CN115829712A - 数据信息安全分级方法及装置 - Google Patents
数据信息安全分级方法及装置 Download PDFInfo
- Publication number
- CN115829712A CN115829712A CN202211534328.2A CN202211534328A CN115829712A CN 115829712 A CN115829712 A CN 115829712A CN 202211534328 A CN202211534328 A CN 202211534328A CN 115829712 A CN115829712 A CN 115829712A
- Authority
- CN
- China
- Prior art keywords
- data item
- item field
- data
- security level
- level classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据信息安全分级方法及装置,应用于人工智能技术领域,其中该方法包括:获取系统中所有数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。本发明可以保证信息安全,保证银行系统的稳定可靠运行。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及数据信息安全分级方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在银行系统中,客户、银行柜员、接入银行系统的第三方等角色,都可以通过查询交易获取到客户的隐私信息,银行如果不对数据信息进行分级,极有可能因对数据信息的保护粒度过粗造成信息泄露,增加客户被诈骗的风险。
发明内容
本发明实施例提供一种数据信息安全分级方法,用以实现对银行系统中的数据信息进行安全级别的自主判定,保证银行系统的可靠稳定运行,更加有效地保护客户的隐私和利益,该方法包括:
对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;
根据所述释义,得到每个数据项字段对应的特征向量;
从全部数据项字段中采样,得到样本数据项字段;
对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;
将每个样本数据项字段的特征向量和分级结果,组成数据集;
通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
本发明实施例还提供一种数据信息安全分级装置,用以实现对银行系统中的数据信息进行安全级别的自主判定,保证银行系统的可靠稳定运行,更加有效地保护客户的隐私和利益,该装置包括:
特征处理模块,用于对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;
采样标注模块,用于从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;
模型训练模块,用于通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
数据分级模块,用于将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述数据信息安全分级方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述数据信息安全分级方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述数据信息安全分级方法。
本发明实施例中,对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。与现有技术中基于安全数据流流向序列组合提取特征,并构建分级模型的技术方案相比,本发明通过获取每个数据项字段的释义,对样本数据项进行交叉标注,从而快速建立统一的判别标准,方便后续模型训练测试及新数据项字段的加入,保证信息安全,保证银行系统的稳定可靠运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。在附图中:
图1为本发明实施例中数据信息安全分级方法的流程图;
图2为本发明实施例中获取数据项字段的特征向量的流程图;
图3为本发明实施例中获得安全级别分类模型的流程图;
图4为本发明实施例中训练深度神经网络模型的流程图;
图5为本发明实施例中数据信息安全分级装置的示意图;
图6为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
为了解决现有技术存在的技术问题,本发明提出了一种数据信息安全分级方法,用以实现对银行系统中的数据信息进行安全级别的自主判定,保证银行系统的可靠稳定运行,更加有效地保护客户的隐私和利益。图1为本发明实施例中数据信息安全分级方法的流程图,如图1所示,该方法包括如下步骤:
步骤101,对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;
步骤102,根据所述释义,得到每个数据项字段对应的特征向量;
步骤103,从全部数据项字段中采样,得到样本数据项字段;
步骤104,对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;
步骤105,将每个样本数据项字段的特征向量和分级结果,组成数据集;
步骤106,通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
步骤107,将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
由图1所示流程可以得知,本发明实施例通过获取每个数据项字段的释义,对样本数据项进行交叉标注,从而快速建立统一的判别标准,方便后续模型训练测试及新数据项字段的加入,保证信息安全,保证银行系统的稳定可靠运行。
具体实施时,获取该数据项字段在词典中的释义,包括:在该数据项字段为一个组成词时,通过分词工具分词,获得每个词在词典中的释义。
具体实施时,可以在全部数据项字段集合中按一定比例随机抽取部分数据项字段,例如,这个比例可以是20%,作为样本数据项字段。
在一实施例中,在有新的数据项字段时,输入所述安全级别分类模型,获得新的数据项字段的分类结果;在数据项字段的分级结果改变时,基于改变的数据项字段的分级结果重新训练获得安全级别分类模型;使银行系统中的所有数据信息都能被统一的标准进行判别,并被划分到合理的安全级别上,以便于银行系统对不同级别的数据信息提供不同粒度的保护措施。
具体实施时,获取样本数据项字段后,制定数据项标注说明,包括:分类标准、安全级别标准和评判标准;按照标注说明,对每个样本数据项字段进行多次标注,取每个数据项字段的分值的算术平均数作为样本数据项字段的分级结果,至此,每个样本数据项字段已具备特征向量和安全分级结果,根据所有样本数据项组成数据集,用于模型训练及测试。
图2为本发明实施例中获取数据项字段的特征向量的流程图,如图2所示,本实施例中,根据所述释义,得到每个数据项字段对应的特征向量,包括:
步骤201,通过分词工具,对每个数据项字段的释义进行分词;
步骤202,将分词结果利用词袋模型进行特征向量化,得到每个数据项字段对应的特征向量。
具体地,一个数据项字段可能存在一条或多条释义,均通过分词工具进行分词,并获取一个或多个分词结果的特征向量,作为该数据项字段的特征,用于组成数据项字段的数据集。
图3为本发明实施例中获得安全级别分类模型的流程图,如图3所示,本实施例中,通过数据集中的数据训练获得安全级别分类模型,包括:
步骤301,通过数据集中的数据训练多个深度神经网络模型,获得多个训练好的深度神经网络模型,所述训练好的深度神经网络模型用于对数据项字段进行安全级别分类;
步骤302,从多个训练好的深度神经网络模型中选择安全级别分类结果准确率最高的深度神经网络模型作为安全级别分类模型。
在一实施例中,通过不断调整参数提高测试集的测试准确率,最终选取对测试集中数据分类结果准确率最高的深度神经网络模型作为安全级别分类模型。
具体实施时,训练模型过程中不断调整模深度神经网络模型参数,会迭代产生多个模型,迭代后深度神经网络模型测试准确率可能不如前一个深度神经网络模型,因此需要对产生的所有深度神经网络模型进行测试,始终选择测试准确率最高的深度神经网络模型与新的深度神经网络模型对比,最终选取测试准确率最高的深度神经网络模型作为安全级别分类模型,实现以统一的判别标准,自主识别判定银行系统中数据项字段的安全等级。
图4为本发明实施例中训练深度神经网络模型的流程图,如图4所示,本实施例中,通过数据集中的数据训练获得安全级别分类模型,还包括:
步骤401,将数据集分为训练集和测试集;
步骤402,基于所述训练集训练深度神经网络模型;
步骤403,基于所述测试集测试训练好的深度神经网络模型的准确性。
具体实施时,可以按照一定比例取数据集中的数据作为训练集,用于训练深度神经网络模型,例如,这个比例可以是80%,其余数据作为测试集,用于测试训练好的深度神经网络模型。
本发明实施例基于对数据项字段进行分词和交叉标注,通过训练深度神经网络模型,实现对数据信息的安全分级。同时在某些分级结果更改时,可以重新训练模型,并对系统中的数据项字段重新标注,完成分级更新重新定级,实现对数据自主分级,提升运营效率。
综上所述,在本发明实施例提出的方法中,对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。与现有技术中基于安全数据流流向序列组合提取特征,并构建分级模型的技术方案相比,本发明通过获取每个数据项字段的释义,对样本数据项进行交叉标注,从而快速建立统一的判别标准,方便后续模型训练测试及新数据项字段的加入,保证信息安全,保证银行系统的稳定可靠运行。
本发明实施例中还提供了一种数据信息安全分级装置,如下面的实施例所述。由于该装置解决问题的原理与数据信息安全分级方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图5为本发明实施例中数据信息安全分级装置的示意图,如图5所示,该装置包括:
特征处理模块501,用于对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;
采样标注模块502,用于从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;
模型训练模块503,用于通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
数据分级模块504,用于将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
在一实施例中,特征处理模块具体用于:
通过分词工具,对每个数据项字段的释义进行分词,并将分词结果利用词袋模型进行特征向量化,得到每个数据项字段对应的特征向量。
在一实施例中,采样标注模块具体用于:
对样本数据项字段按照如下要求中的至少一种进行交叉标注:
分类标准,安全级别标准,评判标准。
在一实施例中,特征处理模块还用于:
取每个数据项字段的分值的算术平均数作为样本数据项字段的分级结果。
在一实施例中,模型训练模块具体用于:
通过数据集中的数据训练多个深度神经网络模型,获得多个训练好的深度神经网络模型,所述训练好的深度神经网络模型用于对数据项字段进行安全级别分类;
从多个训练好的深度神经网络模型中选择安全级别分类结果准确率最高的深度神经网络模型作为安全级别分类模型。
在一实施例中,模型训练模块还用于:
将数据集分为训练集和测试集;
基于所述训练集训练深度神经网络模型;
基于所述测试集测试训练好的深度神经网络模型的准确性。
在一实施例中,特征处理模块还用于:
在有新的数据项字段时,输入所述安全级别分类模型,获得新的数据项字段的分类结果;
在数据项字段的分级结果改变时,基于改变的数据项字段的分级结果重新训练获得安全级别分类模型。
综上所述,在本发明实施例提出的装置中,特征处理模块,用于对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;采样标注模块,用于从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;模型训练模块,用于通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;数据分级模块,用于将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。与现有技术中基于安全数据流流向序列组合提取特征,并构建分级模型的技术方案相比,本发明通过获取每个数据项字段的释义,对样本数据项进行交叉标注,从而快速建立统一的判别标准,方便后续模型训练测试及新数据项字段的加入,保证信息安全,保证银行系统的稳定可靠运行。
本发明实施例还提供一种计算机设备,图6为本发明实施例中计算机设备的示意图,所述计算机设备600包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630,所述处理器620执行所述计算机程序630时实现上述数据信息安全分级方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述数据信息安全分级方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述数据信息安全分级方法。
综上所述,本发明实施例中,对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。与现有技术中基于安全数据流流向序列组合提取特征,并构建分级模型的技术方案相比,本发明通过获取每个数据项字段的释义,对样本数据项进行交叉标注,从而快速建立统一的判别标准,方便后续模型训练测试及新数据项字段的加入,保证信息安全,保证银行系统的稳定可靠运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (17)
1.一种数据信息安全分级方法,其特征在于,包括:
对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;
根据所述释义,得到每个数据项字段对应的特征向量;
从全部数据项字段中采样,得到样本数据项字段;
对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;
将每个样本数据项字段的特征向量和分级结果,组成数据集;
通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
2.如权利要求1所述的方法,其特征在于,根据所述释义,得到每个数据项字段对应的特征向量,包括:
通过分词工具,对每个数据项字段的释义进行分词,并将分词结果利用词袋模型进行特征向量化,得到每个数据项字段对应的特征向量。
3.如权利要求1所述的方法,其特征在于,对样本数据项字段进行交叉标注,包括:
对样本数据项字段按照如下要求中的至少一种进行交叉标注:
分类标准,安全级别标准,评判标准。
4.如权利要求1所述的方法,其特征在于,根据所述分值获得样本数据项字段的分级结果,包括:
取每个数据项字段的分值的算术平均数作为样本数据项字段的分级结果。
5.如权利要求1所述的方法,其特征在于,通过数据集中的数据训练获得安全级别分类模型,包括:
通过数据集中的数据训练多个深度神经网络模型,获得多个训练好的深度神经网络模型,所述训练好的深度神经网络模型用于对数据项字段进行安全级别分类;
从多个训练好的深度神经网络模型中选择安全级别分类结果准确率最高的深度神经网络模型作为安全级别分类模型。
6.如权利要求5所述的方法,其特征在于,通过数据集中的数据训练多个深度神经网络模型,获得多个训练好的深度神经网络模型,包括:
将数据集分为训练集和测试集;
基于所述训练集训练深度神经网络模型;
基于所述测试集测试训练好的深度神经网络模型的准确性。
7.如权利要求1所述的方法,其特征在于,还包括:
在有新的数据项字段时,输入所述安全级别分类模型,获得新的数据项字段的分类结果;
在数据项字段的分级结果改变时,基于改变的数据项字段的分级结果重新训练获得安全级别分类模型。
8.一种数据信息安全分级装置,其特征在于,包括:
特征处理模块,用于对系统中存储的每一个数据项字段,获取该数据项字段在词典中的释义;根据所述释义,得到每个数据项字段对应的特征向量;
采样标注模块,用于从全部数据项字段中采样,得到样本数据项字段;对样本数据项字段进行交叉标注,获得样本数据项字段的分值,并根据所述分值获得样本数据项字段的分级结果;将每个样本数据项字段的特征向量和分级结果,组成数据集;
模型训练模块,用于通过数据集中的数据训练获得安全级别分类模型,所述安全级别分类模型用于对数据项进行安全级别分类;
数据分级模块,用于将所有数据项字段输入所述安全级别分类模型,获得所有数据项字段的分类结果。
9.如权利要求8所述的装置,其特征在于,特征处理模块具体用于:
通过分词工具,对每个数据项字段的释义进行分词,并将分词结果利用词袋模型进行特征向量化,得到每个数据项字段对应的特征向量。
10.如权利要求8所述的装置,其特征在于,采样标注模块具体用于:
对样本数据项字段按照如下要求中的至少一种进行交叉标注:
分类标准,安全级别标准,评判标准。
11.如权利要求8所述的装置,其特征在于,特征处理模块还用于:
取每个数据项字段的分值的算术平均数作为样本数据项字段的分级结果。
12.如权利要求8所述的装置,其特征在于,模型训练模块具体用于:
通过数据集中的数据训练多个深度神经网络模型,获得多个训练好的深度神经网络模型,所述训练好的深度神经网络模型用于对数据项字段进行安全级别分类;
从多个训练好的深度神经网络模型中选择安全级别分类结果准确率最高的深度神经网络模型作为安全级别分类模型。
13.如权利要求12所述的装置,其特征在于,模型训练模块还用于:
将数据集分为训练集和测试集;
基于所述训练集训练深度神经网络模型;
基于所述测试集测试训练好的深度神经网络模型的准确性。
14.如权利要求8所述的装置,其特征在于,特征处理模块还用于:
在有新的数据项字段时,输入所述安全级别分类模型,获得新的数据项字段的分类结果;
在数据项字段的分级结果改变时,基于改变的数据项字段的分级结果重新训练获得安全级别分类模型。
15.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
17.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534328.2A CN115829712A (zh) | 2022-11-28 | 2022-11-28 | 数据信息安全分级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534328.2A CN115829712A (zh) | 2022-11-28 | 2022-11-28 | 数据信息安全分级方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829712A true CN115829712A (zh) | 2023-03-21 |
Family
ID=85544836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534328.2A Pending CN115829712A (zh) | 2022-11-28 | 2022-11-28 | 数据信息安全分级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829712A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796371A (zh) * | 2023-08-24 | 2023-09-22 | 北京创元天成科技发展有限公司 | 一种客户数据安全信息分级处理系统 |
-
2022
- 2022-11-28 CN CN202211534328.2A patent/CN115829712A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796371A (zh) * | 2023-08-24 | 2023-09-22 | 北京创元天成科技发展有限公司 | 一种客户数据安全信息分级处理系统 |
CN116796371B (zh) * | 2023-08-24 | 2023-11-21 | 北京创元天成科技发展有限公司 | 一种客户数据安全信息分级处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
CN106776538A (zh) | 企业非标准格式文档的信息提取方法 | |
CN110232373A (zh) | 人脸聚类方法、装置、设备和存储介质 | |
CN107133628A (zh) | 一种建立数据识别模型的方法及装置 | |
CN109981625B (zh) | 一种基于在线层次聚类的日志模板抽取方法 | |
CN104331436A (zh) | 基于家族基因码的恶意代码快速归类方法 | |
CN116049831A (zh) | 一种基于静态分析和动态分析的软件漏洞检测方法 | |
CN116361801B (zh) | 基于应用程序接口语义信息的恶意软件检测方法及系统 | |
US20220179955A1 (en) | Mobile malicious code classification method based on feature selection and recording medium and device for performing the same | |
CN111221960A (zh) | 文本检测方法、相似度计算方法、模型训练方法及装置 | |
CN115017511A (zh) | 一种源代码漏洞检测方法、装置以及存储介质 | |
CN115829712A (zh) | 数据信息安全分级方法及装置 | |
CN112035345A (zh) | 一种基于代码片段分析的混合深度缺陷预测方法 | |
CN115859302A (zh) | 源代码漏洞检测方法、装置、设备及存储介质 | |
CN113408558A (zh) | 用于模型验证的方法、装置、设备和介质 | |
Daw et al. | Machine learning applications using Waikato environment for knowledge analysis | |
CN110990834B (zh) | 一种android恶意软件的静态检测方法、系统及介质 | |
CN114238740A (zh) | 一种确定代理主体代理品牌的方法及装置 | |
CN110348023A (zh) | 一种中文文本分词的方法、装置、存储介质及电子设备 | |
Onoja et al. | Exploring the effectiveness and efficiency of LightGBM algorithm for windows malware detection | |
KR20200080401A (ko) | 데이터 분류 규칙 추정 방법, 이를 수행하기 위한 장치 및 기록매체 | |
CN112035670B (zh) | 基于图像情感倾向的多模态谣言检测方法 | |
CN111552970B (zh) | 基于三位一体综合画像的恶意代码检测及恶意性定位方法 | |
CN108563950B (zh) | 基于SVM的Android恶意软件检测方法 | |
CN113269137A (zh) | 一种结合PCANet和遮挡定位的非配合人脸识别方法 |
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 |