漏洞处理方法，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页面服务系统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，实现如上应用大数据和AI分析的页面漏洞处理方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以依据程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器（英文：Read-only Memory，缩写：ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
其中，本说明书中的每个实施例均采用递进的方式描述，每个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种应用大数据和AI分析的页面漏洞处理方法，其特征在于，应用于与云端页面数据服务器进行接口联系的页面服务系统，所述方法包括：
获取云端页面数据服务器记录的目标云端服务页面的页面异常运行大数据；
对所述目标云端服务页面的页面异常运行大数据进行异常运行路径数据提取，输出异常运行路径数据；
对所述异常运行路径数据进行异常持续变量挖掘，输出所述异常运行路径数据对应的异常持续变量；
依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息。
2.根据权利要求1所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，依据所述异常持续变量对所述目标云端服务页面进行页面漏洞提取，输出所述目标云端服务页面的页面漏洞信息，包括：
获取针对目标异常持续变量的页面漏洞变量团，所述页面漏洞变量团包括多个页面漏洞变量；
获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度；
依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇；
依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息，所述页面漏洞信息包括至少两个目标漏洞维度提取信息；
其中，所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，包括：
依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列；
对各个页面漏洞变量序列进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇。
3.根据权利要求2所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行解析，输出至少两个页面漏洞变量序列的步骤，包括：
分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的页面漏洞渗透信息进行渗透关系提取，输出所述各个页面漏洞变量的渗透关系信息；
依据所述各个页面漏洞变量的渗透关系信息对所述各个页面漏洞变量进行关系特征关联，输出至少两个页面漏洞变量序列。
4.根据权利要求2所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述对各个页面漏洞变量序列之间进行簇分配，并分别对所述各个页面漏洞变量序列中的各个页面漏洞变量进行簇分配，输出所述页面漏洞变量簇的步骤，包括：
依据各个页面漏洞变量序列所包含的页面漏洞变量的漏洞关联标签，对所述各个页面漏洞变量序列进行簇分配；
以及，针对所述各个页面漏洞变量序列，执行以下操作：
依据所述页面漏洞变量序列中各个页面漏洞变量的页面漏洞渗透信息与所述页面漏洞变量序列的关联关系，对所述页面漏洞变量序列中的各个页面漏洞变量进行簇分配；
依据所述各个页面漏洞变量序列之间的簇分配信息，以及所述各个页面漏洞变量序列中各个页面漏洞变量的簇分配信息，生成所述页面漏洞变量簇。
5.根据权利要求2所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述获得所述页面漏洞变量团中的各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度的步骤，包括：
分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元对所述各个页面漏洞变量进行漏洞关联分析，获得所述漏洞关联分析单元生成的所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度；
所述依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，以及所述各个页面漏洞变量的页面漏洞渗透信息，对所述各个页面漏洞变量进行簇分配，输出相应的页面漏洞变量簇的步骤，包括：
分别将所述各个页面漏洞变量，以及所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度加载到所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联和簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征，所述第一漏洞触发特征中的各个页面漏洞变量成员构成所述页面漏洞变量簇；
所述依据所述页面漏洞变量簇生成针对所述目标异常持续变量的页面漏洞信息的步骤，包括：
将所述漏洞触发特征加载到所述完成网络收敛优化的页面漏洞挖掘网络中的漏洞信息映射单元，依据所述漏洞信息映射单元进行漏洞信息映射，获得所述漏洞信息映射单元输出的所述页面漏洞信息；其中，所述完成网络收敛优化的页面漏洞挖掘网络是依据训练特征数据序列进行训练获得的，所述训练特征数据序列中的训练特征数据包括携带漏洞信息标注的模板页面漏洞变量，所述漏洞信息标注用于表示所述模板页面漏洞变量与模板异常持续变量是否关联，以及每个模板异常持续变量所对应的漏洞信息序列。
6.根据权利要求5所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述分别将所述各个页面漏洞变量与所述目标异常持续变量加载到完成网络收敛优化的页面漏洞挖掘网络中，依据所述完成网络收敛优化的页面漏洞挖掘网络中的满足权重优化要求的漏洞关联分析单元，获得所述漏洞关联分析单元生成的各个模板页面漏洞变量对应的关联可靠度的步骤，包括：
分别将所述各个页面漏洞变量与所述目标异常持续变量加载到所述漏洞关联分析单元，依据所述漏洞关联分析单元中的漏洞风险解析子单元将所述各个页面漏洞变量映射到漏洞风险实体序列，输出所述各个页面漏洞变量的漏洞风险变量；
依据预设的漏洞风险知识图谱将所述各个页面漏洞变量的漏洞风险变量分别输出为对应的漏洞风险知识特征；
依据所述漏洞关联分析单元，分别挖掘所述各个页面漏洞变量的漏洞风险知识特征与除该组页面漏洞变量的其它页面漏洞变量的漏洞风险知识特征之间的联系特征；
依据所述各个页面漏洞变量对应的联系特征获得所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度。
7.根据权利要求5所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述依据所述页面漏洞变量挖掘单元对所述各个页面漏洞变量进行关系特征关联并进行簇分配，获得所述页面漏洞变量挖掘单元生成的异常漏洞触发节点的第一漏洞触发特征的步骤，包括：
依据所述完成网络收敛优化的页面漏洞挖掘网络中的页面漏洞变量挖掘单元，将所述各个页面漏洞变量映射到漏洞风险实体序列得到所述各个页面漏洞变量对应的漏洞联结变量序列；
对所述各个页面漏洞变量对应的漏洞联结变量序列进行交叉变量提取，输出所述各个页面漏洞变量的交叉漏洞风险变量；
分别依据所述各个页面漏洞变量与所述目标异常持续变量之间的关联可靠度，对所述各个页面漏洞变量的交叉漏洞风险变量进行渗透关系提取，输出所述各个页面漏洞变量的渗透漏洞风险变量；
依据所述各个页面漏洞变量的渗透漏洞风险变量进行关系特征关联，输出至少两个页面漏洞变量序列；
将所有页面漏洞变量序列进行簇分配，并将每个页面漏洞变量序列中的各个页面漏洞变量进行簇分配后，将各个页面漏洞变量的渗透漏洞风险变量拼接并进行异常漏洞触发节点的触发跟踪所述第一漏洞触发特征。
8.根据权利要求1-7中任意一项所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述方法还包括：
根据所述目标云端服务页面的页面漏洞信息，对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复。
9.根据权利要求8所述的应用大数据和AI分析的页面漏洞处理方法，其特征在于，所述根据所述目标云端服务页面的页面漏洞信息，对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复的步骤，包括：
根据所述目标云端服务页面的页面漏洞信息获取在所述目标云端服务页面的页面架构运行服务信息中页面漏洞节点在第一漏洞修复区间的漏洞修复调度变量、所述页面架构运行服务信息在所述第一漏洞修复区间的漏洞修复模板变量、以及所述页面架构运行服务信息在第一漏洞修复区间的漏洞修复倾向维度变量；
结合所述第一漏洞修复区间的漏洞修复调度变量、所述第一漏洞修复区间的漏洞修复模板变量、以及所述第一漏洞修复区间的漏洞修复倾向维度变量调度漏洞修复方案决策模型，输出在第二漏洞修复区间中用于优化所述页面架构运行服务信息的漏洞修复方案，所述第二漏洞修复区间区别于所述第一漏洞修复区间；
在所述第二漏洞修复区间将所述漏洞修复方案加载到所述页面架构运行服务信息的漏洞修复进程中，以对所述目标云端服务页面所对应的页面架构运行服务信息进行漏洞修复。
10.一种页面服务系统，其特征在于，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1-9任意一项所述的应用大数据和AI分析的页面漏洞处理方法。
CN202210381438.3A 2022-04-13 2022-04-13 应用大数据和ai分析的页面漏洞处理方法及页面服务系统 Active CN114692169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210381438.3A CN114692169B (zh) 2022-04-13 2022-04-13 应用大数据和ai分析的页面漏洞处理方法及页面服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210381438.3A CN114692169B (zh) 2022-04-13 2022-04-13 应用大数据和ai分析的页面漏洞处理方法及页面服务系统

Publications (2)

Publication Number Publication Date
CN114692169A true CN114692169A (zh) 2022-07-01
CN114692169B CN114692169B (zh) 2023-01-13

Family

ID=82143731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210381438.3A Active CN114692169B (zh) 2022-04-13 2022-04-13 应用大数据和ai分析的页面漏洞处理方法及页面服务系统

Country Status (1)

Country Link
CN (1) CN114692169B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422486A (zh) * 2022-09-15 2022-12-02 亢朝侠 基于人工智能的云服务在线页面优化方法及大数据系统
CN116450187A (zh) * 2023-05-05 2023-07-18 四川励致科技有限公司 应用于ai分析的数字化在线应用处理方法及ai应用系统
CN117041121A (zh) * 2023-10-07 2023-11-10 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632557A (zh) * 2020-12-22 2021-04-09 厦门大学 基于模糊测试的内核漏洞挖掘方法、介质、设备及装置
CN113592034A (zh) * 2021-08-23 2021-11-02 广州梦源信息科技有限公司 基于大数据可视化挖掘处理的内容推送方法及ai管控系统
CN113704771A (zh) * 2021-08-31 2021-11-26 姜虎 基于人工智能分析的服务漏洞挖掘方法及大数据挖掘系统
CN114095273A (zh) * 2021-12-06 2022-02-25 青岛力口互联网科技有限公司 基于深度学习的互联网漏洞挖掘方法及大数据挖掘系统
CN114124567A (zh) * 2021-12-07 2022-03-01 哈尔滨班竹科技有限公司 基于大数据漏洞挖掘的云服务处理方法及人工智能系统
CN114157507A (zh) * 2021-12-10 2022-03-08 哈尔滨双邦智能科技有限公司 采用大数据分析的云服务漏洞分析方法及人工智能系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632557A (zh) * 2020-12-22 2021-04-09 厦门大学 基于模糊测试的内核漏洞挖掘方法、介质、设备及装置
CN113592034A (zh) * 2021-08-23 2021-11-02 广州梦源信息科技有限公司 基于大数据可视化挖掘处理的内容推送方法及ai管控系统
CN113704771A (zh) * 2021-08-31 2021-11-26 姜虎 基于人工智能分析的服务漏洞挖掘方法及大数据挖掘系统
CN114095273A (zh) * 2021-12-06 2022-02-25 青岛力口互联网科技有限公司 基于深度学习的互联网漏洞挖掘方法及大数据挖掘系统
CN114124567A (zh) * 2021-12-07 2022-03-01 哈尔滨班竹科技有限公司 基于大数据漏洞挖掘的云服务处理方法及人工智能系统
CN114157507A (zh) * 2021-12-10 2022-03-08 哈尔滨双邦智能科技有限公司 采用大数据分析的云服务漏洞分析方法及人工智能系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422486A (zh) * 2022-09-15 2022-12-02 亢朝侠 基于人工智能的云服务在线页面优化方法及大数据系统
CN116450187A (zh) * 2023-05-05 2023-07-18 四川励致科技有限公司 应用于ai分析的数字化在线应用处理方法及ai应用系统
CN117041121A (zh) * 2023-10-07 2023-11-10 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统
CN117041121B (zh) * 2023-10-07 2023-12-19 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统

Also Published As

Publication number Publication date
CN114692169B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN114692169B (zh) 应用大数据和ai分析的页面漏洞处理方法及页面服务系统
US10872034B2 (en) Method, device and computer program product for executing test cases
US11321122B2 (en) Method, apparatus, device and medium for processing topological relation of tasks
US9465718B2 (en) Filter generation for load testing managed environments
CN114531298B (zh) 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统
CN114218568B (zh) 一种应用于云服务的大数据攻击处理方法及系统
CN113360947B (zh) 数据脱敏方法及装置、计算机可读存储介质、电子设备
US11663113B2 (en) Real time fault localization using combinatorial test design techniques and test case priority selection
CN115658452A (zh) 埋点校验方法、埋点校验装置、可读存储介质、电子设备
CN111581077A (zh) 智能合约测试方法、装置
CN113656307A (zh) 一种系统容量评估方法、装置、设备和介质
CN114564523B (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
CN115617668A (zh) 一种兼容性测试方法、装置及设备
CN115712571A (zh) 一种交互服务测试、装置、计算机设备及存储介质
CN115701591A (zh) 业务流程测试方法、装置、介质及电子设备
CN113596061A (zh) 基于区块链技术的网络安全漏洞响应方法及系统
WO2023028996A1 (en) Methods and devices for ensuring the reproducibility of software systems
CN113515465B (zh) 基于区块链技术的软件兼容性测试方法及系统
CN113706181B (zh) 基于用户行为特征的业务处理检测方法及系统
CN112148583A (zh) 一种软件测试方法及系统
KR102655091B1 (ko) 데이터셋을 이용한 테스트 관리 시스템과 이에 대한 방법
US20240134777A1 (en) Graphical Neural Network for Error Identification
US20080104389A1 (en) Computer system model generation with tracking of actual computer system configuration
US11314631B2 (en) Method for automatically validating COTS and device for implementing the method
US20220091971A1 (en) Creating a mock for an integration flow

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220915

Address after: No. 25, Songhua Street, Panlong District, Kunming City, Yunnan Province 650000

Applicant after: Zhang Haoju

Address before: Room 1125, building a, Jiangdong times, xiahegeng, East 2nd Ring Road, Panlong District, Kunming, Yunnan 650000

Applicant before: Kunming Jiuhuan Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221221

Address after: Room 1803-1, Building 1, No. 2167, Zhenbei Road, Putuo District, Shanghai, 200333

Applicant after: Shanghai Weimai Wenbo Digital Technology Co.,Ltd.

Address before: No. 25, Songhua Street, Panlong District, Kunming City, Yunnan Province 650000

Applicant before: Zhang Haoju

GR01 Patent grant
GR01 Patent grant