CN115618377B - 一种数据保密处理方法、系统及云平台 - Google Patents
一种数据保密处理方法、系统及云平台 Download PDFInfo
- Publication number
- CN115618377B CN115618377B CN202211186446.9A CN202211186446A CN115618377B CN 115618377 B CN115618377 B CN 115618377B CN 202211186446 A CN202211186446 A CN 202211186446A CN 115618377 B CN115618377 B CN 115618377B
- Authority
- CN
- China
- Prior art keywords
- big data
- authenticated
- interaction big
- data
- business
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 602
- 238000012545 processing Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000000611 regression analysis Methods 0.000 claims description 154
- 238000005065 mining Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 27
- 230000006870 function Effects 0.000 description 25
- 230000010354 integration Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001125 extrusion Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F21/60—Protecting data
- G06F21/604—Tools and structures for managing or administering access control systems
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Bioethics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的数据保密处理方法、系统及云平台,能够通过目标专家系统决策模型精准且完整地挖掘得到云端业务交互大数据的目标安全要素决策知识,从而利用保密辅助服务器实现已保密业务交互大数据与云端业务交互大数据的匹配处理,在得到与云端业务交互大数据对应匹配的已保密业务交互大数据之后,可以结合已保密业务交互大数据所携带的数据保密指示实现对云端业务交互大数据的数据保密处理。由此,通过分析和学习已保密业务交互大数据以及数据保密指示,能够将数据保密指示适应性地沿用到云端业务交互大数据的数据保密处理过程中,提高了数据保密处理的灵活性和智能化程度,同时规避了直接对云端业务交互大数据进行数据保密处理的资源开销。
Description
技术领域
本发明涉及数据保密技术领域,特别涉及一种数据保密处理方法、系统及云平台。
背景技术
数据安全包括如下两个方面的含义:一是数据本身的安全,主要是指采用现代密码算法对数据进行主动保护,如数据保密、数据完整性、双向强身份认证等;二是数据防护的安全,主要是采用现代信息存储手段对数据进行主动防护,如通过磁盘阵列、数据备份、异地容灾等手段保证数据的安全,数据安全是一种主动的包含措施,数据本身的安全必须基于可靠的加密算法与安全体系,主要是有对称算法与公开密钥密码体系两种。数据保密处理是保障数据安全的其中一个重要手段,然而相关的数据保密技术存在开销大且不智能的缺点。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种数据保密处理方法、系统及云平台。
第一方面,本发明实施例提供了一种数据保密处理方法,应用于数据保密处理云平台,所述方法包括:通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理。
进一步地,所述目标专家系统决策模型的调试步骤如下:通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识;结合所述已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与所述已认证业务交互大数据对应的一组已选定多元回归分析核;通过所述一组已选定多元回归分析核,对所述已认证业务交互大数据的安全要素决策知识进行处理,得到与所述已认证业务交互大数据对应的多元回归分析数据;根据与所述已认证业务交互大数据对应的所述多元回归分析数据,以及所述已认证业务交互大数据的先验注释,至少对所述第一专家系统决策模型的模型变量进行改进,得到已调试的目标专家系统决策模型。
第二方面,本发明还提供了一种数据保密处理系统,包括互相之间通信的数据保密处理云平台和数据用户端;所述数据保密处理云平台用于:通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理。
第三方面,本发明还提供了一种数据保密处理云平台,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述所述的方法。
应用于本发明实施例,通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理。
如此设计,能够通过目标专家系统决策模型精准且完整地挖掘得到云端业务交互大数据的目标安全要素决策知识,从而利用保密辅助服务器实现已保密业务交互大数据与云端业务交互大数据的匹配处理,在得到与云端业务交互大数据对应匹配的已保密业务交互大数据之后,可以结合已保密业务交互大数据所携带的数据保密指示实现对云端业务交互大数据的数据保密处理。由此,通过分析和学习已保密业务交互大数据以及数据保密指示,能够将数据保密指示适应性地沿用到云端业务交互大数据的数据保密处理过程中,提高了数据保密处理的灵活性和智能化程度,同时规避了直接对云端业务交互大数据进行数据保密处理的资源开销。
此外,在本发明实施例中,在通过第一专家系统决策模型获取已认证业务交互大数据的安全要素决策知识之后,可以基于已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与已认证业务交互大数据对应的一组已选定多元回归分析核,然后通过一组已选定多元回归分析核对已认证业务交互大数据的安全要素决策知识进行处理,得到与已认证业务交互大数据对应的多元回归分析数据。
应用于相关实施例,可以通过不同的多元回归分析核处理先验注释的种类不同的业务交互大数据,进而各组多元回归分析核对已认证业务交互大数据进行处理后得到的多元回归分析数据不会干扰剩余组多元回归分析核。因此,根据与已认证业务交互大数据对应的多元回归分析数据以及已认证业务交互大数据的先验注释,对第一专家系统决策模型的模型变量进行改进得到的目标专家系统决策模型的运行质量更佳。这样使用目标专家系统决策模型对云端业务交互大数据进行匹配处理的精度和可信度更高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种数据保密处理方法的流程示意图。
图2是本发明实施例提供的一种数据保密处理系统的通信架构示意图。
实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在数据保密处理云平台、计算机设备或者类似的运算装置中执行。以运行在数据保密处理云平台上为例,数据保密处理云平台10可以包括一个或多个处理器(处理器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,可选地,上述数据保密处理云平台还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述数据保密处理云平台的结构造成限定。例如,数据保密处理云平台10还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器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,如本发明实施例中的一种数据保密处理方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,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,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至数据保密处理云平台10。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。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数据保密处理云平台10的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
本发明实施例的整体设计思路分为两个阶段,第一个阶段是利用目标专家系统决策模型确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识,然后借助保密辅助服务器确定与云端业务交互大数据对应的已保密业务交互大数据,第二个阶段是结合已保密业务交互大数据所携带的数据保密指示实现云端业务交互大数据的数据保密处理。
这样一来,如此设计,能够通过目标专家系统决策模型精准且完整地挖掘得到云端业务交互大数据的目标安全要素决策知识,从而利用保密辅助服务器实现已保密业务交互大数据与云端业务交互大数据的匹配处理,在得到与云端业务交互大数据对应匹配的已保密业务交互大数据之后,可以结合已保密业务交互大数据所携带的数据保密指示实现对云端业务交互大数据的数据保密处理。由此,通过分析和学习已保密业务交互大数据以及数据保密指示,能够将数据保密指示适应性地沿用到云端业务交互大数据的数据保密处理过程中,提高了数据保密处理的灵活性和智能化程度,同时规避了直接对云端业务交互大数据进行数据保密处理的资源开销。
通过上述内容可知,数据保密处理的质量取决于目标专家系统决策模型挖掘出的目标安全要素决策知识的精度和可信度,因此对于目标专家系统决策模型的知识挖掘准确性和可靠性是其中一个关键环节,对此,本发明实施例首先介绍针对目标专家系统决策模型的训练调试过程,以保障得到的目标专家系统决策模型在应用阶段的运行质量。
基于此,请参阅图1,图1是本发明实施例所提供的一种目标专家系统决策模型的训练调试过程,该方法应用于数据保密处理云平台,进一步可以包括STEP101-STEP104所描述的技术方案。
STEP101,通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识。
在本发明实施例中,已认证业务交互大数据可以是携带先验注释的业务交互大数据,第一专家系统决策模型可以是没有进行调试的AI算法模型,也可以是已开始调试但未调试完成的AI算法模型。就一些示例而言,第一专家系统决策模型可以为深度学习模型,也可以为某个深度学习模型的滑动平均处理子模型,还可以包括某个深度学习模型的滑动平均处理子模型和特征滤波子模型。
举例而言,第一专家系统决策模型可以对业务交互大数据进行特征挖掘,得到业务交互大数据的安全要素决策知识。业务交互大数据的安全要素决策知识可以包括业务交互大数据的隐私描述向量、交互状态描述向量、业务资源描述向量和类别描述向量,每个业务交互大数据的安全要素决策知识可以实现为不少于一个向量字段等。在通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识时,可以将已认证业务交互大数据加载到第一专家系统决策模型,第一专家系统决策模型对已认证业务交互大数据进行特征挖掘后,可以输出已认证业务交互大数据的安全要素决策知识。就一些示例而言,已认证业务交互大数据可以是图文大数据,也可以是文本大数据。
STEP102,结合所述已认证业务交互大数据的先验注释的种类,从不少于两组所述多元回归分析核中确定与所述已认证业务交互大数据对应的一组已选定多元回归分析核。
在本发明实施例中,可以以至少两组已认证业务交互大数据作为调试示例,调试第一专家系统决策模型。就一些示例而言,作为调试示例的至少两组已认证业务交互大数据的先验注释可以是基于不同思路得到的不同种类的先验注释(标注信息);比如,已认证业务交互大数据的先验注释可以是通过手动对业务交互大数据进行打标签处理得到的第二注释(第二注释,比如采用手动对业务交互大数据进行打标签处理的方法得到的先验注释),也可以是通过AI算法模型生成的第一注释。就一些示例而言,作为调试示例的至少两组已认证业务交互大数据的先验注释还可以是通过不同AI算法模型生成的可信系数不同的先验注释。就一些示例而言,每一个已认证业务交互大数据的先验注释上可以包含有与先验注释的种类对应的种类关键词。
进一步地,每组多元回归分析核(比如可以理解为分类器)与一种已认证业务交互大数据的先验注释的种类对应。就一些示例而言,各组多元回归分析核的架构和变脸可以一致,也可以存在差异。就一些示例而言,可以事先配置各组多元回归分析核与已认证业务交互大数据的先验注释的种类的映射列表。
比如,作为调试示例的至少三组已认证业务交互大数据可以包括三类已认证业务交互大数据:具有第一个类的先验注释的已认证业务交互大数据,具有第二个类的先验注释的已认证业务交互大数据和具有第三类类的先验注释的已认证业务交互大数据;不少于两组多元回归分析核可以包括第一组多元回归分析核、第二组多元回归分析核和第三组多元回归分析核,每组多元回归分析核中可以包括不少于一个多元回归分析核。将各组多元回归分析核与各种已认证业务交互大数据的先验注释的种类的映射列表设置为:第一组多元回归分析核与具有第一个类的先验注释的已认证业务交互大数据对应,第二组多元回归分析核与具有第二个类的先验注释的已认证业务交互大数据对应,第X组多元回归分析核与具有第X种类的先验注释的已认证业务交互大数据对应。
就一些示例而言,基于已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与已认证业务交互大数据对应的一组已选定多元回归分析核可以包括:获取已认证业务交互大数据的先验注释,根据已认证业务交互大数据的先验注释中的种类关键词,确定已认证业务交互大数据的先验注释的种类;基于已认证业务交互大数据的先验注释的种类,从设定的映射列表中查询该已认证业务交互大数据的先验注释的种类及该种类对应的一组多元回归分析核;将查询得到的一组多元回归分析核确定为与已认证业务交互大数据对应的一组已选定多元回归分析核。
就一些示例而言,第一专家系统决策模型和不少于两组多元回归分析核可以属于同一AI算法网络。例如,AI算法网络NN200中可以包括第一专家系统决策模型model201和不少于两组多元回归分析核,不少于两组多元回归分析核可以包括N组多元回归分析核,比如,可以包括第一组多元回归分析核Classifier202、第二组多元回归分析核Classifier203等等,和第X组多元回归分析核Classifier204。其中,X不小于2。
就一些示例而言,AI算法网络NN200可以为深度学习模型。比如,AI算法网络NN200可以是在卷积神经网络的基础上,进行改进得到的深度学习模型。以卷积神经网络conv101为例,AI算法网络NN200为对卷积神经网络conv101进行改进得到的AI算法模型的基础上,第一专家系统决策模型可以为卷积神经网络conv101的滑动平均处理子模型,也可以包括卷积神经网络conv101的滑动平均处理子模型(卷积层)和特征滤波子模型(池化层)。
示例性的,在对卷积神经网络conv101进行改进时,可以删除卷积神经网络conv101的特征整合子模型(比如全连接层),将删除特征整合子模型之后的卷积神经网络conv101作为第一专家系统决策模型,然后在第一专家系统决策模型后设置不少于两组多元回归分析核,不少于两组多元回归分析核可以是至少两个孤立的特征整合子模型,也可以是同一个特征整合子模型中的不同部分。在不少于两组多元回归分析核是同一个特征整合子模型的不同部分的基础上,该特征整合子模型的不同部分可以互相不影响。
就一些示例而言,为了提高调试第一专家系统决策模型的效率,在通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识之前,可以对已认证业务交互大数据进行前处理(预处理)。以下为根据本发明一实施例公开的已认证业务交互大数据前处理方法的介绍,包括以下STEP301-STEP303。
STEP301,改进已认证业务交互大数据的数据维度。
就一些示例而言,可以将已认证业务交互大数据的数据维度改进为设定的数据维度。
STEP302,对已认证业务交互大数据的数据块的特征描述值进行挤压处理。
就一些示例而言,对已认证业务交互大数据的数据块的特征描述值进行挤压处理(归一化处理)可以包括:将已认证业务交互大数据的数据块的特征描述值的取值范围压缩到改进0~1之间。
STEP303,对已认证业务交互大数据的数据块的特征描述值进行运算处理。
就一些示例而言,对已认证业务交互大数据的数据块的特征描述值进行运算处理(标准化处理)可以包括:将进行挤压处理后的已认证业务交互大数据的数据块的特征描述值减去设定的平均特征描述值,再除以设定的特征描述值标准差。
如此设计,在将已认证业务交互大数据加载到第一专家系统决策模型之前,对已认证业务交互大数据进行前处理,可以提高调试第一专家系统决策模型的时效性。
举例而言,在对已认证业务交互大数据进行前处理的过程中,已认证业务交互大数据的输出方式可以是向量关系网(特征值矩阵)的模式。
就一些示例而言,已认证业务交互大数据可以是在待认证业务交互大数据的基础上得到的,比如,为待认证业务交互大数据打上先验注释,得到已认证业务交互大数据,比如在通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识之前,可以根据待认证业务交互大数据得到已认证业务交互大数据。就一些示例而言,可以先对待认证业务交互大数据进行前处理,然后再根据前处理之后的待认证业务交互大数据得到已认证业务交互大数据。
就一些示例而言,在对已认证业务交互大数据进行前处理之后,将已认证业务交互大数据加载到第一专家系统决策模型,在特征挖掘层为滑动平均处理子模型的基础上,第一专家系统决策模型中包括不少于一个滑动滤波算子(卷积核)或特征处理算子(滤波器),通过滑动滤波算子或特征处理算子对已认证业务交互大数据进行特征挖掘,比如对滑动滤波算子或特征处理算子对应的分布列表与已认证业务交互大数据的向量关系网进行卷积处理,得到不少于一个分布列表方式的安全要素决策知识。
就一些示例而言,在第一专家系统决策模型包括滑动平均处理子模型和特征滤波子模型的基础上,在通过滑动平均处理子模型得到分布列表方式的安全要素决策知识之后,特征滤波子模型可以对各个安全要素决策知识进行知识筛选和噪声滤波,以削减输出的安全要素决策知识的数据维度。
STEP103,通过所述一组已选定多元回归分析核,对所述已认证业务交互大数据的安全要素决策知识进行处理,得到与所述已认证业务交互大数据对应的多元回归分析数据。
在本发明实施例中,可以通过一组已选定多元回归分析核中的其中一个多元回归分析核对已认证业务交互大数据的安全要素决策知识进行处理,也可以通过一组已选定多元回归分析核中的各个多元回归分析核对已认证业务交互大数据的安全要素决策知识进行处理。
在一些示例下,以下相关内容为根据本发明一实施例公开的一种AI算法网络的介绍。比如,在将已认证业务交互大数据加载到AI算法网络NN400的第一专家系统决策模型model401,第一专家系统决策模型model401对已认证业务交互大数据进行特征挖掘后,可以将已认证业务交互大数据的安全要素决策知识输出至与已认证业务交互大数据对应的一组已选定多元回归分析核,通过与已认证业务交互大数据对应的一组已选定多元回归分析核对已认证业务交互大数据的安全要素决策知识进行处理,得到与已认证业务交互大数据对应的多元回归分析数据。
比如,通过第一组多元回归分析核Classifier402对具有第一个种类的先验注释的已认证业务交互大数据的安全要素决策知识进行处理,得到与具有第一个种类的先验注释的已认证业务交互大数据对应的第一多元回归分析数据;通过第二组多元回归分析核Classifier403对具有第二个种类的先验注释的已认证业务交互大数据的安全要素决策知识进行处理,得到与具有第二个种类的先验注释的已认证业务交互大数据对应的第二多元回归分析数据,等等,通过第X组多元回归分析核Classifier404对具有第X种种类的先验注释的已认证业务交互大数据的安全要素决策知识进行处理,得到与具有第X种种类的先验注释的已认证业务交互大数据对应的第X多元回归分析数据。
举例而言,本发明实施例中的多元回归分析核可以为AI模型中的特征整合子模型,特征整合子模型可以包括多层,特征整合子模型中的每层都通过许多神经节点(比如神经元)构成,特征整合子模型的每层中的任意一个神经节点都与前一层的每个神经节点连接。第一专家系统决策模型在获取到已认证业务交互大数据的安全要素决策知识(比如,安全要素决策知识包括不少于一个安全要素决策知识)之后,可以将已认证业务交互大数据的不少于一个安全要素决策知识加载至与已认证业务交互大数据对应的一组已选定多元回归分析核,然后与已认证业务交互大数据对应的一组已选定多元回归分析核会对加载的已认证业务交互大数据的不少于一个安全要素决策知识进行处理(比如非线性处理),得到已认证业务交互大数据的多元回归分析数据。
就一些示例而言,在将已认证业务交互大数据的安全要素决策知识输入一组已选定多元回归分析核之前,还可以对已认证业务交互大数据的安全要素决策知识进行运算处理,比如,将已认证业务交互大数据的安全要素决策知识除以安全要素决策知识的向量模。
STEP104,根据与所述已认证业务交互大数据对应的所述多元回归分析数据,以及所述已认证业务交互大数据的先验注释,至少对所述第一专家系统决策模型的模型变量进行改进,得到已调试的目标专家系统决策模型。
举例而言,根据多元回归分析核对已认证业务交互大数据进行区分,得到的多元回归分析数据不一定准确,多元回归分析数据与已认证业务交互大数据真实所对应的种类可以会存在一定偏移。由此,在本发明实施例中,可以根据每次对已认证业务交互大数据进行区分得到的多元回归分析数据与已认证业务交互大数据的先验注释来确定多元回归偏移(比如损失函数值),进而基于多元回归偏移不断改进第一专家系统决策模型的模型变量,得到质量更佳的目标专家系统决策模型。就一些示例而言,可以基于多元回归偏移改进第一专家系统决策模型的模型变量,也可以基于多元回归偏移改进第一专家系统决策模型和不少于两组多元回归分析核的模型变量。
就一些示例而言,多元回归分析核可以包括特征整合子模型和/或多元回归子模型,如Softmax。在将已认证业务交互大数据的不少于一个安全要素决策知识输入与已认证业务交互大数据对应的一组已选定多元回归分析核之后,一组已选定多元回归分析核的特征整合子模型会对加载的已认证业务交互大数据的不少于一个安全要素决策知识进行处理,得到已认证业务交互大数据的向量字段,然后将已认证业务交互大数据的向量字段输入多元回归子模型。多元回归子模型根据已认证业务交互大数据的向量字段,得到已认证业务交互大数据在设定种类中的每个种类的估计可能性列表(概率分布),进而得到多元回归分析数据。
就一些示例而言,多元回归分析数据可以是已认证业务交互大数据在设定种类中的每个种类的估计可能性报告,也可以是估计可能性列表中最高可能性对应的种类。
其中,根据与已认证业务交互大数据对应的多元回归分析数据可以得到已认证业务交互大数据在设定种类中的每个种类的估计可能性列表,根据已认证业务交互大数据的先验注释可以得到已认证业务交互大数据在设定种类中的每个种类的命中评分列表。在得到已认证业务交互大数据的多元回归分析数据之后,可以通过设定函数,根据与已认证业务交互大数据对应的多元回归分析数据和已认证业务交互大数据的先验注释,确定得到损失函数值。比如,设定函数可以是三元组损失。得到损失函数值后,可以通过反馈思路,改进第一专家系统决策模型的模型变量,以对第一专家系统决策模型进行优化。
就一些示例而言,损失函数值包括至少两个局部损失函数值。每组多元回归分析核对与该组多元回归分析核对应的至少一个业务交互大数据的安全要素决策知识进行处理后得到一组多元回归分析数据,每组多元回归分析数据对应一个局部损失函数值。可以根据每组多元回归分析数据对应的局部损失函数值,确定损失函数值。
以下为根据本发明一实施例公开的确定损失函数值的方案介绍,包括以下STEP501-STEP505。
STEP501,在已认证业务交互大数据的先验注释的种类为第一注释的基础上,根据与已认证业务交互大数据对应的第一多元回归分析数据,得到该已认证业务交互大数据在设定种类中的每个种类的第一估计可能性列表,并根据该已认证业务交互大数据的先验注释确定该已认证业务交互大数据的第一命中评分列表。
STEP502,确定第一估计可能性列表和第一命中评分列表的三元组损失,得到第一损失函数值。
STEP503,在已认证业务交互大数据的先验注释的种类为第二注释的基础上,根据与已认证业务交互大数据对应的第二多元回归分析数据,得到该已认证业务交互大数据在设定种类中的每个种类的第二估计可能性列表,并根据该已认证业务交互大数据的先验注释确定该已认证业务交互大数据的第二命中评分列表。
STEP504,确定第二估计可能性列表和第二命中评分列表的三元组损失,得到第二损失函数值。
STEP505,将第一损失函数值和第二损失函数值的和确定为损失函数值。
就一些示例而言,所述数据保密处理方法还可以包括:确定第一专家系统决策模型的模型变量的改进轮次是否大于等于设定轮次;在第一专家系统决策模型的模型变量改进轮次大于等于设定轮次的基础上,将当前的第一专家系统决策模型确定为目标专家系统决策模型;在第一专家系统决策模型的模型变量改进轮次小于设定轮次的基础上,通过第一专家系统决策模型继续获取已认证业务交互大数据的安全要素决策知识。
举例而言,第一专家系统决策模型的模型变量改进轮次大于等于设定轮次可以表示该第一专家系统决策模型已经调试完成,该第一专家系统决策模型的质量较佳,因此可以将当前的第一专家系统决策模型确定为目标专家系统决策模型。第一专家系统决策模型的模型变量改进轮次小于设定轮次可以表示该第一专家系统决策模型还未调试完成,然后进一步调试。
在本发明实施例中,可以设计不少于两组多元回归分析核,如此,在通过第一专家系统决策模型获取已认证业务交互大数据的安全要素决策知识之后,可以基于已认证业务交互大数据的先验注释的种类,确定与已认证业务交互大数据对应的一组已选定多元回归分析核,然后通过一组已选定多元回归分析核对已认证业务交互大数据的安全要素决策知识进行处理,得到与已认证业务交互大数据对应的多元回归分析数据。进而可以通过不同的多元回归分析核处理先验注释的种类不同的业务交互大数据,进而各组多元回归分析核对已认证业务交互大数据进行处理后得到的多元回归分析数据不会干扰剩余组多元回归分析核。因此,根据与已认证业务交互大数据对应的多元回归分析数据以及已认证业务交互大数据的先验注释,对第一专家系统决策模型的模型变量进行改进得到的目标专家系统决策模型的运行质量更佳。这样使用目标专家系统决策模型对云端业务交互大数据进行匹配处理的精度和可信度更高。
就一些示例而言,所述不少于两组多元回归分析核包括第一组多元回归分析核和第二组多元回归分析核;所述第一组多元回归分析核和所述第二组多元回归分析核中皆包含对云端业务交互大数据中的设定业务互动项目进行区分的多元回归分析核。
在STEP102中,所述结合所述已认证业务交互大数据的先验注释的种类,从不少于两组所述多元回归分析核中确定与所述已认证业务交互大数据对应的一组已选定多元回归分析核,可以包括STEP1021和STEP1022。
STEP1021,在所述已认证业务交互大数据的先验注释的种类为第一注释的基础上,将所述第一组多元回归分析核确定为与所述已认证业务交互大数据对应的一组已选定多元回归分析核。
STEP1022,在所述已认证业务交互大数据的先验注释的种类为第二注释的基础上,将所述第二组多元回归分析核确定为与所述已认证业务交互大数据对应的一组已选定多元回归分析核。
举例而言,已认证业务交互大数据的先验注释的种类可以为第一注释,也可以为第二注释。在以至少两组已认证业务交互大数据作为调试示例,调试第一专家系统决策模型时,可以在将至少两组已认证业务交互大数据加载到第一专家系统决策模型之后,确定加载的已认证业务交互大数据的先验注释的种类。在确定已认证业务交互大数据的先验注释为第一注释的基础上,将第一组多元回归分析核确定为与该已认证业务交互大数据对应的一组已选定多元回归分析核,并将该已认证业务交互大数据加载到第一组多元回归分析核,得到与该已认证业务交互大数据对应的第一多元回归分析数据。在确定已认证业务交互大数据的先验注释为第二注释的基础上,将第二组多元回归分析核确定为与该已认证业务交互大数据对应的一组已选定多元回归分析核,并将该已认证业务交互大数据加载到第二组多元回归分析核,得到与该已认证业务交互大数据对应的第二多元回归分析数据。
结合相关内容,第一组多元回归分析核和第二组多元回归分析核中皆包含对云端业务交互大数据中的设定业务互动项目进行区分的多元回归分析核。如此,在同时存在包含设定业务互动项目且先验注释为第一注释的已认证业务交互大数据,和包含设定业务互动项目且先验注释为第二注释的已认证业务交互大数据的基础上,可以通过第一组多元回归分析核中的多元回归分析核对包含设定业务互动项目且先验注释为第一注释的已认证业务交互大数据的安全要素决策知识进行处理,通过第二组多元回归分析核中的多元回归分析核对包含设定业务互动项目且先验注释为第二注释的已认证业务交互大数据的安全要素决策知识进行处理。换言之,第一组多元回归分析核和第二组多元回归分析核可以对包括相同业务互动项目的已认证业务交互大数据进行区分。
在本发明实施例中,可以将具有不同种类的先验注释的已认证业务交互大数据与不同组的多元回归分析核对应,通过与已认证业务交互大数据对应的一组多元回归分析核,对已认证业务交互大数据进行区分。这样,比如使某一组具有第一注释的已认证业务交互大数据和某一组具有第二注释的已认证业务交互大数据包括相同设定业务互动项目,通过不同的多元回归分析核来对具有不同种类的先验注释的已认证业务交互大数据进行处理,两个孤立的多元回归分析核互不干扰,就可以规避同一多元回归分析核对包括相同设定业务互动项目的已认证业务交互大数据进行区分得到的多元回归分析数据不同,从而影响第一专家系统决策模型的精度的缺陷。
在STEP101之前,还可以包括STEP601至STEP604。
STEP601,通过设定拆解规则对设定调试样例集中的待认证业务交互大数据进行拆解,得到不少于两组待认证业务交互大数据;其中,每组待认证业务交互大数据包括至少一个所述待认证业务交互大数据。
举例而言,通过设定拆解规则对设定调试样例集中的待认证业务交互大数据进行拆解可以是按照业务交互大数据的完整性、多样性或质量评分对设定调试样例集中的待认证业务交互大数据进行拆解。比如可以为业务交互大数据的完整性、多样性和质量评分配置不同的权值,确定业务交互大数据的完整性、多样性和质量评分的整体权重,将整体权重位于不同数据集的业务交互大数据分为一组。
STEP602,从注释配置方案集合中,确定各个组对应的注释配置方案;其中,每个所述注释配置方案用于配置一个种类的先验注释。
就一些示例而言,注释配置方案集合中可以包含至少两种注释配置方案。比如,注释配置方案集合中可以包含通过注释赋值模型生成第一注释的第一注释配置方案和通过手动生成第二注释的第二注释配置方案;或者,注释配置方案集合中可以包含多种不同的用于生成第一注释的注释赋值模型(比如标签生成模型)。
在注释配置方案集合中包含第一注释配置方案和第二注释配置方案的基础上,可以将第一注释配置方案确定为第一组待认证业务交互大数据(完整性位于第一设定完整性区间、质量评分位于第一设定质量评分区间或多样性位于第一设定多样性区间的待认证业务交互大数据)对应的注释配置方案,将第二注释配置方案确定为第二组待认证业务交互大数据(完整性位于第二设定完整性区间、质量评分位于第二设定质量评分区间或多样性位于第二设定多样性区间的待认证业务交互大数据)对应的注释配置方案。
举例而言,通过手动生成的第二注释的可信系数高于通过注释赋值模型生成的第一注释的可信系数。若通过注释赋值模型为完整性过小、质量评分过小或多样性过大的待认证业务交互大数据生成第一注释,则可能出现生成的第一注释的可信系数过小的情况。因此,对于一些完整性过小、质量评分过小或多样性过大的待认证业务交互大数据,需要通过手动生成待认证业务交互大数据的第二注释;对于一些完整性过大、质量评分过大或多样性过小的待认证业务交互大数据,可以通过注释赋值模型生成待认证业务交互大数据的第一注释。通过注释赋值模型生成待认证业务交互大数据的第一注释,可以保障注释赋值的效果。
STEP603,通过各个组对应的注释配置方案,对各组待认证业务交互大数据进行处理,得到各组所述待认证业务交互大数据中每一个所述待认证业务交互大数据的先验注释;其中,每一组所述待认证业务交互大数据中皆包含先验注释反映设定业务互动项目的至少一个待认证业务交互大数据。
比如,在通过第一注释配置方案对第一组待认证业务交互大数据进行处理时,将第一组待认证业务交互大数据加载到第一注释配置方案中的注释赋值模型,通过该注释赋值模型生成第一组待认证业务交互大数据中的每一个待认证业务交互大数据的第一注释;在通过第二注释配置方案对第二组待认证业务交互大数据进行处理时,可根据设定规则对第二组待认证业务交互大数据进行打标签处理,得到第二组待认证业务交互大数据中的每一个待认证业务交互大数据的第二注释。
其中,第一组待认证业务交互大数据和第二组待认证业务交互大数据中均可以包含先验注释反映设定业务互动项目的至少一个待认证业务交互大数据。换言之,每一组待认证业务交互大数据中均可以包括:包括相同业务互动项目的待认证业务交互大数据。这里,设定业务互动项目可以是任意业务互动项目,比如,可以为电商交互项目、文件共享项目等。
STEP604,根据每一个所述待认证业务交互大数据和每一个所述待认证业务交互大数据的先验注释,得到至少一个已认证业务交互大数据。
本发明实施例中,在将待认证业务交互大数据进行拆解后,采用不同的注释配置方案生成各种不同种类的先验注释,可以提高先验注释的种类的充足度,进而提高调试示例(比如已先验注释)的丰富程度。
就一些示例而言,在STEP603中,所述通过各个组对应的注释配置方案,对各组待认证业务交互大数据进行处理,得到各组所述待认证业务交互大数据中的每一个所述待认证业务交互大数据的先验注释,可以包括STEP6031和STEP6032。
STEP6031,通过设定知识挖掘算法,获取当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识。
STEP6032,依据所述当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成所述当前存在保密防护需求的待认证业务交互大数据组中每一个所述待认证业务交互大数据的第一注释;其中,所述当前存在保密防护需求的待认证业务交互大数据组中包括第一注释反映所述设定业务互动项目的至少一个待认证业务交互大数据。
本发明实施例中的设定知识挖掘算法可以是携带特征挖掘功能的AI算法模型。就一些示例而言,所述设定知识挖掘算法包括第一专家系统决策模型和/或第二专家系统决策模型,第二专家系统决策模型可以为预选调试好的用于进行特征挖掘的AI算法模型。当前存在保密防护需求的待认证业务交互大数据组指的可以是不少于两组待认证业务交互大数据中的任意一组待认证业务交互大数据,也可以是满足设定要求的待认证业务交互大数据,比如,可以是上述的完整性高于设定完整性判定值、质量评分高于设定质量评分判定值或多样性低于设定多样性判定值的第一组待认证业务交互大数据。当前存在保密防护需求的待认证业务交互大数据组中可以包括:包含上述的设定业务互动项目的至少一个待认证业务交互大数据。
就一些示例而言,可以通过实时特征挖掘的方法来提取安全要素决策知识并生成第一注释,比如:在调试第一专家系统决策模型的过程中,通过第一专家系统决策模型,获取当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的安全要素决策知识,然后通过设定分团处理指示,根据每一个待认证业务交互大数据的安全要素决策知识,对当前存在保密防护需求的待认证业务交互大数据组中的待认证业务交互大数据进行分团处理,并将分团处理结果作为当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的第一注释,得到每一个具有第一注释的已认证业务交互大数据。
举例而言,在本发明实施例中,调试第一专家系统决策模型时,可以采用循环调试的方法,在每一次调试第一专家系统决策模型时,均将前一轮得到的每一个具有第一注释的已认证业务交互大数据重新加载到第一专家系统决策模型,再次对前一轮得到的每一个具有第一注释的已认证业务交互大数据进行特征挖掘和分团处理。这样,随着第一专家系统决策模型每一次的调试,挖掘出的安全要素决策知识质量越来越好,因此,分团处理生成的第一注释的精度随着调试论述增多而提高。
就一些示例而言,可以通过非实时特征挖掘的方法来挖掘知识并生成第一注释,比如:通过预先调试好的第二专家系统决策模型获取当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的安全要素决策知识,然后通过设定分团处理指示,根据每一个待认证业务交互大数据的安全要素决策知识,对当前存在保密防护需求的待认证业务交互大数据组中的待认证业务交互大数据进行分团处理,并将分团处理结果作为当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的第一注释,得到每一个具有第一注释的已认证业务交互大数据。
其中,第二专家系统决策模型可以是预先调试好的效果较好的专家系统决策模型,通过第二专家系统决策模型,获取当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的安全要素决策知识,可以提高对待认证业务交互大数据进行特征挖掘的时效性,进而提高生成待认证业务交互大数据的第一注释和调试第一专家系统决策模型的时效性。
就一些示例而言,设定分团处理指示可以是K均值算法。设定分团处理指示可以根据待认证业务交互大数据的安全要素决策知识,对待认证业务交互大数据进行分团处理,并将分团处理结果作为待认证业务交互大数据的第一注释。
在另一些实施例中,所述设定知识挖掘算法包括所述第一专家系统决策模型和第二专家系统决策模型,在STEP6031中,所述通过设定知识挖掘算法,获取当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,可以包括STEP60311和STEP60312。
STEP60311,通过所述第一专家系统决策模型,获取当前存在保密防护需求的待认证业务交互大数据组中的第一交互大数据队列的第一安全要素决策知识。
STEP60312,通过所述第二专家系统决策模型,获取所述当前存在保密防护需求的待认证业务交互大数据组中的第二交互大数据队列的第二安全要素决策知识。
举例而言,本发明实施例中的第一专家系统决策模型可以是没有进行调试的AI算法模型,也可以是已开始调试但未调试完成的AI算法模型。如此,采用第一专家系统决策模型对业务交互大数据进行特征挖掘得到的安全要素决策知识的准确性可能过小,可以将当前存在保密防护需求的待认证业务交互大数据组中的第一部分待认证业务交互大数据加载到第一专家系统决策模型,通过第一专家系统决策模型,获取这一部分待认证业务交互大数据的第一安全要素决策知识;将当前存在保密防护需求的待认证业务交互大数据组中的另一部分待认证业务交互大数据输入预先调试好的第二专家系统决策模型,通过第二专家系统决策模型,获取这一部分待认证业务交互大数据的第二安全要素决策知识。
在STEP6032中,所述依据所述当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成所述当前存在保密防护需求的待认证业务交互大数据组中每一个所述待认证业务交互大数据的第一注释,可以包括:通过设定分团处理指示,依据所述第一安全要素决策知识和所述第二安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成当前存在保密防护需求的待认证业务交互大数据组中的每一个所述待认证业务交互大数据的第一注释。
如此,可以通过实时特征挖掘和非实时特征挖掘相结合的方法来提取特征并生成第一注释,比如:在调试第一专家系统决策模型的过程中,通过第一专家系统决策模型获取到当前存在保密防护需求的待认证业务交互大数据组中的第一部分待认证业务交互大数据的第一安全要素决策知识;通过预先调试好的第二专家系统决策模型获取当前存在保密防护需求的待认证业务交互大数据组中的第二部分待认证业务交互大数据的第二安全要素决策知识;然后通过设定分团处理指示,根据第一安全要素决策知识和第二安全要素决策知识,对当前存在保密防护需求的待认证业务交互大数据组中的待认证业务交互大数据进行分团处理,并将分团处理结果作为当前存在保密防护需求的待认证业务交互大数据组中的每一个待认证业务交互大数据的第一注释。
如此,通过将实时特征挖掘和非实时特征挖掘两种思路综合,能够在保证得到的第一注释的精度的基础上,提高调试第一专家系统决策模型的时效性。
本发明实施例还提供一种数据保密处理方法,所述数据保密处理方法可以包括STEP701至STEP703。
STEP701,通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识。
STEP702,依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;其中,所述目标专家系统决策模型为采用结合相关内容的数据保密处理方法得到的。
STEP703、结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理。
这里的保密辅助服务器中的设定云端业务交互大数据实现已经完成数据保密处理的业务交互大数据。
举例而言,在得到目标专家系统决策模型之后,可以通过目标专家系统决策模型对业务交互大数据进行特征挖掘,得到较为准确的安全要素决策知识。就一些示例而言,目标专家系统决策模型可以应用于业务交互大数据的匹配处理。比如,通过目标专家系统决策模型从包含目标业务交互大数据的云端业务交互大数据中提取安全要素决策知识,然后在保密辅助服务器中进行类似的设定云端业务交互大数据的查找,确定出相应的已保密业务交互大数据。
就一些示例而言,目标安全要素决策知识可以是存在保密防护需求的云端业务交互大数据中的业务交互大数据的特征,与存在保密防护需求的云端业务交互大数据对应的已保密业务交互大数据可以是,包含与云端业务交互大数据中相同的目标业务互动项目(如,文件共享项目)的云端业务交互大数据。
可以理解的是,鉴于目标专家系统决策模型是基于上述实施例调试好的准确性过大、效果较好的专家系统决策模型,所以通过目标专家系统决策模型获取的存在保密防护需求的云端业务交互大数据的目标安全要素决策知识的准确性过大。进而根据准确性过大的目标安全要素决策知识,确定的与待处理云端业务交互大数据对应的已保密业务交互大数据的准确性也过大。
就一些示例而言,在STEP702中,所述依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据,可以包括STEP7021和STEP7022。
STEP7021,将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到联合分析结果。
就一些示例而言,保密辅助服务器中可以包括设定云端业务交互大数据以及设定云端业务交互大数据的安全要素决策知识,设定云端业务交互大数据的安全要素决策知识可以是预先通过目标专家系统决策模型对设定云端业务交互大数据进行特征挖掘得到的安全要素决策知识,也可以是预先通过其他专家系统决策模型对云端业务交互大数据进行特征挖掘得到的安全要素决策知识。设定云端业务交互大数据的安全要素决策知识,可以是设定云端业务交互大数据中业务交互大数据的特征。
在对存在保密防护需求的云端业务交互大数据进行特征挖掘后,可以将提取得到的目标安全要素决策知识与保密辅助服务器中的各个设定云端业务交互大数据的安全要素决策知识一一进行联合分析,判断各个设定业务交互大数据的安全要素决策知识是否与目标安全要素决策知识相同,或者判断各个设定业务交互大数据的安全要素决策知识是否与目标安全要素决策知识的共性评分大于设定共性评分判定值,从而判断各个设定云端业务交互大数据中是否包含与存在保密防护需求的云端业务交互大数据中相同的文件共享项目。
STEP7022,依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据。
比如,联合分析结果(比较结果)可以是各个设定业务交互大数据的安全要素决策知识与目标安全要素决策知识的共性评分(相似度),可以将共性评分大于设定共性评分判定值的安全要素决策知识对应的设定云端业务交互大数据确定为已保密业务交互大数据。
其中,由于业务交互大数据的安全要素决策知识可以准确的反映该业务交互大数据的特征,将所述目标安全要素决策知识与各个设定云端业务交互大数据的安全要素决策知识进行联合分析,则可以较为准确地从保密辅助服务器中确定出与待处理云端业务交互大数据对应的已保密业务交互大数据。
就一些示例而言,在STEP7021中,所述将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,可以包括:将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识之间的共性评分。
在STEP7022中,所述依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据,可以包括:将与所述目标安全要素决策知识之间的共性评分大于设定共性评分判定值的安全要素决策知识所对应的所述设定云端业务交互大数据,确定为所述已保密业务交互大数据。
就一些示例而言,安全要素决策知识可以是向量字段的安全要素决策知识,可以通过确定目标安全要素决策知识与各个设定云端业务交互大数据的安全要素决策知识的共性评分(如,欧式共性评分),来得到目标安全要素决策知识与各个设定云端业务交互大数据的安全要素决策知识的共性评分,进而得到存在保密防护需求的云端业务交互大数据与各个设定云端业务交互大数据的共性评分。
设定共性评分判定值可以灵活设置。在目标安全要素决策知识与某个设定云端业务交互大数据的安全要素决策知识共性评分大于设定共性评分判定值的基础上,表明该设定云端业务交互大数据中包含与云端业务交互大数据中相同的文件共享项目。
可以理解的是,则可以通过设定云端业务交互大数据中的各个设定云端业务交互大数据与目标安全要素决策知识之间的共性评分,将与目标安全要素决策知识之间的共性评分大于设定共性评分判定值的安全要素决策知识所对应的设定云端业务交互大数据,确定为已保密业务交互大数据,则可以找到与存在保密防护需求的云端业务交互大数据非常相似的云端业务交互大数据。
在一些可能的示例中,以下为本发明一实施例公开的数据保密处理方法的另一设计思路,包括以下STEP801-STEP811。
STEP801,获取至少两组待认证业务交互大数据作为设定调试样例集,通过设定拆解规则对设定调试样例集中的待认证业务交互大数据进行拆解,得到不少于两组待认证业务交互大数据。
其中,待认证业务交互大数据可以是文本大数据,通过设定拆解规则对设定调试样例集中的待认证业务交互大数据进行拆解可以是按照业务交互大数据的完整性、多样性或质量评分对设定调试样例集中的待认证业务交互大数据进行拆解。
STEP802,从注释配置方案集合中,确定各个组对应的注释配置方案;通过各个组对应的注释配置方案,对各组待认证业务交互大数据进行处理,得到每一个待认证业务交互大数据的先验注释,根据每一个待认证业务交互大数据和每一个待认证业务交互大数据的先验注释,得到已认证业务交互大数据。
其中,注释配置方案集合中可以包含至少两种注释配置方案。比如,注释配置方案集合中可以包含通过注释赋值模型生成第一注释的第一注释配置方案和通过手动生成第二注释的第二注释配置方案;或者,注释配置方案集合中可以包含多种不同的用于生成第一注释的注释赋值模型。
STEP803,对已认证业务交互大数据进行前处理。
就一些示例而言,对已认证业务交互大数据进行前处理可以包括:将已认证业务交互大数据的数据维度改进为设定数据维度,对固定数据维度的已认证业务交互大数据的数据块的特征描述值进行挤压处理,将进行挤压处理后的已认证业务交互大数据的数据块的特征描述值减去设定的平均特征描述值,再除以设定的特征描述值标准差。这样一来,可以提高模型调试的时效性。
STEP804,通过第一专家系统决策模型,获取前处理后的已认证业务交互大数据的安全要素决策知识。
就一些示例而言,第一专家系统决策模型可以是没有进行调试或已开始调试但未调试完成的深度学习模型。
STEP805,对获取得到的已认证业务交互大数据的安全要素决策知识进行运算处理。
其中,安全要素决策知识可以是向量字段的安全要素决策知识,对获取得到的已认证业务交互大数据的安全要素决策知识进行运算处理可以是将安全要素决策知识除以安全要素决策知识的向量模。
STEP806,基于已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与已认证业务交互大数据对应的一组已选定多元回归分析核;通过一组已选定多元回归分析核,对已认证业务交互大数据的安全要素决策知识进行处理,得到与已认证业务交互大数据对应的多元回归分析数据。
比如,通过第一组多元回归分析核对具有第一个种类的先验注释的已认证业务交互大数据的安全要素决策知识进行处理,得到与具有第一个种类的先验注释的已认证业务交互大数据对应的第一多元回归分析数据;通过第二组多元回归分析核对具有第二个种类的先验注释的已认证业务交互大数据的安全要素决策知识进行处理,得到与具有第二个种类的先验注释的已认证业务交互大数据对应的第二多元回归分析数据。
STEP807,根据与已认证业务交互大数据对应的多元回归分析数据,得到已认证业务交互大数据在设定种类中的每个种类的估计可能性列表;根据已认证业务交互大数据的先验注释,得到已认证业务交互大数据在设定种类中的每个种类的命中评分列表。
STEP808,确定估计可能性列表和命中评分列表的三元组损失,得到损失函数值。
就一些示例而言,已认证业务交互大数据的先验注释的种类可以为第一注释,也可以为第二注释。在已认证业务交互大数据的先验注释的种类为第一注释的基础上,根据与已认证业务交互大数据对应的第一多元回归分析数据,得到该已认证业务交互大数据在设定种类中的每个种类的第一估计可能性列表,并根据该已认证业务交互大数据的先验注释确定该已认证业务交互大数据的第一命中评分列表;确定第一估计可能性列表和第一命中评分列表的三元组损失,得到第一损失函数值。
在已认证业务交互大数据的先验注释的种类为第二注释的基础上,根据与已认证业务交互大数据对应的第二多元回归分析数据,得到该已认证业务交互大数据在设定种类中的每个种类的第二估计可能性列表,并根据该已认证业务交互大数据的先验注释确定该已认证业务交互大数据的第二命中评分列表;确定第二估计可能性列表和第二命中评分列表的三元组损失,得到第二损失函数值;将第一损失函数值和第二损失函数值的和,确定为损失函数值。
STEP809,确定损失函数值的变化特征(梯度数据),并通过反馈变化特征,改进第一专家系统决策模型和不少于两组多元回归分析核的模型变量。
STEP810,在第一专家系统决策模型的模型变量改进轮次大于等于设定轮次的基础上,将当前的第一专家系统决策模型确定为目标专家系统决策模型。
其中,在改进第一专家系统决策模型的模型变量之后,可以确定第一专家系统决策模型的模型变量改进轮次是否大于等于设定轮次。在第一专家系统决策模型的模型变量改进轮次小于设定轮次的基础上,继续通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识。
举例而言,第一专家系统决策模型的模型变量改进轮次大于等于设定轮次可以表示该第一专家系统决策模型已经调试完成,比如第一专家系统决策模型的性能已调试完毕。因此可以将当前的第一专家系统决策模型确定为目标专家系统决策模型。第一专家系统决策模型的模型变量改进轮次小于设定轮次可以表示该第一专家系统决策模型还未调试完成,需要继续调试。因此,在第一专家系统决策模型的模型变量改进轮次小于设定轮次的基础上,可以反复实施STEP804-STEP810。
STEP811,通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;根据目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与云端业务交互大数据对应的已保密业务交互大数据。
就一些示例而言,可以将所述目标安全要素决策知识与各个设定云端业务交互大数据的安全要素决策知识进行联合分析,得到目标安全要素决策知识与各个设定云端业务交互大数据的安全要素决策知识之间的共性评分,将不少于一个设定云端业务交互大数据按照共性评分降序整理,将共性评分大于设定共性评分判定值的设定云端业务交互大数据或共性评分位于队列前设定数目的设定云端业务交互大数据确定为已保密业务交互大数据。
进一步地,在STEP703中,结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理,示例性可以通过如下方式实现:通过分析已保密业务交互大数据的数据保密方式、数目保密对象等一系列的数据保密指示,然后结合已保密业务交互大数据与存在保密防护需求的云端业务交互大数据的相似度,对已保密业务交互大数据的数据保密方案进行适应性调整,然后沿用到存在保密防护需求的云端业务交互大数据的数据保密处理过程中。举例而言,数据保密处理包括但不限于匿名化处理和权限认证处理,匿名化处理包括K匿名化技术,权限认证处理包括随机数验证等,当然,本领域技术人员也可以根据实际情况选择合适的数据保密方式进行沿用。
在一些可独立实施的设计思路下,在结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理之后,该方法还可以包括如下内容:获取目标用户端针对目标业务交互大数据的数据保密评价;基于所述数据保密评价对所述目标业务交互大数据进行数据保密优化;其中,所述目标业务交互大数据为完成数据保密处理的云端业务交互大数据;所述目标用户端对应于所述目标业务交互大数据。
举例而言,目标业务交互大数据的数据拥有方(也即目标用户端)可以对目标业务交互大数据进行数据保密质量的分析,比如核查保密处理是否完善,如果不完善或者存在主观上修改,可以向数据保密处理云平台反馈数据保密评价,以使数据保密处理云平台基于数据保密评价对目标业务交互大数据进行再次的数据保密优化,进而提高数据保密处理的智能化程度和灵活性。
在一些可独立实施的设计思路下,基于所述数据保密评价对所述目标业务交互大数据进行数据保密优化,可以包括如下内容:获取所述数据保密评价中的保密建议文本;对所述保密建议文本中的多个保密建议消息分别进行缺陷型建议特征挖掘(比如针对可能存在保密不完善的内容的建议特征)和主观型建议特征挖掘(比如用户端自行定制的个性化保密优化建议),得到缺陷型建议特征挖掘报告和主观型建议特征挖掘报告;通过第一预设提炼策略,对所述缺陷型建议特征挖掘报告进行第一提炼处理(比如可以理解为特征校对处理),得到包括有缺陷型建议特征的第一特征挖掘信息;通过第二预设提炼策略,对所述主观型建议特征挖掘报告进行第二提炼处理,得到包括有主观型建议特征的第二特征挖掘信息;基于所述第一特征挖掘信息和所述第二特征挖掘信息进行融合处理,得到所述保密建议文本中与目标建议特征相匹配的保密优化指示;所述目标建议特征包括缺陷型建议特征和主观型建议特征中的至少一种,利用所述保密优化指示对所述目标业务交互大数据进行数据保密优化。如此,能够综合不同类型的保密建议特征,从而确保数据保密优化的完整性和可靠性。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种数据保密处理系统30的架构示意图,包括互相之间通信的数据保密处理云平台10和数据用户端20,数据保密处理云平台10和数据用户端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地,还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数据保密处理方法,其特征在于,应用于数据保密处理云平台,所述方法包括:
通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;
依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;
结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理;
所述依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据,包括:
将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到联合分析结果;
依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据;
所述将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,包括:将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识之间的共性评分;
所述依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据,包括:将与所述目标安全要素决策知识之间的共性评分大于设定共性评分判定值的安全要素决策知识所对应的所述设定云端业务交互大数据,确定为所述已保密业务交互大数据。
2.根据权利要求1所述的方法,其特征在于,所述目标专家系统决策模型的调试步骤如下:
通过第一专家系统决策模型,获取已认证业务交互大数据的安全要素决策知识;
结合所述已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与所述已认证业务交互大数据对应的一组已选定多元回归分析核;
通过所述一组已选定多元回归分析核,对所述已认证业务交互大数据的安全要素决策知识进行处理,得到与所述已认证业务交互大数据对应的多元回归分析数据;
根据与所述已认证业务交互大数据对应的所述多元回归分析数据,以及所述已认证业务交互大数据的先验注释,至少对所述第一专家系统决策模型的模型变量进行改进,得到已调试的目标专家系统决策模型。
3.根据权利要求2所述的方法,其特征在于,所述不少于两组多元回归分析核包括第一组多元回归分析核和第二组多元回归分析核;所述第一组多元回归分析核和所述第二组多元回归分析核中皆包含对云端业务交互大数据中的设定业务互动项目进行区分的多元回归分析核;
所述结合所述已认证业务交互大数据的先验注释的种类,从不少于两组多元回归分析核中确定与所述已认证业务交互大数据对应的一组已选定多元回归分析核,包括:在所述已认证业务交互大数据的先验注释的种类为第一注释的基础上,将所述第一组多元回归分析核确定为与所述已认证业务交互大数据对应的一组已选定多元回归分析核;在所述已认证业务交互大数据的先验注释的种类为第二注释的基础上,将所述第二组多元回归分析核确定为与所述已认证业务交互大数据对应的一组已选定多元回归分析核。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过设定拆解规则对设定调试样例集中的待认证业务交互大数据进行拆解,得到不少于两组所述待认证业务交互大数据;其中,每组待认证业务交互大数据包括至少一个所述待认证业务交互大数据;
从注释配置方案集合中,确定各个组对应的注释配置方案;其中,每个所述注释配置方案用于配置一个种类的先验注释;
通过各个组对应的注释配置方案,对各组所述待认证业务交互大数据进行处理,得到各组所述待认证业务交互大数据中每一个所述待认证业务交互大数据的先验注释;其中,每一组所述待认证业务交互大数据中皆包含先验注释反映设定业务互动项目的至少一个待认证业务交互大数据;
根据每一个所述待认证业务交互大数据和每一个所述待认证业务交互大数据的先验注释,得到至少一个已认证业务交互大数据。
5.根据权利要求4所述的方法,其特征在于,所述通过各个组对应的注释配置方案,对各组所述待认证业务交互大数据进行处理,得到各组所述待认证业务交互大数据中每一个所述待认证业务交互大数据的先验注释,包括:通过设定知识挖掘算法,获取当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识;依据所述当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成所述当前存在保密防护需求的待认证业务交互大数据组中每一个所述待认证业务交互大数据的第一注释;其中,所述当前存在保密防护需求的待认证业务交互大数据组中包括第一注释反映所述设定业务互动项目的至少一个待认证业务交互大数据。
6.根据权利要求5所述的方法,其特征在于,所述设定知识挖掘算法包括所述第一专家系统决策模型和第二专家系统决策模型,所述通过设定知识挖掘算法,获取当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,包括:通过所述第一专家系统决策模型,获取当前存在保密防护需求的待认证业务交互大数据组中的第一交互大数据队列的第一安全要素决策知识;通过所述第二专家系统决策模型,获取所述当前存在保密防护需求的待认证业务交互大数据组中的第二交互大数据队列的第二安全要素决策知识;
所述依据所述当前存在保密防护需求的待认证业务交互大数据组中的所述待认证业务交互大数据的安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成所述当前存在保密防护需求的待认证业务交互大数据组中每一个所述待认证业务交互大数据的第一注释,包括:通过设定分团处理指示,依据所述第一安全要素决策知识和所述第二安全要素决策知识,对所述当前存在保密防护需求的待认证业务交互大数据组中的每一待认证业务交互大数据进行分团处理,生成所述当前存在保密防护需求的待认证业务交互大数据组中每一个所述待认证业务交互大数据的第一注释。
7.一种数据保密处理系统,其特征在于,包括互相之间通信的数据保密处理云平台和数据用户端;所述数据保密处理云平台用于:通过目标专家系统决策模型,确定存在保密防护需求的云端业务交互大数据的目标安全要素决策知识;依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据;结合所述已保密业务交互大数据所携带的数据保密指示,对所述存在保密防护需求的云端业务交互大数据进行数据保密处理;
所述依据所述目标安全要素决策知识,从记录在保密辅助服务器的不少于一个设定云端业务交互大数据中,确定与所述云端业务交互大数据对应的已保密业务交互大数据,包括:
将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到联合分析结果;
依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据;
所述将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,包括:将所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识进行联合分析,得到所述目标安全要素决策知识与各个所述设定云端业务交互大数据的安全要素决策知识之间的共性评分;
所述依据所述联合分析结果,从不少于一个所述设定云端业务交互大数据中确定所述已保密业务交互大数据,包括:将与所述目标安全要素决策知识之间的共性评分大于设定共性评分判定值的安全要素决策知识所对应的所述设定云端业务交互大数据,确定为所述已保密业务交互大数据。
8.一种数据保密处理云平台,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186446.9A CN115618377B (zh) | 2022-09-27 | 2022-09-27 | 一种数据保密处理方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186446.9A CN115618377B (zh) | 2022-09-27 | 2022-09-27 | 一种数据保密处理方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618377A CN115618377A (zh) | 2023-01-17 |
CN115618377B true CN115618377B (zh) | 2023-10-27 |
Family
ID=84861117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186446.9A Active CN115618377B (zh) | 2022-09-27 | 2022-09-27 | 一种数据保密处理方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618377B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414703A (zh) * | 2013-07-29 | 2013-11-27 | 电子科技大学 | 基于无线传感网络和云计算的安全订阅发布系统及方法 |
CN111865895A (zh) * | 2020-05-29 | 2020-10-30 | 广西博士海意信息科技有限公司 | 一种基于云平台的数据保密传输方法及系统 |
CN113762968A (zh) * | 2021-04-23 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种交易设备的认证方法、相关装置、设备以及存储介质 |
CN113869525A (zh) * | 2021-10-13 | 2021-12-31 | 平安银行股份有限公司 | 基于大数据的业务规则数据处理方法、装置、设备及介质 |
CN114372585A (zh) * | 2020-10-14 | 2022-04-19 | 新智数字科技有限公司 | 一种基于联合学习的物联网系统及服务方法 |
CN114564566A (zh) * | 2022-03-09 | 2022-05-31 | 萍乡绪锐网络科技有限公司 | 应用云业务联动大数据处理方法及云业务人工智能系统 |
CN114861112A (zh) * | 2022-07-05 | 2022-08-05 | 广州趣米网络科技有限公司 | 基于数据存取和大数据分类的信息分发方法及系统 |
CN114880675A (zh) * | 2022-05-23 | 2022-08-09 | 银川嘉华盟科贸有限公司 | 一种基于智慧云计算的业务漏洞分析方法及服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096950A1 (en) * | 2003-10-29 | 2005-05-05 | Caplan Scott M. | Method and apparatus for creating and evaluating strategies |
-
2022
- 2022-09-27 CN CN202211186446.9A patent/CN115618377B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414703A (zh) * | 2013-07-29 | 2013-11-27 | 电子科技大学 | 基于无线传感网络和云计算的安全订阅发布系统及方法 |
CN111865895A (zh) * | 2020-05-29 | 2020-10-30 | 广西博士海意信息科技有限公司 | 一种基于云平台的数据保密传输方法及系统 |
CN114372585A (zh) * | 2020-10-14 | 2022-04-19 | 新智数字科技有限公司 | 一种基于联合学习的物联网系统及服务方法 |
CN113762968A (zh) * | 2021-04-23 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种交易设备的认证方法、相关装置、设备以及存储介质 |
CN113869525A (zh) * | 2021-10-13 | 2021-12-31 | 平安银行股份有限公司 | 基于大数据的业务规则数据处理方法、装置、设备及介质 |
CN114564566A (zh) * | 2022-03-09 | 2022-05-31 | 萍乡绪锐网络科技有限公司 | 应用云业务联动大数据处理方法及云业务人工智能系统 |
CN114880675A (zh) * | 2022-05-23 | 2022-08-09 | 银川嘉华盟科贸有限公司 | 一种基于智慧云计算的业务漏洞分析方法及服务器 |
CN114861112A (zh) * | 2022-07-05 | 2022-08-05 | 广州趣米网络科技有限公司 | 基于数据存取和大数据分类的信息分发方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115618377A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886290B (zh) | 用户请求的检测方法、装置、计算机设备及存储介质 | |
CN113535825A (zh) | 一种基于云计算智能化的数据信息风控处理方法及系统 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110858353B (zh) | 获取案件裁判结果的方法和系统 | |
US20220374515A1 (en) | Universally applicable signal-based controller area network (can) intrusion detection system | |
CN107368526A (zh) | 一种数据处理方法及装置 | |
CN112418656A (zh) | 智能坐席分派方法、装置、计算机设备和存储介质 | |
CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
CN115860836A (zh) | 一种基于用户行为大数据分析的电商服务推送方法及系统 | |
CN112861894A (zh) | 一种数据流分类方法、装置及系统 | |
CN115618377B (zh) | 一种数据保密处理方法、系统及云平台 | |
CN115658620B (zh) | 一种基于大数据的数据授权共享方法及系统 | |
CN111932076A (zh) | 一种规则配置和发布方法、装置及计算设备 | |
CN115221135B (zh) | 一种工业互联网数据的共享方法及系统 | |
CN106790230A (zh) | 数据处理方法、装置、系统、以及数据服务器 | |
CN106528795B (zh) | 一种数据挖掘方法及装置 | |
US20220368701A1 (en) | Automated clustering of sessions of unstructured traffic | |
CN114140259A (zh) | 基于人工智能的核保风控方法、装置、设备及存储介质 | |
CN114726876A (zh) | 一种数据检测方法、装置、设备和存储介质 | |
CN115268847A (zh) | 区块链智能合约的生成方法、装置及电子设备 | |
CN111931035B (zh) | 业务推荐方法、装置及设备 | |
CN107682388A (zh) | 信息推送建议生成方法、装置、计算机设备和存储介质 | |
CN112487295A (zh) | 5g套餐推送方法、装置、电子设备及计算机存储介质 | |
US20190079967A1 (en) | Aggregation and deduplication engine |
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: 20230928 Address after: 9th Floor, Building 3, Zone 6, No. 188 South Fourth Ring West Road, Fengtai District, Beijing, 100070 Applicant after: Beijing Guolian video information technology Co.,Ltd. Address before: No. 85, East Huancheng Road, Erdao District, Changchun City, Jilin Province, 130031 Applicant before: Huang Xing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |