CN115080963B - 一种基于云计算的智慧金融数据防护方法及服务器 - Google Patents

一种基于云计算的智慧金融数据防护方法及服务器 Download PDF

Info

Publication number
CN115080963B
CN115080963B CN202210796018.1A CN202210796018A CN115080963B CN 115080963 B CN115080963 B CN 115080963B CN 202210796018 A CN202210796018 A CN 202210796018A CN 115080963 B CN115080963 B CN 115080963B
Authority
CN
China
Prior art keywords
event
detail knowledge
intrusion
detection report
behavior detail
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
Application number
CN202210796018.1A
Other languages
English (en)
Other versions
CN115080963A (zh
Inventor
宋佳琦
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 Quantitative Forest Technology Co ltd
Original Assignee
Shanghai Quantitative Forest 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 Shanghai Quantitative Forest Technology Co ltd filed Critical Shanghai Quantitative Forest Technology Co ltd
Priority to CN202210796018.1A priority Critical patent/CN115080963B/zh
Publication of CN115080963A publication Critical patent/CN115080963A/zh
Application granted granted Critical
Publication of CN115080963B publication Critical patent/CN115080963B/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
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于云计算的智慧金融数据防护方法及服务器，根据智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2拼接获得的V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，可高效且精准地获得智慧金融业务数据的入侵防护检测报告的事件拆解信息，从而实现了对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。

Description

一种基于云计算的智慧金融数据防护方法及服务器
技术领域
本发明涉及云计算技术领域，尤其涉及一种基于云计算的智慧金融数据防护方法及服务器。
背景技术
智慧金融科技在如今是一个比较热门的词语，随着互联网和科技的发展，在现代金融领域中，传统的金融行业也运用到互联网和科技来发展，其中数据防护技术的应用便是其中一个例子。在智慧金融领域，为了能够保障金融数据的安全性，一般而言，会对相关金融数据进行防护处理，然而，在现有的金融数据防护技术中，对于多种入侵防护事件的处理还需要进一步优化，比如如何实现对相关检测数据的精准高效细分整理是当下的其中一个工作难点。
发明内容
本发明提供一种基于云计算的智慧金融数据防护方法及服务器，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种基于云计算的智慧金融数据防护方法，应用于智慧金融服务器，所述方法包括：
通过接收到的数据安防处理指令，对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得所述入侵防护检测报告的应答行为细节知识mutual feature1，所述入侵防护检测报告中包含U个入侵防护事件种类，U大于等于2；
将所述应答行为细节知识mutual feature1与V个应答行为细节知识mutualfeature2进行拼接，获得V个第一目标应答行为细节知识，所述V个应答行为细节知识mutual feature2和所述V个第一目标应答行为细节知识皆与V个入侵防护事件种类逐一对应，所述V个应答行为细节知识mutual feature2为通过第一先验认证信息确定获得的，所述第一先验认证信息中包含所述V个入侵防护事件种类中各入侵防护事件种类对应的不少于一个先验认证检测报告和各先验认证检测报告的认证注释，V不小于U，所述U个入侵防护事件种类包含于所述V个入侵防护事件种类中；
结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行事件拆解处理，获得所述入侵防护检测报告的事件拆解信息。
在一种可能的实施例中，所述将所述应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，包括：
对于所述V个应答行为细节知识mutual feature2中的第p个应答行为细节知识mutual feature2，对所述应答行为细节知识mutual feature1与所述第p个应答行为细节知识mutual feature2进行向量点积，获得第p个应答行为细节知识mutual feature3，p为大于等于1且小于等于V的整数；
对所述应答行为细节知识mutual feature1与所述第p个应答行为细节知识mutual feature2进行向量作差，获得第p个应答行为细节知识mutual feature4；
对所述应答行为细节知识mutual feature1、所述第p个应答行为细节知识mutualfeature3以及所述第p个应答行为细节知识mutual feature4进行细节知识组合，获得所述V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识；所述第p个应答行为细节知识mutual feature2、所述第p个应答行为细节知识mutual feature3、所述第p个应答行为细节知识mutual feature4以及所述第p个第一目标应答行为细节知识皆是与所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
在一种可能的实施例中，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行事件拆解处理，获得所述入侵防护检测报告的事件拆解信息，包括：
结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，所述V个事件分治识别数据与所述V个入侵防护事件种类逐一对应；
结合所述V个事件分治识别数据，确定所述事件拆解信息。
在一种可能的实施例中，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，包括：将所述V个第一目标应答行为细节知识加载到支持向量机，基于所述支持向量机和所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述V个事件分治识别数据。
在一种可能的实施例中，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，包括：对于所述V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识，结合所述第p个第一目标应答行为细节知识，确定所述入侵防护检测报告对应的所述V个事件分治识别数据中的第p个事件分治识别数据，所述第p个事件分治识别数据中包含所述入侵防护检测报告中入侵防护事件种类是所述V个入侵防护事件种类中的第p个入侵防护事件种类的检测报告内容。
在一种可能的实施例中，所述基于云计算的智慧金融数据防护方法利用AI机器学习模型实施。
在一种可能的实施例中，所述AI机器学习模型的模型调试示例包括第一待拆解的先验认证检测报告、所述第一待拆解的先验认证检测报告的事件拆解认证注释，以及所述第一先验认证信息，所述第一待拆解的先验认证检测报告中包含所述V个入侵防护事件种类中的不少于两个入侵防护事件种类；
所述方法还包括：
通过所述AI机器学习模型对所述第一待拆解的先验认证检测报告进行应答行为细节挖掘，获得所述第一待拆解的先验认证检测报告的应答行为细节知识mutualfeature5，以及通过所述AI机器学习模型对所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutual feature5，所述V个应答行为细节知识mutual feature5与所述V个入侵防护事件种类逐一对应，各所述入侵防护事件种类对应的目标先验认证检测报告为各所述入侵防护事件种类对应的不少于一个先验认证检测报告中的其中一个；
结合所述V个应答行为细节知识mutual feature5和所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，以及将所述应答行为细节知识mutual feature5和所述V个应答行为细节知识mutual feature7进行拼接，获得V个第二目标应答行为细节知识，所述V个应答行为细节知识mutual feature7和所述V个第二目标应答行为细节知识皆与所述V个入侵防护事件种类逐一对应；
结合所述V个第二目标应答行为细节知识，对所述第一待拆解的先验认证检测报告进行事件拆解处理，获得所述第一待拆解的先验认证检测报告的事件拆解结果；
结合所述第一待拆解的先验认证检测报告的事件拆解结果以及所述事件拆解认证注释，确定事件拆解代价；
结合所述事件拆解代价，对所述AI机器学习模型进行调试，获得调试后的AI机器学习模型。
在一种可能的实施例中，所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释为窗口化标签集；
所述结合所述V个应答行为细节知识mutual feature5和所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，包括：
对于所述V个应答行为细节知识mutual feature5中的第p个应答行为细节知识mutual feature5，结合所述第p个应答行为细节知识mutual feature5以及所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的目标先验认证检测报告的窗口化标签集，进行下采样处理，获得所述V个应答行为细节知识mutual feature7中的第p个应答行为细节知识mutual feature7，所述第p个应答行为细节知识mutual feature5和所述第p个应答行为细节知识mutual feature7皆是与所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
在一种可能的实施例中，在结合所述第一待拆解的先验认证检测报告、所述第一待拆解的先验认证检测报告的事件拆解认证注释，以及所述第一先验认证信息对所述AI机器学习模型进行调试之前，所述方法还包括：
结合第二待拆解的先验认证检测报告、所述第二待拆解的先验认证检测报告的事件拆解认证注释，以及第二先验认证信息，对所述AI机器学习模型进行预调试，所述第二先验认证信息中包含Q个入侵防护事件种类中各入侵防护事件种类对应的多个先验认证检测报告和各先验认证检测报告的认证注释，所述V个入侵防护事件种类是所述Q个入侵防护事件种类之外的衍生入侵防护事件种类，所述第二待拆解的先验认证检测报告中包含所述Q个入侵防护事件种类中的不少于两个入侵防护事件种类。
在一种可能的实施例中，所述方法还包括：结合所述第一先验认证信息和所述调试后的AI机器学习模型，确定所述V个应答行为细节知识mutual feature2。
在一种可能的实施例中，所述V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告的认证注释为窗口化标签集；
所述结合所述第一先验认证信息和所述调试后的AI机器学习模型，确定所述V个应答行为细节知识mutual feature2，包括：
通过所述调试后的AI机器学习模型对所述V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutual feature8；
对于所述V个应答行为细节知识mutual feature8中的第p个应答行为细节知识mutual feature8，结合所述第p个应答行为细节知识mutual feature8以及V个入侵防护事件种类中第p个入侵防护事件种类对应的先验认证检测报告的窗口化标签集，进行下采样处理，获得所述V个应答行为细节知识mutual feature2中的第p个应答行为细节知识mutual feature2；所述第p个应答行为细节知识mutual feature8和所述第p个应答行为细节知识mutual feature2皆是所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
第二方面是一种智慧金融服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述智慧金融服务器执行第一方面的方法。
第三方面是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行第一方面的方法。
根据本发明的一个实施例，通过对包括U个入侵防护事件种类的智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1，将应答行为细节知识mutual feature1与基于V个入侵防护事件种类的第一先验认证信息确定获得的V个应答行为细节知识mutualfeature2进行拼接，获得V个第一目标应答行为细节知识，鉴于V个应答行为细节知识mutual feature2可用于反映V个入侵防护事件种类的不同应答行为，且U个入侵防护事件种类包含于V个入侵防护事件种类中，基于此，根据智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2拼接获得的V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，可高效且精准地获得智慧金融业务数据的入侵防护检测报告的事件拆解信息，从而实现了对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。
附图说明
图1为本发明实施例提供的一种基于云计算的智慧金融数据防护方法的流程示意图。
图2为本发明实施例提供的一种基于云计算的智慧金融数据防护装置的模块框图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的一种基于云计算的智慧金融数据防护方法的流程示意图，一种基于云计算的智慧金融数据防护方法可以通过智慧金融服务器实现，智慧金融服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述智慧金融服务器执行如下步骤所描述的技术方案。
STEP11、通过接收到的数据安防处理指令，对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1。
进一步地，智慧金融业务数据的入侵防护检测报告中包含U个入侵防护事件种类，U大于等于2。
在本发明实施例中，数据安防处理指令比如可以是其它服务器向智慧金融服务器发送的对智慧金融业务数据的入侵防护检测报告进行处理的申请。对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘可以理解为对智慧金融业务数据的入侵防护检测报告进行应答行为特征提取，进而得到第一应答行为特征（即应答行为细节知识mutualfeature1）。进一步地，智慧金融业务数据比如可以是跨境电商活动数据，而入侵防护检测报告比如可以包括入侵防护种类、入侵防护时间、入侵防护属性、入侵防护方式等，在此不作限定。
STEP12、将应答行为细节知识mutual feature1与V个应答行为细节知识mutualfeature2进行拼接，获得V个第一目标应答行为细节知识，V个应答行为细节知识mutualfeature2和V个第一目标应答行为细节知识皆与V个入侵防护事件种类逐一对应。
进一步地，V个应答行为细节知识mutual feature2为通过第一先验认证信息确定获得的，第一先验认证信息中包含V个入侵防护事件种类中各入侵防护事件种类对应的不少于一个先验认证检测报告和各先验认证检测报告的认证注释，V不小于U，U个入侵防护事件种类包含于V个入侵防护事件种类中。此外，第一先验认证信息可以理解为第一样本信息集合，而认证注释可以理解为标注信息/注释信息。
在本发明实施例中，将应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2进行拼接比如可以是对应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2（第二应答行为特征）进行融合处理。
STEP13、根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，获得智慧金融业务数据的入侵防护检测报告的事件拆解信息。
举例而言，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，可以将不同入侵防护事件种类对应的报告内容进行分类归纳处理，从而将杂乱无章的入侵防护检测报告进行分类整理优化，这样可以便于对事件拆解信息进行差异化存储或者调用，在后期使用时无需处理整个入侵防护检测报告。
实施STEP11-STEP13，通过对包括U个入侵防护事件种类的智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1，将应答行为细节知识mutual feature1与基于V个入侵防护事件种类的第一先验认证信息确定获得的V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，鉴于V个应答行为细节知识mutual feature2可用于反映V个入侵防护事件种类的不同应答行为，且U个入侵防护事件种类包含于V个入侵防护事件种类中，基于此，根据智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2拼接获得的V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，可高效且精准地获得智慧金融业务数据的入侵防护检测报告的事件拆解信息，从而实现了对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。
在一种可示性实施例中，基于云计算的智慧金融数据防护方法利用AI机器学习模型实施。
进一步地，结合AI机器学习模型（比如级联的神经网络模型CNN、RNN、KNN等），可以实现对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。
在一些示例中，AI机器学习模型中包含应答行为细节挖掘单元、信息拆解单元、重构单元和支持向量机。
进一步地，借助AI机器学习模型中的应答行为细节挖掘单元对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature9；智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature9经过AI机器学习模型中的信息拆解单元之后，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1。
在一种可示性实施例中，将应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，可以包括如下STEP121-STEP123所记录的内容。
STEP121、针对V个应答行为细节知识mutual feature2中的第p个应答行为细节知识mutual feature2，对应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量点积，获得第p个应答行为细节知识mutual feature3，p为大于等于1且小于等于V的整数。
在本发明实施例中，对应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量点积可以理解为对第一应答行为特征与第p个第二应答行为特征进行特征点积，进而得到第p个第三应答行为特征（应答行为细节知识mutualfeature3）。
STEP122、对应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量作差，获得第p个应答行为细节知识mutual feature4。
在本发明实施例中，对应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量作差可以理解为对第一应答行为特征与第p个第二应答行为特征实施特征减法操作，进而得到第p个第四应答行为特征（即应答行为细节知识mutualfeature4）。
STEP123、对应答行为细节知识mutual feature1、第p个应答行为细节知识mutualfeature3以及第p个应答行为细节知识mutual feature4进行细节知识组合，获得V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识。
进一步地，第p个应答行为细节知识mutual feature2、第p个应答行为细节知识mutual feature3、第p个应答行为细节知识mutual feature4以及第p个第一目标应答行为细节知识皆是与V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
鉴于在对智慧金融业务数据的入侵防护检测报告进行事件拆解处理的过程中，加入了V个入侵防护事件种类对应的V个应答行为细节知识mutual feature2，为了规避V个应答行为细节知识mutual feature2所造成的干扰，通过多应答行为细节知识分类思路，对智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1、智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量点积获得的第p个应答行为细节知识mutual feature3，以及智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与第p个应答行为细节知识mutual feature2进行向量作差获得的第p个应答行为细节知识mutualfeature4进行细节知识组合，从而获得能够提高拆解识别精度的V个第一目标应答行为细节知识中对应第p个入侵防护事件种类的第p个第一目标应答行为细节知识。
在一种示例中，AI机器学习模型中的重构单元实施以上多应答行为细节知识拼接方法，对智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2分别进行向量点积，获得V个应答行为细节知识mutual feature3，对智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutualfeature1与V个应答行为细节知识mutual feature2分别进行向量作差，获得V个应答行为细节知识mutual feature3，对应答行为细节知识mutual feature1、V个应答行为细节知识mutual feature3以及V个应答行为细节知识mutual feature3进行细节知识组合，从而获得V个第一目标应答行为细节知识。
在一种可示性实施例中，根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，获得智慧金融业务数据的入侵防护检测报告的事件拆解信息，可以包括如下内容：根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，确定智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据，V个事件分治识别数据与V个入侵防护事件种类逐一对应；根据V个事件分治识别数据，确定事件拆解信息。
可以理解的是，鉴于V个第一目标应答行为细节知识结合了V个入侵防护事件种类的不同应答行为以及智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutualfeature1，基于此，根据V个第一目标应答行为细节知识对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，可以获得与V个入侵防护事件种类逐一对应的V个事件分治识别数据，从而通过拼接V个事件分治识别数据，可以获得智慧金融业务数据的入侵防护检测报告的事件拆解信息。
在一种可示性实施例中，根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，确定智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据，可以包括如下内容：将V个第一目标应答行为细节知识加载到支持向量机，基于支持向量机和V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，确定V个事件分治识别数据。
可以理解到是，鉴于支持向量机可以减少类内差异，实现更好的区分处理，基于此，借助支持向量机和V个第一目标应答行为细节知识对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，可以有效获得智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据，进而获得智慧金融业务数据的入侵防护检测报告的事件拆解信息。
基于以上内容，将V个第一目标应答行为细节知识加载到AI机器学习模型中的同一个支持向量机，进而支持向量机可以生成智慧金融业务数据的入侵防护检测报告的事件拆解信息。
在一种可示性实施例中，根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行基于事件种类的顺序化处理，确定智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据，可以包括如下内容：针对V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识，根据第p个第一目标应答行为细节知识，确定智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据中的第p个事件分治识别数据。
进一步地，第p个事件分治识别数据中包含智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是V个入侵防护事件种类中的第p个入侵防护事件种类的检测报告内容。
可以理解的是，鉴于第p个第一目标应答行为细节知识可以用作对V个入侵防护事件种类中的第p个入侵防护事件种类进行事件拆解处理，基于此，根据第p个第一目标应答行为细节知识，可以有效对智慧金融业务数据的入侵防护检测报告中入侵防护事件种类为第p个入侵防护事件种类的检测报告内容进行事件拆解处理，获得智慧金融业务数据的入侵防护检测报告对应的V个事件分治识别数据中的第p个事件分治识别数据。
在一种示例中，针对V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识，第p个第一目标应答行为细节知识通过AI机器学习模型中的支持向量机之后，支持向量机可以生成第p个第一目标应答行为细节知识对应的V个事件拆解结果，各事件拆解结果中包含智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是V个入侵防护事件种类中各入侵防护事件种类的检测报告内容。
举例而言，V=3，p=1时，存在三个入侵防护事件种类以及与之逐一对应的三个第一目标应答行为细节知识，针对三个第一目标应答行为细节知识中的NO.1第一目标应答行为细节知识（对应三个入侵防护事件种类中的NO.1入侵防护事件种类），NO.1第一目标应答行为细节知识经过AI机器学习模型中的支持向量机之后，支持向量机生成NO.1第一目标应答行为细节知识对应的三个事件拆解结果：NO.1事件拆解结果中包含智慧金融业务数据的入侵防护检测报告入侵防护事件种类是NO.1入侵防护事件种类的检测报告内容；NO.2事件拆解结果中包含智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是NO.2入侵防护事件种类的检测报告内容；第三个事件拆解结果中包含智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是第三个入侵防护事件种类的检测报告内容。由于NO.1第一目标应答行为细节知识可以用作对NO.1入侵防护事件种类进行事件拆解处理，基于此，只提取NO.1第一目标应答行为细节知识对应的三个事件拆解结果中的NO.1事件拆解结果，用于确定为智慧金融业务数据的入侵防护检测报告对应的NO.1事件分治识别数据。
举例而言，V=3时，存在三个入侵防护事件种类以及与之逐一对应的三个第一目标应答行为细节知识，可以根据NO.1第一目标应答行为细节知识（对应三个入侵防护事件种类中的NO.1入侵防护事件种类）确定包括智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是NO.1入侵防护事件种类的检测报告内容的NO.1事件分治识别数据，根据NO.2第一目标应答行为细节知识（对应三个入侵防护事件种类中的NO.2入侵防护事件种类）确定包括智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是NO.2入侵防护事件种类的检测报告内容的NO.2事件分治识别数据，以及根据第三个第一目标应答行为细节知识（对应三个入侵防护事件种类中的第三个入侵防护事件种类）确定包括智慧金融业务数据的入侵防护检测报告中入侵防护事件种类是第三个入侵防护事件种类的检测报告内容的第三个事件分治识别数据，最后根据NO.1事件分治识别数据、NO.2事件分治识别数据以及第三个事件分治识别数据，获得待拆解的先验认证检测报告的事件拆解信息。其中，事件分治识别数据可以是事件拆解信息的局部数据。
可以理解的是，在利用AI机器学习模型对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类进行准确及时拆解之前，还需要对AI机器学习模型进行调试。对AI机器学习模型进行调试，即对AI机器学习模型中的应答行为细节挖掘单元、信息拆解单元、重构单元和支持向量机都进行调试。
在一种可示性实施例中，AI机器学习模型的模型调试示例包括第一待拆解的先验认证检测报告、第一待拆解的先验认证检测报告的事件拆解认证注释，以及第一先验认证信息，第一待拆解的先验认证检测报告中包含V个入侵防护事件种类中的不少于两个入侵防护事件种类；该基于云计算的智慧金融数据防护方法还可以包括如下STEP201-STEP205。
STEP201、通过AI机器学习模型对第一待拆解的先验认证检测报告进行应答行为细节挖掘，获得第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5，以及通过AI机器学习模型对V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutual feature5。
进一步地，V个应答行为细节知识mutual feature5与V个入侵防护事件种类逐一对应，各入侵防护事件种类对应的目标先验认证检测报告为各入侵防护事件种类对应的不少于一个先验认证检测报告中的其中一个。
STEP202、根据V个应答行为细节知识mutual feature5和V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，以及将应答行为细节知识mutual feature5和V个应答行为细节知识mutual feature7进行拼接，获得V个第二目标应答行为细节知识。
进一步地，V个应答行为细节知识mutual feature7和V个第二目标应答行为细节知识皆与V个入侵防护事件种类逐一对应。
STEP203、根据V个第二目标应答行为细节知识，对第一待拆解的先验认证检测报告进行事件拆解处理，获得第一待拆解的先验认证检测报告的事件拆解结果。
STEP204、根据第一待拆解的先验认证检测报告的事件拆解结果以及事件拆解认证注释，确定事件拆解代价。
在本发明实施例中，事件拆解代价可以理解为事件拆解损失。
STEP205、根据事件拆解代价，对AI机器学习模型进行调试，获得调试后的AI机器学习模型。
可以理解的是，利用包括V个入侵防护事件种类中各入侵防护事件种类对应的不少于一个先验认证检测报告和各先验认证检测报告的认证注释的第一先验认证信息、包括V个入侵防护事件种类中的不少于两个入侵防护事件种类的第一待拆解的先验认证检测报告以及第一待拆解的先验认证检测报告的事件拆解认证注释，调试AI机器学习模型对不少于两个入侵防护事件种类进行准确及时拆解，从而使得调试后的AI机器学习模型可高效且精准地获得包括V个入侵防护事件种类中不少于两个入侵防护事件种类的智慧金融业务数据的入侵防护检测报告的事件拆解信息，从而实现对不少于两个入侵防护事件种类的准确及时拆解。
在一些可能的实施例中，将第一待拆解的先验认证检测报告、V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告，以及各目标先验认证检测报告的认证注释加载到AI机器学习模型。第一待拆解的先验认证检测报告和V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告之间共享AI机器学习模型中的应答行为细节挖掘单元。
进一步地，利用共享的应答行为细节挖掘单元分别对第一待拆解的先验认证检测报告和V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告进行应答行为细节挖掘，获得第一待拆解的先验认证检测报告的应答行为细节知识mutualfeature10，以及V个应答行为细节知识mutual feature5。第一待拆解的先验认证检测报告的应答行为细节知识mutual feature10通过AI机器学习模型中的信息拆解单元之后，获得第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5。
在一种可示性实施例中，V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释为窗口化标签集。鉴于此，STEP202中根据V个应答行为细节知识mutual feature5和V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，可以包括如下内容：针对V个应答行为细节知识mutual feature5中的第p个应答行为细节知识mutualfeature5，根据第p个应答行为细节知识mutual feature5以及V个入侵防护事件种类中第p个入侵防护事件种类对应的目标先验认证检测报告的窗口化标签集，进行下采样处理，获得V个应答行为细节知识mutual feature7中的第p个应答行为细节知识mutual feature7。
进一步地，第p个应答行为细节知识mutual feature5和第p个应答行为细节知识mutual feature7皆是与V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
可以理解的是，鉴于直接将应答行为细节挖掘单元提取获得的V个应答行为细节知识mutual feature5与第一待拆解的先验认证检测报告的应答行为细节知识mutualfeature5进行拼接时，处理量相对较大，基于此，利用对应窗口化标签集对V个应答行为细节知识mutual feature5进行下采样处理，获得V个应答行为细节知识mutual feature7，从而使得后续将V个应答行为细节知识mutual feature7与第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5进行拼接时，能够减少处理量，进而能够快速且高效地获得V个第二目标应答行为细节知识。
在一些示例中，针对V个应答行为细节知识mutual feature5中的第p个应答行为细节知识mutual feature5，AI机器学习模型中的重构单元，根据第p个应答行为细节知识mutual feature5以及V个入侵防护事件种类中第p个入侵防护事件种类对应的目标先验认证检测报告的窗口化标签集，进行下采样处理，获得V个应答行为细节知识mutualfeature7中与第p个入侵防护事件种类对应的第p个应答行为细节知识mutual feature7。
在一种可示性实施例中，将应答行为细节知识mutual feature5和V个应答行为细节知识mutual feature7进行拼接，获得V个第二目标应答行为细节知识，可以包括如下内容：针对V个应答行为细节知识mutual feature7中的第p个应答行为细节知识mutualfeature7，对应答行为细节知识mutual feature5与第p个应答行为细节知识mutualfeature7进行向量点积，获得第p个应答行为细节知识mutual feature11，p为大于等于1且小于等于V的整数；对应答行为细节知识mutual feature5与第p个应答行为细节知识mutual feature7进行向量作差，获得第p个应答行为细节知识mutual feature12；对应答行为细节知识mutual feature5、第p个应答行为细节知识mutual feature11以及第p个应答行为细节知识mutual feature12进行细节知识组合，获得V个第二目标应答行为细节知识中的第p个第二目标应答行为细节知识；第p个应答行为细节知识mutual feature7、第p个应答行为细节知识mutual feature11、第p个应答行为细节知识mutual feature12以及第p个第二目标应答行为细节知识皆是与V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
鉴于在一轮调试过程中，V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告是任意挑选的，为了规避任意挑选所造成的干扰，通过多应答行为细节知识分类思路。AI机器学习模型中的重构单元实施上述多应答行为细节知识拼接方式，对第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5与V个应答行为细节知识mutual feature7进行向量点积，获得V个应答行为细节知识mutual feature11，以及对第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5与V个应答行为细节知识mutual feature7进行向量作差，获得V个应答行为细节知识mutualfeature12，对应答行为细节知识mutual feature5、V个应答行为细节知识mutualfeature11以及V个应答行为细节知识mutual feature12进行细节知识组合，从而获得V个第二目标应答行为细节知识。
可以理解的是，将V个第二目标应答行为细节知识加载到AI机器学习模型中的同一支持向量机，支持向量机对待拆解的先验认证检测报告进行基于事件种类的顺序化处理，进而输出第一待拆解的先验认证检测报告的事件拆解结果。进一步地，具体的拆解流程与上述对智慧金融业务数据的入侵防护检测报告的拆解流程类似，在此不作过多描述。
鉴于模型调试示例中包含第一待拆解的先验认证检测报告的事件拆解认证注释，基于此，根据第一待拆解的先验认证检测报告的事件拆解结果以及第一待拆解的先验认证检测报告的事件拆解认证注释，可以确定AI机器学习模型的事件拆解代价，进而根据事件拆解代价，调整AI机器学习模型的模型变量（调整应答行为细节挖掘单元、信息拆解单元、重构单元、支持向量机的模型变量），以完成对AI机器学习模型的本轮调试。通过进行多轮循环调试，获得满足设定指标的调试后的AI机器学习模型。
在一种可示性实施例中，可以利用Cross Entropy Loss来确定事件拆解代价，也可以采用其它类型的损失确定事件拆解代价。
在一种可示性实施例中，在根据第一待拆解的先验认证检测报告、第一待拆解的先验认证检测报告的事件拆解认证注释，以及第一先验认证信息对AI机器学习模型进行调试之前，该基于云计算的智慧金融数据防护方法，还可以包括如下内容：结合第二待拆解的先验认证检测报告、第二待拆解的先验认证检测报告的事件拆解认证注释，以及第二先验认证信息，对AI机器学习模型进行预调试。
进一步地，第二先验认证信息中包含Q个入侵防护事件种类中各入侵防护事件种类对应的多个先验认证检测报告和各先验认证检测报告的认证注释，V个入侵防护事件种类是Q个入侵防护事件种类之外的衍生入侵防护事件种类，第二待拆解的先验认证检测报告中包含Q个入侵防护事件种类中的不少于两个入侵防护事件种类。
可以理解的是，Q个入侵防护事件种类是参考种类，Q个入侵防护事件种类中的各入侵防护事件种类均对应多个先验认证检测报告，V个入侵防护事件种类是Q个入侵防护事件种类之外的衍生入侵防护事件种类，即V个入侵防护事件种类中的各入侵防护事件种类对应的先验认证检测报告较少，比如，每个入侵防护事件种类只对应1个先验认证检测报告（1-report），或者，每个入侵防护事件种类只对应5个先验认证检测报告（5-report）。在本发明实施例中，V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告还可以衍生至10-report，或者衍生至更多report数。
可以理解的是，首先利用Q个入侵防护事件种类对应的第二入侵防护检测报告集、第二待拆解的先验认证检测报告以及第二待拆解的先验认证检测报告的事件拆解认证注释对AI机器学习模型进行第一周期的调试，使得通过第一周期调试的AI机器学习模型具备对多个入侵防护事件种类进行准确及时拆解的性能，进而利用V个入侵防护事件种类对应的第一入侵防护检测报告集、第一待拆解的先验认证检测报告、第一待拆解的先验认证检测报告的事件拆解认证注释对AI机器学习模型进行第二周期的调试，使得通过第二周期调试的AI机器学习模型具备对作为新种类的V个入侵防护事件种类中多个入侵防护事件种类进行准确及时拆解的性能。
可以理解的是，利用Q个入侵防护事件种类对应的第二入侵防护检测报告集、第二待拆解的先验认证检测报告、第二待拆解的先验认证检测报告的事件拆解认证注释对AI机器学习模型进行的第一周期调试的实际调试思路，与上述利用V个入侵防护事件种类对应的第一入侵防护检测报告集、第一待拆解的先验认证检测报告、第一待拆解的先验认证检测报告的事件拆解认证注释对AI机器学习模型进行的第二周期调试的实际调试思路类似，在此不作过多描述。
在一种可能的实施例中，本发明示出的一种两周期调试AI机器学习模型的思路。首先利用作为参考种类的Q个入侵防护事件种类对应的第二先验认证信息、第二待拆解的先验认证检测报告和第二待拆解的先验认证检测报告的事件拆解认证注释，对AI机器学习模型进行第一周期调试；进而利用作为新中类的V个入侵防护事件种类对应的第一先验认证信息、第一待拆解的先验认证检测报告和第一待拆解的先验认证检测报告的事件拆解认证注释，对通过第一周期调试的AI机器学习模型进行第二周期调试，获得最后调试后的AI机器学习模型。
在一种可示性实施例中，该基于云计算的智慧金融数据防护方法还可以包括如下内容：根据第一先验认证信息和调试后的AI机器学习模型，确定V个应答行为细节知识mutual feature2。
通过以上两个周期调试后的AI机器学习模型，可以确定用于之后对作为新中类的V个入侵防护事件种类进行拆解的V个应答行为细节知识mutual feature2。
在一种可示性实施例中，根据第一先验认证信息和调试后的AI机器学习模型，确定V个应答行为细节知识mutual feature2，可以包括如下内容：通过调试后的AI机器学习模型对V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutual feature8；针对V个应答行为细节知识mutual feature8中的第p个应答行为细节知识mutual feature8，根据第p个应答行为细节知识mutual feature8以及V个入侵防护事件种类中第p个入侵防护事件种类对应的先验认证检测报告的窗口化标签集，进行下采样处理，获得V个应答行为细节知识mutualfeature2中的第p个应答行为细节知识mutual feature2；第p个应答行为细节知识mutualfeature8和第p个应答行为细节知识mutual feature2皆是V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
在本发明实施例中，针对V个入侵防护事件种类中的第p个入侵防护事件种类，利用通过两个周期调试后的AI机器学习模型中的应答行为细节挖掘单元，对第p个入侵防护事件种类对应的先验认证检测报告进行应答行为细节挖掘，获得第p个应答行为细节知识mutual feature8（对应V个入侵防护事件种类中的第p个入侵防护事件种类），进而利用通过两个周期调试后的AI机器学习模型中的重构单元，根据第p个应答行为细节知识mutualfeature8以及第p个入侵防护事件种类对应的先验认证检测报告的窗口化标签集，进行下采样处理，获得第p个应答行为细节知识mutual feature2（对应V个入侵防护事件种类中的第p个入侵防护事件种类）。应答行为细节挖掘单元和重构单元的实际处理思路与上述调试流程类似，在此不作过多描述。
在一种可示性实施例中，在V个入侵防护事件种类中各入侵防护事件种类均只对应一个先验认证检测报告（1-report）时，只实施一轮上轮应答行为细节挖掘和下采样处理，便可获得用于对V个入侵防护事件种类进行事件拆解处理的V个应答行为细节知识mutual feature2。在V个入侵防护事件种类中各入侵防护事件种类对应多个先验认证检测报告时，重复实施多轮上轮应答行为细节挖掘和下采样处理，获得用于对V个入侵防护事件种类进行事件拆解处理的V个应答行为细节知识mutual feature2。
举例而言，在5-report场景下，重复实施5轮上轮应答行为细节挖掘和下采样处理，针对同一入侵防护事件种类，每轮挑选的先验认证检测报告不同，对5轮获得V个入侵防护事件种类中各入侵防护事件种类对应应答行为细节知识mutual feature2进行均值化处理，获得最后V个应答行为细节知识mutual feature2。
利用通过两个周期调试后的AI机器学习模型以及V个入侵防护事件种类对应的第一先验认证信息，确定用于体现V个入侵防护事件种类的不同应答行为的V个应答行为细节知识mutual feature2之后，在后续实际事件拆解处理过程中，不需要再将第一入侵防护检测报告集加载到AI机器学习模型，而只需要将智慧金融业务数据的入侵防护检测报告和V个应答行为细节知识mutual feature2加载到AI机器学习模型，便可以实现对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。
在一些独立性实施例中，在获得所述入侵防护检测报告的事件拆解信息之后，该方法还可以包括如下内容：响应于目标入侵防护事件种类的分析请求，对所述目标入侵防护事件种类对应的目标事件拆解信息进行攻击倾向预测处理，得到攻击倾向预测结果。
如此设计，可以针对性地实现攻击倾向预测，提高攻击倾向预测效率和精度。
在一些独立性实施例中，对所述目标入侵防护事件种类对应的目标事件拆解信息进行攻击倾向预测处理，得到攻击倾向预测结果，可以包括如下内容：通过所述目标事件拆解信息获取第一攻击倾向数组集合，所述第一攻击倾向数组集合包括待处理攻击倾向数组以及与所述待处理攻击倾向数组关联的至少一个关联攻击倾向数组；将所述待处理攻击倾向数组分别与每个关联攻击倾向数组进行数据匹配处理，得到每个关联攻击倾向数组的已匹配攻击倾向数组；基于所述待处理数据对每个关联攻击倾向数组的已匹配攻击倾向数组进行倾向校正处理，得到每个关联攻击倾向数组校正后的已匹配攻击倾向数组；基于所述校正后的已匹配攻击倾向数组确定与所述待处理攻击倾向数组对应的攻击倾向预测结果。
应用于上述实施例，通过获取第一攻击倾向数组集合，所述第一攻击倾向数组集合包括待处理攻击倾向数组以及与所述待处理攻击倾向数组关联的至少一个关联攻击倾向数组；然后将所述待处理攻击倾向数组分别与每个关联攻击倾向数组进行数据匹配处理，得到每个关联攻击倾向数组的已匹配攻击倾向数组；最后基于所述待处理数据对每个关联攻击倾向数组的已匹配攻击倾向数组进行倾向校正处理，得到每个关联攻击倾向数组校正后的已匹配攻击倾向数组，其中，所述校正后的已匹配攻击倾向数组用于获取与所述待处理攻击倾向数组对应的攻击倾向预测结果。可以理解的是，在对多组攻击倾向数组进行初始数据匹配处理后，还对进行初始数据匹配处理后的攻击倾向数组执行倾向校正处理以有效的提高数据匹配和处理的精度，从而确保得到的攻击倾向预测结果的完整性。
在一些独立性实施例中，所述数据匹配处理包括如下步骤：对所述待处理攻击倾向数组的第一入侵偏好描述字段和关联攻击倾向数组的第二入侵偏好描述字段中的描述向量进行动态匹配处理和局部估计处理，得到所述关联攻击倾向数组的已匹配攻击倾向数组，所述第一入侵偏好描述字段和所述第二入侵偏好描述字段中均包括至少一个不同维度的描述向量，所述关联攻击倾向数组的已匹配攻击倾向数组的维度与所述待处理攻击倾向数组的维度一致。
基于同样的发明构思，图2示出了本发明实施例提供的一种基于云计算的智慧金融数据防护装置的模块框图，该基于云计算的智慧金融数据防护装置可以包括实施图1所示的相关方法步骤的模块。
行为细节挖掘模块21，用于：通过接收到的数据安防处理指令，对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1。
细节知识拼接模块22，用于：将应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，V个应答行为细节知识mutual feature2和V个第一目标应答行为细节知识皆与V个入侵防护事件种类逐一对应。
检测报告拆解模块23，用于：根据V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，获得智慧金融业务数据的入侵防护检测报告的事件拆解信息。
应用于本发明的相关实施例可以达到如下技术效果：通过对包括U个入侵防护事件种类的智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1，将应答行为细节知识mutual feature1与基于V个入侵防护事件种类的第一先验认证信息确定获得的V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，鉴于V个应答行为细节知识mutual feature2可用于反映V个入侵防护事件种类的不同应答行为，且U个入侵防护事件种类包含于V个入侵防护事件种类中，基于此，根据智慧金融业务数据的入侵防护检测报告的应答行为细节知识mutual feature1与V个应答行为细节知识mutualfeature2拼接获得的V个第一目标应答行为细节知识，对智慧金融业务数据的入侵防护检测报告进行事件拆解处理，可高效且精准地获得智慧金融业务数据的入侵防护检测报告的事件拆解信息，从而实现了对智慧金融业务数据的入侵防护检测报告中多个入侵防护事件种类的准确及时拆解，从而利用分治化处理思想将繁杂的入侵防护检测报告进行细分整理，便于后期快速调取或者分析不同入侵防护事件种类对应的报告内容集。
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于云计算的智慧金融数据防护方法，其特征在于，应用于智慧金融服务器，所述方法包括：
通过接收到的数据安防处理指令，对智慧金融业务数据的入侵防护检测报告进行应答行为细节挖掘，获得所述入侵防护检测报告的应答行为细节知识mutual feature1，所述入侵防护检测报告中包含U个入侵防护事件种类，U大于等于2；
将所述应答行为细节知识mutual feature1与V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，所述V个应答行为细节知识mutualfeature2和所述V个第一目标应答行为细节知识皆与V个入侵防护事件种类逐一对应，所述V个应答行为细节知识mutual feature2为通过第一先验认证信息确定获得的，所述第一先验认证信息中包含所述V个入侵防护事件种类中各入侵防护事件种类对应的不少于一个先验认证检测报告和各先验认证检测报告的认证注释，V不小于U，所述U个入侵防护事件种类包含于所述V个入侵防护事件种类中；
结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行事件拆解处理，获得所述入侵防护检测报告的事件拆解信息；
其中，所述基于云计算的智慧金融数据防护方法利用AI机器学习模型实施；
其中，所述AI机器学习模型的模型调试示例包括第一待拆解的先验认证检测报告、所述第一待拆解的先验认证检测报告的事件拆解认证注释，以及所述第一先验认证信息，所述第一待拆解的先验认证检测报告中包含所述V个入侵防护事件种类中的不少于两个入侵防护事件种类；
所述方法还包括：
通过所述AI机器学习模型对所述第一待拆解的先验认证检测报告进行应答行为细节挖掘，获得所述第一待拆解的先验认证检测报告的应答行为细节知识mutual feature5，以及通过所述AI机器学习模型对所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutualfeature5，所述V个应答行为细节知识mutual feature5与所述V个入侵防护事件种类逐一对应，各所述入侵防护事件种类对应的目标先验认证检测报告为各所述入侵防护事件种类对应的不少于一个先验认证检测报告中的其中一个；
结合所述V个应答行为细节知识mutual feature5和所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，以及将所述应答行为细节知识mutual feature5和所述V个应答行为细节知识mutual feature7进行拼接，获得V个第二目标应答行为细节知识，所述V个应答行为细节知识mutual feature7和所述V个第二目标应答行为细节知识皆与所述V个入侵防护事件种类逐一对应；
结合所述V个第二目标应答行为细节知识，对所述第一待拆解的先验认证检测报告进行事件拆解处理，获得所述第一待拆解的先验认证检测报告的事件拆解结果；
结合所述第一待拆解的先验认证检测报告的事件拆解结果以及所述事件拆解认证注释，确定事件拆解代价；
结合所述事件拆解代价，对所述AI机器学习模型进行调试，获得调试后的AI机器学习模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述应答行为细节知识mutualfeature1与V个应答行为细节知识mutual feature2进行拼接，获得V个第一目标应答行为细节知识，包括：
对于所述V个应答行为细节知识mutual feature2中的第p个应答行为细节知识mutualfeature2，对所述应答行为细节知识mutual feature1与所述第p个应答行为细节知识mutual feature2进行向量点积，获得第p个应答行为细节知识mutual feature3，p为大于等于1且小于等于V的整数；
对所述应答行为细节知识mutual feature1与所述第p个应答行为细节知识mutualfeature2进行向量作差，获得第p个应答行为细节知识mutual feature4；
对所述应答行为细节知识mutual feature1、所述第p个应答行为细节知识mutualfeature3以及所述第p个应答行为细节知识mutual feature4进行细节知识组合，获得所述V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识；所述第p个应答行为细节知识mutual feature2、所述第p个应答行为细节知识mutual feature3、所述第p个应答行为细节知识mutual feature4以及所述第p个第一目标应答行为细节知识皆是与所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
3.根据权利要求1所述的方法，其特征在于，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行事件拆解处理，获得所述入侵防护检测报告的事件拆解信息，包括：
结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，所述V个事件分治识别数据与所述V个入侵防护事件种类逐一对应；
结合所述V个事件分治识别数据，确定所述事件拆解信息。
4.根据权利要求3所述的方法，其特征在于，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，包括：将所述V个第一目标应答行为细节知识加载到支持向量机，基于所述支持向量机和所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述V个事件分治识别数据。
5.根据权利要求3所述的方法，其特征在于，所述结合所述V个第一目标应答行为细节知识，对所述入侵防护检测报告进行基于事件种类的顺序化处理，确定所述入侵防护检测报告对应的V个事件分治识别数据，包括：对于所述V个第一目标应答行为细节知识中的第p个第一目标应答行为细节知识，结合所述第p个第一目标应答行为细节知识，确定所述入侵防护检测报告对应的所述V个事件分治识别数据中的第p个事件分治识别数据，所述第p个事件分治识别数据中包含所述入侵防护检测报告中入侵防护事件种类是所述V个入侵防护事件种类中的第p个入侵防护事件种类的检测报告内容。
6.根据权利要求1所述的方法，其特征在于，所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释为窗口化标签集；
所述结合所述V个应答行为细节知识mutual feature5和所述V个入侵防护事件种类中各入侵防护事件种类对应的目标先验认证检测报告的认证注释，确定V个应答行为细节知识mutual feature7，包括：
对于所述V个应答行为细节知识mutual feature5中的第p个应答行为细节知识mutualfeature5，结合所述第p个应答行为细节知识mutual feature5以及所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的目标先验认证检测报告的窗口化标签集，进行下采样处理，获得所述V个应答行为细节知识mutual feature7中的第p个应答行为细节知识mutual feature7，所述第p个应答行为细节知识mutual feature5和所述第p个应答行为细节知识mutual feature7皆是与所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
7.根据权利要求1所述的方法，其特征在于，在结合所述第一待拆解的先验认证检测报告、所述第一待拆解的先验认证检测报告的事件拆解认证注释，以及所述第一先验认证信息对所述AI机器学习模型进行调试之前，所述方法还包括：
结合第二待拆解的先验认证检测报告、所述第二待拆解的先验认证检测报告的事件拆解认证注释，以及第二先验认证信息，对所述AI机器学习模型进行预调试，所述第二先验认证信息中包含Q个入侵防护事件种类中各入侵防护事件种类对应的多个先验认证检测报告和各先验认证检测报告的认证注释，所述V个入侵防护事件种类是所述Q个入侵防护事件种类之外的衍生入侵防护事件种类，所述第二待拆解的先验认证检测报告中包含所述Q个入侵防护事件种类中的不少于两个入侵防护事件种类。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：结合所述第一先验认证信息和所述调试后的AI机器学习模型，确定所述V个应答行为细节知识mutual feature2；
其中，所述V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告的认证注释为窗口化标签集；所述结合所述第一先验认证信息和所述调试后的AI机器学习模型，确定所述V个应答行为细节知识mutual feature2，包括：
通过所述调试后的AI机器学习模型对所述V个入侵防护事件种类中各入侵防护事件种类对应的先验认证检测报告进行应答行为细节挖掘，获得V个应答行为细节知识mutualfeature8；
对于所述V个应答行为细节知识mutual feature8中的第p个应答行为细节知识mutualfeature8，结合所述第p个应答行为细节知识mutual feature8以及V个入侵防护事件种类中第p个入侵防护事件种类对应的先验认证检测报告的窗口化标签集，进行下采样处理，获得所述V个应答行为细节知识mutual feature2中的第p个应答行为细节知识mutualfeature2；所述第p个应答行为细节知识mutual feature8和所述第p个应答行为细节知识mutual feature2皆是所述V个入侵防护事件种类中的第p个入侵防护事件种类对应的应答行为细节知识。
9.一种智慧金融服务器，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述智慧金融服务器执行如权利要求1-8中任意一项所述的方法。
CN202210796018.1A 2022-07-07 2022-07-07 一种基于云计算的智慧金融数据防护方法及服务器 Active CN115080963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210796018.1A CN115080963B (zh) 2022-07-07 2022-07-07 一种基于云计算的智慧金融数据防护方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210796018.1A CN115080963B (zh) 2022-07-07 2022-07-07 一种基于云计算的智慧金融数据防护方法及服务器

Publications (2)

Publication Number Publication Date
CN115080963A CN115080963A (zh) 2022-09-20
CN115080963B true CN115080963B (zh) 2023-04-04

Family

ID=83257335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210796018.1A Active CN115080963B (zh) 2022-07-07 2022-07-07 一种基于云计算的智慧金融数据防护方法及服务器

Country Status (1)

Country Link
CN (1) CN115080963B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626322A (zh) * 2009-08-17 2010-01-13 中国科学院计算技术研究所 网络行为异常检测方法及系统
CN112615865A (zh) * 2020-12-21 2021-04-06 曹佳乐 基于大数据和人工智能的数据防入侵方法及大数据服务器
CN113706177A (zh) * 2021-09-02 2021-11-26 赵琦 一种基于大数据安防的威胁识别方法及数据安防服务器
CN114048468A (zh) * 2021-11-19 2022-02-15 北京天融信网络安全技术有限公司 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN114138872A (zh) * 2021-12-13 2022-03-04 青岛华仁互联网络有限公司 一种应用于数字金融的大数据入侵分析方法及存储介质
CN114638234A (zh) * 2022-03-31 2022-06-17 房宏伟 应用于线上业务办理的大数据挖掘方法及系统
CN114706995A (zh) * 2022-03-23 2022-07-05 宋春哲 应用人工智能技术的业务大数据处理方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015187372A1 (en) * 2014-06-02 2015-12-10 Yottamine Analytics, Llc Digital event profile filters
US9754106B2 (en) * 2014-10-14 2017-09-05 Symantec Corporation Systems and methods for classifying security events as targeted attacks
CN107025486B (zh) * 2017-02-27 2020-10-16 中国科学院信息工程研究所 一种事件检测系统及方法
CN113434857A (zh) * 2021-08-02 2021-09-24 东莞市爱学爱玩教育科技有限公司 一种应用深度学习的用户行为安全解析方法及系统
CN114218568B (zh) * 2021-12-10 2022-08-23 厦门吉快科技有限公司 一种应用于云服务的大数据攻击处理方法及系统
CN114500009B (zh) * 2022-01-11 2022-11-04 杭州泽傲网络科技有限公司 一种应用于大数据智能的网络安全分析方法及系统
CN114048856B (zh) * 2022-01-11 2022-05-03 中孚信息股份有限公司 基于知识推理的安全事件自动处置方法及系统
CN114596062A (zh) * 2022-03-02 2022-06-07 张立峰 应用于大数据的数字化智慧业务处理方法及系统
CN114567495B (zh) * 2022-03-04 2023-05-09 深圳蔓延科技有限公司 一种应用于云计算的网络攻击分析方法及服务器
CN114553588B (zh) * 2022-03-07 2022-11-08 鼎惠(上海)科技有限公司 一种基于人工智能的互联网金融数据防护方法及服务器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626322A (zh) * 2009-08-17 2010-01-13 中国科学院计算技术研究所 网络行为异常检测方法及系统
CN112615865A (zh) * 2020-12-21 2021-04-06 曹佳乐 基于大数据和人工智能的数据防入侵方法及大数据服务器
CN113706177A (zh) * 2021-09-02 2021-11-26 赵琦 一种基于大数据安防的威胁识别方法及数据安防服务器
CN114048468A (zh) * 2021-11-19 2022-02-15 北京天融信网络安全技术有限公司 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN114138872A (zh) * 2021-12-13 2022-03-04 青岛华仁互联网络有限公司 一种应用于数字金融的大数据入侵分析方法及存储介质
CN114706995A (zh) * 2022-03-23 2022-07-05 宋春哲 应用人工智能技术的业务大数据处理方法及系统
CN114638234A (zh) * 2022-03-31 2022-06-17 房宏伟 应用于线上业务办理的大数据挖掘方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向特定网络安全事件响应的态势评估方法;于普漪 等;《计算机应用与软件》;20181012;第35卷(第10期);第323-328、333页 *

Also Published As

Publication number Publication date
CN115080963A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
KR101879416B1 (ko) 이상 금융거래 탐지 방법 및 그 전자 장치
US10867245B1 (en) System and method for facilitating prediction model training
CN109829629A (zh) 风险分析报告的生成方法、装置、计算机设备和存储介质
CN109816503A (zh) 财务明细数据生成方法、装置、计算机设备和存储介质
CN114218568B (zh) 一种应用于云服务的大数据攻击处理方法及系统
CN110363645A (zh) 资产数据处理方法、装置、计算机设备和存储介质
CN109214904B (zh) 财务造假线索的获取方法、装置、计算机设备和存储介质
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN115174231B (zh) 一种基于AI Knowledge Base的网络欺诈分析方法及服务器
CN109829640A (zh) 企业违约风险的识别方法、装置、计算机设备和存储介质
CN113468520A (zh) 应用于区块链业务的数据入侵检测方法及大数据服务器
CN115344805A (zh) 素材审核方法、计算设备及存储介质
CN115422536A (zh) 基于云计算的数据处理方法及服务器
CN115203282A (zh) 结合深度学习的智慧企服用户数据处理方法及系统
CN114707768A (zh) 一种基于大数据安全风控的信息处理方法及服务器
CN115080963B (zh) 一种基于云计算的智慧金融数据防护方法及服务器
CN116756298A (zh) 面向云数据库的ai会话信息优化方法及大数据优化服务器
CN111782792A (zh) 用于信息处理的方法和装置
CN115484266B (zh) 一种基于负载均衡的数据分发处理方法、系统及云平台
WO2023141267A1 (en) Self-updating trading bot platform
CN115282606A (zh) 基于智能可视化的云游戏大数据挖掘方法及系统
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN112529713B (zh) 产品的配置方法、装置以及计算机设备
CN112507725B (zh) 金融信息的静态发布方法、装置、设备及存储介质
CN115018627A (zh) 一种信用风险评价方法及装置、存储介质及电子设备

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

Effective date of registration: 20221130

Address after: No.7 Zhuanshan West Road, Lixia District, Jinan City, Shandong Province

Applicant after: Song Jiaqi

Address before: Cyberport Building, No. 47, Shanda Road, Lixia District, Jinan City, Shandong Province, 250000

Applicant before: Jinan Kaiyao Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230323

Address after: Room 340, Zone A, 3rd Floor, No. 452 Daduhe Road, Putuo District, Shanghai, 202150

Applicant after: Shanghai Quantitative Forest Technology Co.,Ltd.

Address before: No.7 Zhuanshan West Road, Lixia District, Jinan City, Shandong Province

Applicant before: Song Jiaqi