CN115514570B - 一种网络诊断处理方法、系统及云平台 - Google Patents
一种网络诊断处理方法、系统及云平台 Download PDFInfo
- Publication number
- CN115514570B CN115514570B CN202211171357.7A CN202211171357A CN115514570B CN 115514570 B CN115514570 B CN 115514570B CN 202211171357 A CN202211171357 A CN 202211171357A CN 115514570 B CN115514570 B CN 115514570B
- Authority
- CN
- China
- Prior art keywords
- data
- network data
- analyzed
- service
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及数据处理与网络安全技术领域,具体而言,涉及一种网络诊断处理方法、系统及云平台。本申请提供的一种网络诊断处理方法、系统及云平台,通过对需要进行分析的业务网络数据进行关键内容识别处理后进行分团操作,得到初步的分团结果,再基于此初步的分团结果,利用其中的网络安全种类数据进行诊断处理,可以得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。通过上述过程可以根据需要进行分析的业务网络数据中目标网络信息的网络安全种类数据,对需要进行分析的业务网络数据的分团结果进行进一步的分析,这样一来,能够准确的确定出网络数据诊断结果,从而能够保证业务网络数据的安全。
Description
技术领域
本申请涉及数据处理与网络安全技术领域,具体而言,涉及一种网络诊断处理方法、系统及云平台。
背景技术
网络安全,通常指计算机网络的安全,实际上也可以指计算机通信网络的安全。计算机通信网络是将若干台具有独立功能的计算机通过通信设备及传输媒体互连起来,在通信软件的支持下,实现计算机间的信息传输与交换的系统。而计算机网络是指以共享资源为目的,利用通信手段把地域上相对分散的若干独立的计算机系统、终端设备和数据设备连接起来,并在协议的控制下进行数据交换的系统。
现目前,网络技术不断的衍生到人们的生活中,网络给人们带来很多便利。但是,随之而来的问题,就是网络的安全问题,给人们带来了不好的体验感。因此,亟需一种技术方案以改善上述技术问题。
发明内容
鉴于此,本申请提供了一种网络诊断处理方法、系统及云平台。
第一方面,提供一种网络诊断处理方法,包括:对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
在本申请实施例中,通过对需要进行分析的业务网络数据进行关键内容识别处理后进行分团操作,得到初步的分团结果,再基于此初步的分团结果,利用其中的网络安全种类数据进行诊断处理,可以得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。通过上述过程可以根据需要进行分析的业务网络数据中目标网络信息的网络安全种类数据,对需要进行分析的业务网络数据的分团结果进行进一步的分析,这样一来,能够准确的确定出网络数据诊断结果,从而能够保证业务网络数据的安全。
在一种独立实施的实施例中,所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果,包括:依照指定处理方式,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据;对各个所述需要进行分析的局部业务网络数据进行关键内容识别处理,得到与各个需要进行分析的局部业务网络数据逐一对应的所述业务网络数据对应的局部显著性识别结果;结合所述指定处理方式,将所有所述业务网络数据对应的局部显著性识别结果进行整合,得到所述业务网络数据对应的显著性识别结果。
在本申请实施例中,通过对需要进行分析的业务网络数据进行分类处理后得到若干个需要进行分析的局部业务网络数据,再分别对每一个需要进行分析的局部业务网络数据进行关键内容识别处理,然后再根据指定处理方式将经由关键内容识别处理得到的若干个所述业务网络数据对应的局部显著性识别结果进行整合,则可以得到相应的所述业务网络数据对应的显著性识别结果,通过这一过程,可以在需要进行分析的业务网络数据的数据量过大时,将需要进行分析的业务网络数据分类处理成若干个大小适宜的需要进行分析的局部业务网络数据,从而有效减少关键内容识别处理的输入业务网络数据的量,避免由于输入业务网络数据过大导致关键内容识别处理结果的准确性降低,从而提高关键内容识别处理的准确性,使得得到的所述业务网络数据对应的显著性识别结果具有较高的准确性,继而提高整体业务网络数据处理过程的准确性。
在一种独立实施的实施例中,所述依照指定处理方式,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据,包括:在所述需要进行分析的业务网络数据中确定若干个分类处理基准;依照指定处理方式,结合所述分类处理基准的定位,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据,其中,各个分类处理基准分别位于对应的需要进行分析的局部业务网络数据的基准,相似的需要进行分析的局部业务网络数据之间存在相似的数据。
在本申请实施例中,通过分类处理使得相似的需要进行分析的局部业务网络数据之间存在相似的数据,可以避免部分由于对需要进行分析的业务网络数据分类处理导致部分目标网络信息相关业务网络数据信息的缺失,从而提高得到的关键内容识别处理结果的完整程度和准确程度,继而提高最终得到的分团结果的准确性和完整程度,即提高业务网络数据处理的准确性。
在一种独立实施的实施例中,所述依照指定处理方式,所述对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据之前,还包括:对所述需要进行分析的业务网络数据在除所述指定处理方式以外的处理方式,根据指定系数进行优化操作。
在本申请实施例中,通过对需要进行分析的业务网络数据在除指定处理方式以外的处理方式进行优化操作,可以对需要进行分析的业务网络数据进行统一处理,从而方便后续的业务网络数据处理的进行,提高业务网络数据处理的效率。
在一种独立实施的实施例中,所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果之前,还包括:获得配置范例数据集;结合所述配置范例数据集,配置用于进行关键内容识别处理的人工智能线程。
在本申请实施例中,通过配置用于进行关键内容识别处理的人工智能线程,可以通过人工智能线程实现对需要进行分析的业务网络数据的关键内容识别处理,从而提高得到的所述业务网络数据对应的显著性识别结果的准确性,继而可以提高业务网络数据处理的准确性。
在一种独立实施的实施例中,所述获得配置范例数据集包括:对初始数据进行调试,得到调试记录数据;结合所述调试记录数据得到配置范例数据集。
在本申请实施例中,通过对初始数据进行调试来得到记录数据,可以提高配置数据的质量,从而提高配置得到的人工智能线程的准确性,继而可以提高关键内容识别处理的准确性来进一步提高业务网络数据处理的准确性。
在一种独立实施的实施例中,所述结合所述配置范例数据集,配置用于进行关键内容识别处理的人工智能线程,包括:结合所述配置范例数据集,结合在先配置的置信度变量,分别得到所述人工智能线程的全部量化评估向量和浮动量化评估向量;结合所述全部量化评估向量和所述浮动量化评估向量,确定所述人工智能线程的量化评估网络;结合所述量化评估网络反馈配置所述人工智能线程。
在本申请实施例中,通过上述形式的量化评估网络,可以提高对需要进行分析的业务网络数据进行关键内容识别处理得到的所述业务网络数据对应的显著性识别结果的准确性,继而提高网络数据诊断结果的准确性,提高业务网络数据处理的准确性。
在一种独立实施的实施例中,所述对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果,包括:通过衍生和挖掘对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果。
在本申请实施例中,在可以使得分团操作的效率得到极大提高,从而可以有效的提高整体网络诊断处理方法的效率。
在一种独立实施的实施例中,所述结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,包括:对所述第一分团结果进行基准筛选,得到基准区间对应的业务数据和边缘业务数据向量集,其中,所述边缘业务数据向量集为所述基准区间对应的业务数据上的所有特征点与所述第一分团结果内目标网络信息的种类特征区间之间的差异结果的集合;结合所述基准区间对应的业务数据,生成所述目标网络信息的第一网络信息标签;对所述第一网络信息标签进行融合处理,得到第二网络信息标签;结合所述边缘业务数据向量集,对所述第二网络信息标签进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
在本申请实施例中,可以提高网络数据诊断结果的准确性和可信度。
在一种独立实施的实施例中,所述对所述第一网络信息标签进行融合处理,得到第二网络信息标签,包括:筛选所述第一网络信息标签中所述目标网络信息对应的融合范围;剔除所述第一网络信息标签中与所述融合范围的融合值小于融合目标值的特征点,得到第二网络信息标签。
在本申请实施例中,通过对第一网络信息标签进行融合处理,得到第二网络信息标签,这一过程可以有效的提高第一分团结果的融合性,剔除掉第一分团结果中的干扰信息,对第一分团结果进行有效调试,提高得到的网络数据诊断结果的准确性。
在一种独立实施的实施例中,结合所述边缘业务数据向量集,对所述第二网络信息标签进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,包括:以所述第二网络信息标签中的各个点为基准,所述边缘业务数据向量集中的各个差异结果为边界,进行描述,将所述描述包括的相似的数据加载至所述第二网络信息标签中,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
在本申请实施例中,可以提高网络数据诊断结果的精确性。
在一种独立实施的实施例中,所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果之前,还包括:对所述需要进行分析的业务网络数据进行预处理。
在本申请实施例中,可以通过初步处理,减少后续处理的工作量,从而提高业务网络数据处理结果的准确性。
第二方面,提供一种网络诊断处理系统,包括:诊断处理云平台和网络数据采集端,所述诊断处理云平台与所述网络数据采集端通信连接;其中,所述诊断处理云平台,用于:对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
第三方面,提供一种诊断处理云平台,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。
本申请实施例所提供的一种网络诊断处理方法、系统及云平台,通过对需要进行分析的业务网络数据进行关键内容识别处理后进行分团操作,得到初步的分团结果,再基于此初步的分团结果,利用其中的网络安全种类数据进行诊断处理,可以得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。通过上述过程可以根据需要进行分析的业务网络数据中目标网络信息的网络安全种类数据,对需要进行分析的业务网络数据的分团结果进行进一步的分析,这样一来,能够准确的确定出网络数据诊断结果,从而能够保证业务网络数据的安全。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种网络诊断处理方法的流程图。
图2为本申请实施例所提供的一种网络诊断处理装置的框图。
图3为本申请实施例所提供的一种诊断处理云平台的硬件结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种网络诊断处理方法,该方法可以包括以下步骤S11-步骤S13所描述的技术方案。
步骤S11,对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果。
步骤S12,对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果。
步骤S13,根据第一分团结果的网络安全种类数据,对第一分团结果进行诊断处理,得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
本申请实施例的网络诊断处理方法,通过对需要进行分析的业务网络数据进行关键内容识别处理后,进行分团操作,从而得到初步的分团结果,基于此初步的分团结果,可以利用其中涵盖的网络安全种类数据,对其进行诊断处理,从而得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,通过这一过程,在初步的分团结果的基础上进行诊断处理来得到最终的分团结果,与直接通过分团操作得到分团结果相比,可以对初步的分团结果进行进一步精细调试,从而可以使得网络数据诊断结果更加的精确,继而提高分团结果的完整性和准确性,从而提高业务网络数据处理的准确性。
步骤S11的实现方式不受限定,任何可以对需要进行分析的业务网络数据进行关键内容识别处理的方法均可以作为步骤S11的实现方式。在一种独立实施的实施例中,可以直接对完整的需要进行分析的业务网络数据进行筛选,将输出结果作为所述业务网络数据对应的显著性识别结果。根据本申请一实施例的网络诊断处理方法,在一种独立实施的实施例中,步骤S11可以包括以下步骤。
步骤S111,依照指定处理方式,对需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据。
步骤S112,对各个需要进行分析的局部业务网络数据进行关键内容识别处理,得到与各个需要进行分析的局部业务网络数据逐一对应的所述业务网络数据对应的局部显著性识别结果。
步骤S113,根据指定处理方式,将所有所述业务网络数据对应的局部显著性识别结果进行整合,得到所述业务网络数据对应的显著性识别结果。
通过对需要进行分析的业务网络数据进行分类处理后得到若干个需要进行分析的局部业务网络数据,再分别对每一个需要进行分析的局部业务网络数据进行关键内容识别处理,然后再根据指定处理方式将经由关键内容识别处理得到的若干个所述业务网络数据对应的局部显著性识别结果进行整合,则可以得到相应的所述业务网络数据对应的显著性识别结果,通过这一过程,可以在需要进行分析的业务网络数据的数据量过大时,将需要进行分析的业务网络数据分类处理成若干个大小适宜的需要进行分析的局部业务网络数据,从而有效减少关键内容识别处理的输入业务网络数据的量,避免由于输入业务网络数据过大导致关键内容识别处理结果的准确性降低,从而提高关键内容识别处理的准确性,使得得到的所述业务网络数据对应的显著性识别结果具有较高的准确性,继而提高整体业务网络数据处理过程的准确性。
在一种独立实施的实施例中,步骤S111可以包括:在需要进行分析的业务网络数据中确定若干个分类处理基准;依照指定处理方式,根据分类处理基准的定位,对需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据,其中,各个分类处理基准分别位于对应的需要进行分析的局部业务网络数据的基准,相似的需要进行分析的局部业务网络数据之间不存在相似的数据。此时,如果将这些需要进行分析的局部业务网络数据在指定处理方式上依次进行整合,可以还原成原有的完整需要进行分析的业务网络数据。
在一种独立实施的实施例中,步骤S111可以包括:在需要进行分析的业务网络数据中确定若干个分类处理基准;依照指定处理方式,根据分类处理基准的定位,对需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据。
通过对需要进行分析的业务网络数据采用冗余分类处理的方式进行分类处理,可以避免部分由于对需要进行分析的业务网络数据分类处理导致部分目标网络信息相关业务网络数据信息的缺失,从而提高得到的关键内容识别处理结果的完整程度和准确程度,继而提高最终得到的分团结果的准确性和完整程度,即提高业务网络数据处理的准确性。
在本实施例中,步骤S113的实现过程可以为:将所有所述业务网络数据对应的局部显著性识别结果依照指定处理方式依次进行整合,得到所述业务网络数据对应的显著性识别结果。在一种独立实施的实施例中,步骤S113的实现过程可以为:将所有所述业务网络数据对应的局部显著性识别结果依照指定处理方式依次进行整合,其中,对相似所述业务网络数据对应的局部显著性识别结果之间的相似的数据,取对应的两个相似所述业务网络数据对应的局部显著性识别结果的去极化向量,作为该相似的数据的值。在一个示例中,整合的过程可以为:,分类处理后得到的3个需要进行分析的局部业务网络数据,分别经过关键内容识别处理得到3个对应的所述业务网络数据对应的局部显著性识别结果,将这3个所述业务网络数据对应的局部显著性识别结果分别记为所述业务网络数据对应的局部显著性识别结果a、所述业务网络数据对应的局部显著性识别结果b和所述业务网络数据对应的局部显著性识别结果c,在第一处理方式上,依次将三个所述业务网络数据对应的局部显著性识别结果进行整合,则所述业务网络数据对应的局部显著性识别结果a和所述业务网络数据对应的局部显著性识别结果b之间相应的存在相似的数据,记为第一相似的数据,所述业务网络数据对应的局部显著性识别结果b和所述业务网络数据对应的局部显著性识别结果c之间相应的存在相似的数据,记为第二相似的数据,由于这3个所述业务网络数据对应的局部显著性识别结果均可以表现为偏置度拓扑的形式,因此针对于第一相似的数据,其偏置度向量可以取所述业务网络数据对应的局部显著性识别结果a在此范围的偏置度向量和所述业务网络数据对应的局部显著性识别结果b在此范围的偏置度向量的去极化向量,针对于第二相似的数据,其偏置度向量可以取所述业务网络数据对应的局部显著性识别结果b在此范围的偏置度向量和所述业务网络数据对应的局部显著性识别结果c在此范围的偏置度向量的去极化向量,针对于非相似的数据,其偏置度向量直接采用该范围对应的所述业务网络数据对应的局部显著性识别结果的偏置度向量即可,则此时可以得到完整的需要进行分析的业务网络数据对应的所述业务网络数据对应的显著性识别结果,该所述业务网络数据对应的显著性识别结果以偏置度拓扑的形式存在。
通过上述公开实施例中可以看出,由于网络诊断处理方法中需要进行关键内容识别处理,在一种独立实施的实施例中,关键内容识别处理可以通过人工智能线程来进行实现,而人工智能线程的具体网络结构,是需要通过配置来得到的。因此本申请实施例中提出的方法,在步骤S11之前,还可以包括对人工智能线程的配置步骤S10,S10的具体实现方式不受限定,根据本申请一实施例的网络诊断处理方法的,在一种独立实施的实施例中,步骤S10可以包括如下步骤。
步骤S101,获得配置范例数据集。
步骤S102,根据配置范例数据集,配置用于进行关键内容识别处理的人工智能线程。
其中,步骤S101的实现方式不受限定,根据本申请一实施例的网络诊断处理方法,在一种独立实施的实施例中,步骤S101可以包括如下步骤。
步骤S1011,对初始数据进行调试,得到调试记录数据。
步骤S1012,根据调试记录数据得到配置范例数据集。
因此,在一种独立实施的实施例中,步骤S1012可以包括:直接将所有完整配置范例业务网络数据作为配置范例数据集。然而,通过上述各公开实施例可以看出,由于进行关键内容识别处理的对象可能是对肺部业务网络数据分类处理后得到的肺部局部业务网络数据,因此输入到用于进行关键内容识别处理的人工智能线程的业务网络数据也可以为肺部局部业务网络数据,即基于完整肺部业务网络数据分类处理后得到的肺部局部业务网络数据。为了使人工智能线程适合于对分类处理后的肺部局部业务网络数据进行关键内容识别处理,在一种独立实施的实施例中,用于配置人工智能线程的配置范例数据集中,涵盖的业务网络数据也可以是对完整配置范例业务网络数据进行分类处理后得到的配置范例局部业务网络数据。
通过上述各公开的实施例,可以得到配置范例数据集,根据得到的配置范例数据集,可以通过步骤S102配置用于进行关键内容识别处理的人工智能线程,步骤S102的实现方式同样不受限定,根据本申请一实施例的网络诊断处理方法,在一种独立实施的实施例中,步骤S102可以包括如下步骤。
步骤S1021,根据配置范例数据集,结合在先配置的置信度变量,分别得到人工智能线程的全部量化评估向量和浮动量化评估向量。
步骤S1022,根据全部量化评估向量和浮动量化评估向量,确定人工智能线程的量化评估网络。
步骤S1023,根据量化评估网络反馈配置人工智能线程。
通过根据配置范例数据集,结合在先配置的置信度变量,分别得到人工智能线程的全部量化评估向量和浮动量化评估向量,再根据全部量化评估向量和浮动量化评估向量,确定人工智能线程的量化评估网络,最后根据量化评估网络反馈配置人工智能线程,可以提高对需要进行分析的业务网络数据进行关键内容识别处理得到的所述业务网络数据对应的显著性识别结果的准确性,继而提高网络数据诊断结果的准确性,提高业务网络数据处理的准确性。
出根据本申请一实施例的网络诊断处理方法,在一种独立实施的实施例中,步骤S13可以包括如下步骤。
步骤S131,对第一分团结果进行基准筛选,得到基准区间对应的业务数据和边缘业务数据向量集。其中,边缘业务数据向量集为基准区间对应的业务数据上的所有特征点与第一分团结果内目标网络信息的种类特征区间之间的差异结果的集合。
步骤S132,根据基准区间对应的业务数据,生成目标网络信息的第一网络信息标签。
步骤S133,对第一网络信息标签进行融合处理,得到第二网络信息标签。
步骤S134,根据边缘业务数据向量集,对第二网络信息标签进行诊断处理,得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
步骤S133的实现方式同样不受限定,任何可以基于第一网络信息标签的融合结构,来对其进行细化得到第二网络信息标签的方式,均可以作为步骤S133的实现形式,即融合处理的实现方式不受限定,任何可以基于第一网络信息标签中的融合状态,对第一网络信息标签的融合性进行适当调试的方式,均可以作为融合处理的实现方式。根据本申请一实施例的网络诊断处理方法,在一种独立实施的实施例中,步骤S133可以包括如下步骤。
步骤S1331,筛选第一网络信息标签中目标网络信息对应的融合范围。
步骤S1332,剔除第一网络信息标签中与融合范围的融合值小于融合目标值的特征点,得到第二网络信息标签。
通过基准筛选得到第一分团结果的基准区间对应的业务数据和边缘业务数据向量集,并基于此基准区间对应的业务数据生成第一网络信息标签,并对第一网络信息标签进行融合处理,得到第二网络信息标签,这一过程可以有效的提高第一分团结果的融合性,剔除掉第一分团结果中的干扰信息,对第一分团结果进行有效调试,提高得到的网络数据诊断结果的准确性。
在上述基础上,请结合参阅图2,提供了一种网络诊断处理装置200,应用于网络诊断处理系统,所述装置包括:
结果识别模块210,用于对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;
结果分团模块220,用于对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;
结果诊断模块230,用于结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
本申请实施例所提供的方法实施例可以在诊断处理云平台、计算机设备或者类似的运算装置中执行。以运行在诊断处理云平台上为例,图3是本申请实施例的实施一种弱信号环境下北斗信号捕获方法的诊断处理云平台的硬件结构框图。如图3所示,诊断处理云平台300可以包括一个或多个(图3中仅示出一个)处理器310(处理器310可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器320。本领域普通技术人员可以理解,图3所示的结构仅为示意,其并不对上述诊断处理云平台的结构造成限定。例如,诊断处理云平台300还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。
存储器320可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种弱信号环境下北斗信号捕获方法对应的计算机程序,处理器310通过运行存储在存储器320内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器320可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至诊断处理云平台300。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在上述基础上,还提供了一种网络诊断处理系统,包括:诊断处理云平台和网络数据采集端,所述诊断处理云平台与所述网络数据采集端通信连接;
其中,所述诊断处理云平台,用于:对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,通过对需要进行分析的业务网络数据进行关键内容识别处理后进行分团操作,得到初步的分团结果,再基于此初步的分团结果,利用其中的网络安全种类数据进行诊断处理,可以得到需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。通过上述过程可以根据需要进行分析的业务网络数据中目标网络信息的网络安全种类数据,对需要进行分析的业务网络数据的分团结果进行进一步的分析,这样一来,能够准确的确定出网络数据诊断结果,从而能够保证业务网络数据的安全。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种网络诊断处理方法,其特征在于,应用于诊断处理云平台,所述方法至少包括:
对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;
对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;
结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果;
所述网络安全种类数据包括:所述目标网络信息的次要数据和重要数据;
所述结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,包括:对所述第一分团结果进行基准筛选,得到基准区间对应的业务数据和边缘业务数据向量集,其中,所述边缘业务数据向量集为所述基准区间对应的业务数据上的所有特征点与所述第一分团结果内目标网络信息的种类特征区间之间的差异结果的集合;
结合所述基准区间对应的业务数据,生成所述目标网络信息的第一网络信息标签;对所述第一网络信息标签进行融合处理,得到第二网络信息标签;
结合所述边缘业务数据向量集,对所述第二网络信息标签进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果;
所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果,包括:
依照指定处理方式,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据;
对各个所述需要进行分析的局部业务网络数据进行关键内容识别处理,得到与各个需要进行分析的局部业务网络数据逐一对应的所述业务网络数据对应的局部显著性识别结果;
结合所述指定处理方式,将所有所述业务网络数据对应的局部显著性识别结果进行整合,得到所述业务网络数据对应的显著性识别结果。
2.根据权利要求1所述的方法,其特征在于,所述依照指定处理方式,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据,包括:
在所述需要进行分析的业务网络数据中确定若干个分类处理基准;
依照指定处理方式,结合所述分类处理基准的定位,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据,其中,各个分类处理基准分别位于对应的需要进行分析的局部业务网络数据的基准,相似的需要进行分析的局部业务网络数据之间存在相似的数据。
3.根据权利要求2所述的方法,其特征在于,所述依照指定处理方式,所述对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据之前,还包括:对所述需要进行分析的业务网络数据在除所述指定处理方式以外的处理方式,根据指定系数进行优化操作。
4.根据权利要求2所述的方法,其特征在于,所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果之前,还包括:获得配置范例数据集;结合所述配置范例数据集,配置用于进行关键内容识别处理的人工智能线程;
其中,所述获得配置范例数据集包括:对初始数据进行调试,得到调试记录数据;结合所述调试记录数据得到配置范例数据集;
其中,所述结合所述配置范例数据集,配置用于进行关键内容识别处理的人工智能线程,包括:
结合所述配置范例数据集,结合在先配置的置信度变量,分别得到所述人工智能线程的全部量化评估向量和浮动量化评估向量;
结合所述全部量化评估向量和所述浮动量化评估向量,确定所述人工智能线程的量化评估网络;
结合所述量化评估网络反馈配置所述人工智能线程。
5.根据权利要求2所述的方法,其特征在于,所述对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果,包括:通过衍生和挖掘对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;
其中,所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果之前,还包括:对所述需要进行分析的业务网络数据进行预处理。
6.根据权利要求1所述的方法,其特征在于,所述对所述第一网络信息标签进行融合处理,得到第二网络信息标签,包括:
筛选所述第一网络信息标签中所述目标网络信息对应的融合范围;
剔除所述第一网络信息标签中与所述融合范围的融合值小于融合目标值的特征点,得到第二网络信息标签;
其中,结合所述边缘业务数据向量集,对所述第二网络信息标签进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,包括:以所述第二网络信息标签中的各个点为基准,所述边缘业务数据向量集中的各个差异结果为边界,进行描述,将所述描述包括的相似的数据加载至所述第二网络信息标签中,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果。
7.一种网络诊断处理系统,其特征在于,包括:诊断处理云平台和网络数据采集端,所述诊断处理云平台与所述网络数据采集端通信连接;
其中,所述诊断处理云平台,用于:对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果;对所述业务网络数据对应的显著性识别结果进行分团操作,得到第一分团结果;结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果;
所述网络安全种类数据包括:所述目标网络信息的次要数据和重要数据;
所述结合所述第一分团结果的网络安全种类数据,对所述第一分团结果进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果,包括:对所述第一分团结果进行基准筛选,得到基准区间对应的业务数据和边缘业务数据向量集,其中,所述边缘业务数据向量集为所述基准区间对应的业务数据上的所有特征点与所述第一分团结果内目标网络信息的种类特征区间之间的差异结果的集合;
结合所述基准区间对应的业务数据,生成所述目标网络信息的第一网络信息标签;对所述第一网络信息标签进行融合处理,得到第二网络信息标签;
结合所述边缘业务数据向量集,对所述第二网络信息标签进行诊断处理,得到所述需要进行分析的业务网络数据中目标网络信息的网络数据诊断结果;
所述对需要进行分析的业务网络数据进行关键内容识别处理,得到所述业务网络数据对应的显著性识别结果,包括:
依照指定处理方式,对所述需要进行分析的业务网络数据进行分类处理,得到若干个需要进行分析的局部业务网络数据;
对各个所述需要进行分析的局部业务网络数据进行关键内容识别处理,得到与各个需要进行分析的局部业务网络数据逐一对应的所述业务网络数据对应的局部显著性识别结果;
结合所述指定处理方式,将所有所述业务网络数据对应的局部显著性识别结果进行整合,得到所述业务网络数据对应的显著性识别结果。
8.一种诊断处理云平台,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1-6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171357.7A CN115514570B (zh) | 2022-09-26 | 2022-09-26 | 一种网络诊断处理方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171357.7A CN115514570B (zh) | 2022-09-26 | 2022-09-26 | 一种网络诊断处理方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115514570A CN115514570A (zh) | 2022-12-23 |
CN115514570B true CN115514570B (zh) | 2023-06-16 |
Family
ID=84525347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211171357.7A Active CN115514570B (zh) | 2022-09-26 | 2022-09-26 | 一种网络诊断处理方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115514570B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858418B (zh) * | 2023-02-09 | 2023-05-05 | 成都有为财商教育科技有限公司 | 一种数据缓存的方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277469A (zh) * | 2020-02-19 | 2020-06-12 | 杜义平 | 网络诊断处理方法、装置、网络系统及服务器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581258B (zh) * | 2020-05-11 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 一种安全数据分析方法、装置、系统、设备及存储介质 |
CN111917777B (zh) * | 2020-08-03 | 2023-04-18 | 中国电子科技集团公司第三十六研究所 | 网络数据解析方法、装置和电子设备 |
-
2022
- 2022-09-26 CN CN202211171357.7A patent/CN115514570B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277469A (zh) * | 2020-02-19 | 2020-06-12 | 杜义平 | 网络诊断处理方法、装置、网络系统及服务器 |
CN112217691A (zh) * | 2020-02-19 | 2021-01-12 | 杜义平 | 基于云平台的网络诊断处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115514570A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10268549B2 (en) | Heuristic process for inferring resource dependencies for recovery planning | |
CN115514570B (zh) | 一种网络诊断处理方法、系统及云平台 | |
CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
CN115732050A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN116756525B (zh) | 基于人工智能的岩土体参数智能测试方法及系统 | |
US11496567B2 (en) | Data processing method, apparatus, device and storage medium based on unmanned vehicle | |
CN115473822B (zh) | 一种5g智能网关数据传输方法、系统及云平台 | |
CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
CN115641176B (zh) | 一种数据分析方法及ai系统 | |
CN117037982A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
US20220417175A1 (en) | Method and system for resource governance in a multi-tenant system | |
US11797775B1 (en) | Determining emebedding vectors for an unmapped content item using embedding inferenece | |
CN116910478B (zh) | 一种锂离子电池事故溯源方法及系统 | |
CN115509811B (zh) | 一种分布式存储数据恢复方法、系统及云平台 | |
CN110442370A (zh) | 一种测试用例查询方法及装置 | |
CN114863585B (zh) | 一种车辆智能测试监控系统、方法及云平台 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
CN115756576B (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN113630336B (zh) | 基于光互联的数据分流方法及系统 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
CN113918985B (zh) | 一种安全管理策略生成方法及装置 | |
CN113596849B (zh) | 一种智能家居的无线通信信道动态分配方法及系统 | |
CN113613252B (zh) | 基于5g的网络安全的分析方法及系统 | |
US12008004B1 (en) | Situation-aware explainability for artificial intelligence-enabled, process-aware systems using complex event processing | |
CN114217240B (zh) | 一种不间断电源检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230506 Address after: Room 5-01, Floor 5, Building 6, Headquarters Economic Park, No. 1309, Shangye Road, Fengxi New Town, Xixian New District, Xianyang City, Shaanxi Province, 712000 Applicant after: SHAANXI HEYOU NETWORK TECHNOLOGY CO.,LTD. Address before: 5 Fuqian St, Huairou District, Beijing 101400 Applicant before: Yu Xiaoyu |
|
GR01 | Patent grant | ||
GR01 | Patent grant |