CN115906170B - 应用于存储集群的安全防护方法及ai系统 - Google Patents
应用于存储集群的安全防护方法及ai系统 Download PDFInfo
- Publication number
- CN115906170B CN115906170B CN202211534540.9A CN202211534540A CN115906170B CN 115906170 B CN115906170 B CN 115906170B CN 202211534540 A CN202211534540 A CN 202211534540A CN 115906170 B CN115906170 B CN 115906170B
- Authority
- CN
- China
- Prior art keywords
- target object
- data
- object data
- target
- segment
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000005065 mining Methods 0.000 claims description 94
- 239000013598 vector Substances 0.000 claims description 86
- 238000012216 screening Methods 0.000 claims description 32
- 239000012634 fragment Substances 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012512 characterization method Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的应用于存储集群的安全防护方法及AI系统，涉及数据处理技术领域。在本发明中，依据数据改写指令确定出对应的目标对象数据，并确定目标对象数据对应的目标存储设备，目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备。通过目标数据识别神经网络对目标对象数据进行数据重要度的识别，确定出目标对象数据对应的目标数据重要度表征值，目标数据重要度表征值用于反映目标对象数据本身的数据具有的数据重要程度。依据目标数据重要度表征值，对目标对象数据进行改写保护操作，以完成对目标对象数据的改写保护。基于上述方法，可以在一定程度上提高数据的安全性。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种应用于存储集群的安全防护方法及AI系统。
背景技术
相较于数据的读取，对数据进行改写，对数据本身的影响更大。因此，在现有技术中，一般是针对网络设备进行识别，以确定网络设备是否属于网络攻击设备，然后，在属于网络攻击设备时，阻止网络攻击设备的数据访问，即阻止网络攻击设备对数据进行读取和改写。如此，由于网络攻击设备的识别，如基于设备黑名单的识别，一般具有识别力度较低的问题，而基于设备行为的识别，一般具有较高的滞后性，如此，就导致基于网关攻击设备的识别结果的数据保护的可靠性不高，即数据的安全性不高。
发明内容
有鉴于此，本发明的目的在于提供一种应用于存储集群的安全防护方法及AI系统，以在一定程度上提高数据的安全性。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于存储集群的安全防护方法，包括：
在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备；
通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值，所述目标数据重要度表征值用于反映所述目标对象数据本身的数据具有的数据重要程度，且所述目标对象数据属于文本数据；
依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备的步骤，包括：
对所述目标存储集群包括的存储管理设备下发数据改写上报指令，所述目标存储集群包括的每一个存储设备通过所述存储管理设备与所述目标存储集群以外的其它网络设备进行交互，所述存储管理设备用于在接收到所述数据改写上报指令之后，对所述目标存储集群以外的每一个其它网络设备传输的数据处理指令进行识别，并在识别出所述数据处理指令属于数据改写指令时，对该数据改写指令进行上报处理；
获取到所述存储管理设备上报的数据改写指令；
依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述数据改写指令用于指示对所述目标存储设备存储的所述目标对象数据进行改写操作。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值的步骤，包括：
确定出待提取出的目标对象数据片段的目标片段提取数目，再基于所述目标对象数据包括的对象数据片段的片段累计数目和所述目标片段提取数目，计算出待提取出的目标对象数据片段的目标片段筛选参数；
基于所述目标片段筛选参数，在所述目标对象数据中，提取出所述目标对象数据包括的多个目标对象数据片段，所述目标对象数据包括的对象数据片段的数目大于或等于所述目标对象数据片段的数目；
分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段；以及，分别对每一个所述有效目标对象数据片段进行关键信息挖掘处理，以输出每一个所述有效目标对象数据片段对应的数据片段关键信息挖掘向量；以及，再依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量；
通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息；
基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段之间的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段的步骤，包括：
对于所述多个目标对象数据片段中的每一个目标对象数据片段，分析出多个文本筛选处理针对区域，再依据所述多个文本筛选处理针对区域，对该目标对象数据片段进行文本筛选处理，形成所述目标对象数据片段对应的多个目标对象数据片段筛选结果；
分别对每一个所述目标对象数据片段的每一个目标对象数据片段筛选结果进行冗余信息筛除处理，形成每一个所述目标对象数据片段对应的多个有效目标对象数据片段。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量的步骤，包括：
对于每一个所述目标对象数据片段，分别确定出该目标对象数据片段对应的多个有效目标对象数据片段中的每一个有效目标对象数据片段对应的数据片段关键信息挖掘向量的向量影响力表征值，再依据所述向量影响力表征值，对该目标对象数据片段的多个有效目标对象数据片段对应的数据片段关键信息挖掘向量加权聚合，形成所述多个有效目标对象数据片段对应的数据片段关键信息挖掘向量的聚合结果；
将所述多个有效目标对象数据片段的数据片段关键信息挖掘向量的聚合结果，标记为所述多个有效目标对象数据片段对应的所述目标对象数据片段对应的目标数据片段关键信息挖掘向量。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息的步骤，包括：
分别确定出每一个所述目标对象数据片段在所述目标对象数据中具有的对应的文本片段分布信息；
对每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述目标对象数据片段对应的文本片段分布信息进行加载处理，以加载到目标数据识别神经网络包括的文本关键信息挖掘模型中，利用所述文本关键信息挖掘模型，对所述文本片段分布信息进行关键信息挖掘处理，以输出所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系；
利用所述文本关键信息挖掘模型，对所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量进行处理，以输出所述多个目标对象数据片段的数据片段相互匹配信息。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段之间的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值的步骤，包括：
依据所述多个目标对象数据片段之间的数据片段相互匹配信息和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出对应的整体融合信息挖掘向量；
对所述整体融合信息挖掘向量进行加载处理，以加载到所述目标数据识别神经网络包括的数据重要度识别模型中，利用所述数据重要度识别模型分析输出所述目标对象数据对应的目标数据重要度表征值。
在一些优选的实施例中，在上述应用于存储集群的安全防护方法中，所述依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护的步骤，包括：
将所述目标数据重要度表征值和预先配置的数据重要度标准值进行大小比较处理，以得到对应的重要度大小比较结果，并获取所述目标对象数据对应的历史改写次数，再对所述历史改写次数和预先配置的历史改写次数表征值进行大小比较处理，以得到对应的改写次数大小比较结果；
在所述重要度大小比较结果反映出所述目标数据重要度表征值大于或等于所述数据重要度标准值的情况下，且在所述改写次数大小比较结果反映出所述历史改写次数小于或等于所述历史改写次数表征值的情况下，在所述目标存储集群包括的所述目标存储设备以外的其它存储设备中，依据每一个所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度，并结合每一个所述其它存储设备存储的其它备份数据的数据量占比，确定出一个满足目标筛选条件的其它存储设备，以标记为所述目标存储设备对应的备份存储设备，在依据所述数据相关程度和所述数据量占比确定出一个满足目标筛选条件的其它存储设备的过程中，所述数据相关程度作为负相关的参考因素，所述数据量占比作为负相关的参考因素；
控制所述目标存储设备对所述目标对象数据进行复制处理，以形成所述目标对象数据对应的备份数据，再将所述备份数据发送给所述备份存储设备进行存储，以完成对所述目标对象数据的改写保护；
在完成对所述目标对象数据的改写保护之后，控制所述目标存储设备执行所述数据改写指令，或者，在所述重要度大小比较结果反映出所述目标数据重要度表征值小于所述数据重要度标准值和/或所述改写次数大小比较结果反映出所述历史改写次数大于所述历史改写次数表征值的情况下，控制所述目标存储设备执行所述数据改写指令。
本发明实施例还提供一种应用于存储集群的安全防护AI系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于存储集群的安全防护方法。
本发明实施例还提供一种可储存介质，该可储存介质属于计算机可读存储介质，且存储有计算机程序，该计算机程序运行时执行上述的应用于存储集群的安全防护方法。
本发明实施例提供的一种应用于存储集群的安全防护方法及AI系统，可以依据数据改写指令确定出对应的目标对象数据，并确定目标对象数据对应的目标存储设备，目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备。通过目标数据识别神经网络对目标对象数据进行数据重要度的识别，确定出目标对象数据对应的目标数据重要度表征值，目标数据重要度表征值用于反映目标对象数据本身的数据具有的数据重要程度。依据目标数据重要度表征值，对目标对象数据进行改写保护操作，以完成对目标对象数据的改写保护。基于前述的内容，针对对数据安全影响较大的数据改写，通过其具有的目标数据重要度表征值进行改写保护操作，使得可以在一定程度上提高数据的安全性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的安全防护系统的结构框图。
图2为本发明实施例提供的应用于存储集群的安全防护方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于存储集群的安全防护装置包括的各模块的示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种应用于存储集群的安全防护AI系统。其中，所述安全防护系统可以包括存储器和处理器。
示例性地，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于存储集群的安全防护方法。
示例性地，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
结合图2，本发明实施例还提供一种应用于存储集群的安全防护方法，可应用于上述安全防护系统。其中，所述应用于存储集群的安全防护方法有关的流程所定义的方法步骤，可以由所述安全防护系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备。
在本发明实施例中，所述安全防护系统可以在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备。所述目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备。
步骤S120，通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值。
在本发明实施例中，所述安全防护系统可以通过目标数据识别神经网络（可以是预先通过样本数据和标注的重要度进行网络优化形成）对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值。所述目标数据重要度表征值用于反映所述目标对象数据本身的数据具有的数据重要程度，且所述目标对象数据属于文本数据。
步骤S130，依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护。
在本发明实施例中，所述安全防护系统可以依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作（具体保护方式不受限制），以完成对所述目标对象数据的改写保护。
基于前述的内容，即步骤S110、步骤S120和步骤S130，针对对数据安全影响较大的数据改写，通过其具有的目标数据重要度表征值进行改写保护操作，使得可以在一定程度上提高数据的安全性，从而改善现有技术中因设备识别可靠度低而存在的安全性不高的问题。
示例性地，对于所述在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备的步骤，在一些实施方式中，可以包括以下内容：
对所述目标存储集群包括的存储管理设备下发数据改写上报指令，所述目标存储集群包括的每一个存储设备通过所述存储管理设备与所述目标存储集群以外的其它网络设备进行交互（也就是说，所述存储管理设备作为所述目标存储集群的对外数据交互的接口），所述存储管理设备用于在接收到所述数据改写上报指令之后，对所述目标存储集群以外的每一个其它网络设备传输的数据处理指令进行识别，并在识别出所述数据处理指令属于数据改写指令时，对该数据改写指令进行上报处理；
获取到所述存储管理设备上报的数据改写指令；
依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述数据改写指令用于指示对所述目标存储设备存储的所述目标对象数据进行改写操作（示例性地，所述数据改写指令中可以具有所述目标对象数据的数据标识信息，且具有所述目标存储设备的设备标识信息，如此，可以直接基于所述数据标识信息和所述设备标识信息确定出对应的目标对象数据和目标存储设备；或者，所述数据改写指令中可以仅具有所述目标对象数据的数据标识信息，如此，可以先基于该数据标识信息确定出对应的目标对象数据，再对所述目标对象数据进行查找以确定出对应的目标存储设备）。
示例性地，对于所述通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值的步骤，在一些实施方式中，可以包括以下内容：
确定出待提取出的目标对象数据片段的目标片段提取数目，再基于所述目标对象数据包括的对象数据片段的片段累计数目和所述目标片段提取数目，计算出待提取出的目标对象数据片段的目标片段筛选参数；
基于所述目标片段筛选参数，在所述目标对象数据中，提取出所述目标对象数据包括的多个目标对象数据片段（所述多个目标对象数据片段的数目等于所述目标片段提取数目，每两个所述目标对象数据片段之间间隔的对象数据片段的数量都相同，如所述目标片段筛选参数），所述目标对象数据包括的对象数据片段的数目大于或等于所述目标对象数据片段的数目（也就是说，所述目标对象数据片段可以是所述目标对象数据的全部数据，也可以是所述目标对象数据中的一部分数据）；
分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段；以及，分别对每一个所述有效目标对象数据片段进行关键信息挖掘处理，以输出每一个所述有效目标对象数据片段对应的数据片段关键信息挖掘向量（示例性地，在获取到每一个目标对象数据片段的多个有效目标对象数据片段后，可以将各个有效目标对象数据片段加载到目标数据识别神经网络包括的数据片段关键信息挖掘模型中，利用所述数据片段关键信息挖掘模型对每一个有效目标对象数据片段进行关键信息挖掘，输出各个有效目标对象数据片段对应的数据片段关键信息挖掘向量。另外，在一种示例中，所述数据片段关键信息挖掘模型可以是卷积网络，该卷积网络可以包括卷积核和激活函数等，所述有效目标对象数据片段在通过所述数据片段关键信息挖掘模型进行处理的过程中，对应的数据尺寸递减，对应的数据维度递增，另外，所述数据片段关键信息挖掘模型挖掘出的文本信息的饱满度递增）；以及，再依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量；
通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息；
基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段之间的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值。
示例性地，对于所述分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段的步骤，在一些实施方式中，包括以下内容：
对于所述多个目标对象数据片段中的每一个目标对象数据片段，分析出多个文本筛选处理针对区域，再依据所述多个文本筛选处理针对区域，对该目标对象数据片段进行文本筛选处理，形成所述目标对象数据片段对应的多个目标对象数据片段筛选结果（示例性地，所述多个文本筛选处理针对区域的位置坐标，需要与预先配置的坐标规则匹配。例如，可以将目标对象数据片段中的两个片段边缘和片段中间作为所述文本筛选处理针对区域；在其它示例中，还可以根据目标对象数据片段中的语句之间的语义相关度等信息，确定出文本筛选处理针对区域；又例如，还可以依据包括的文本关键词的密度信息确定出文本筛选处理针对区域）；
分别对每一个所述目标对象数据片段的每一个目标对象数据片段筛选结果进行冗余信息筛除处理，形成每一个所述目标对象数据片段对应的多个有效目标对象数据片段（示例性地，可以使用预先进行网络优化形成的冗余信息筛除处理模型，提取出每一个目标对象数据片段的有效目标对象数据片段。其中，冗余信息筛除处理模型可以通过典型目标对象数据片段和典型有效目标对象数据片段进行网络优化形成。在具体实现中，在获取到目标对象数据的目标对象数据片段后，可以将目标对象数据片段加载至所述冗余信息筛除处理模型中，利用所述冗余信息筛除处理模型筛除掉所述目标对象数据片段中存在的冗余信息，从而输出所述目标对象数据片段对应的有效目标对象数据片段。示例性地，所述冗余信息筛除处理模型可以通过以下过程优化形成：提取到典型目标对象数据片段和典型目标对象数据片段对应的典型有效目标对象数据片段；利用所述典型目标对象数据片段和所述典型有效目标对象数据片段对需要优化的第一处理模型和第二处理模型进行优化处理，直到误差收敛等条件；将优化后的第一处理模型标记为所述冗余信息筛除处理模型。详细地，可以提取到的典型目标对象数据片段和对应的典型有效目标对象数据片段，另外，可以通过人工操作将典型目标对象数据片段中的冗余信息筛除掉，从而典型有效目标对象数据片段，或者，也可以将没有冗余信息的对象数据片段标记为典型有效目标对象数据片段，并对典型有效目标对象数据片段中的文本数据增加冗余信息，以形成对应的典型目标对象数据片段。如此，在提取出所述典型目标对象数据片段和对应的典型有效目标对象数据片段之后，可以利用所述典型目标对象数据片段和所述典型有效目标对象数据片段对需要优化的第一处理模型和第二处理模型进行网络优化处理。示例性地，所述第一处理模型和所述第二处理模型可以是不同的神经网络，在进行网络优化处理时，可以先保持所述第二处理模型的模型权重值，将典型目标对象数据片段加载至需要优化的第一处理模型中，利用第一处理模型分析输出所述典型目标对象数据片段的有效目标对象数据片段估计结果，再加载至所述第二处理模型中，并且，可以将所述典型有效目标对象数据片段加载至所述第二处理模型中，使得所述第二处理模型可以分析输出所述典型有效目标对象数据片段和所述有效目标对象数据片段估计结果之间的数据区别，再基于该数据区别分析输出所述第一处理模型的网络学习代价值，再基于该网络学习代价值对所述第一处理模型的模型权重进行优化，之后，再保持所述第一处理模型的模型权重，并基于所述第二处理模型分析输出的数据区别对所述第二处理模型的模型权重进行优化，之后再对所述第一处理模型进行优化，如此循环，直到优化次数满足阈值或网络学习代价值收敛，再将优化后的第一处理模型标记为所述冗余信息筛除处理模型）。
示例性地，对于所述依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量的步骤，在一些实施方式中，可以包括以下内容：
对于每一个所述目标对象数据片段，分别确定出该目标对象数据片段对应的多个有效目标对象数据片段中的每一个有效目标对象数据片段对应的数据片段关键信息挖掘向量的向量影响力表征值，再依据所述向量影响力表征值，对该目标对象数据片段的多个有效目标对象数据片段对应的数据片段关键信息挖掘向量加权聚合（即将所述向量影响力表征值作为对应的加权系数），形成所述多个有效目标对象数据片段对应的数据片段关键信息挖掘向量的聚合结果（示例性地，在确定各数据片段关键信息挖掘向量对应的向量影响力表征值时，可以对各数据片段关键信息挖掘向量配置一样的向量影响力表征值，也就是说，可以先确定各数据片段关键信息挖掘向量的平均代表向量，并将该平均代表向量作为数据片段关键信息挖掘向量的聚合结果。示例性地，每一个所述数据片段关键信息挖掘向量可以具有多个维度，然后，在每一个维度对各数据片段关键信息挖掘向量进行均值计算。在其它示例中，各数据片段关键信息挖掘向量对应的向量影响力表征值也可以不安全一致，例如，可以基于所述有效目标对象数据片段在目标对象数据片段中的分布坐标信息或基于所述有效目标对象数据片段的数据量、语义相关度等因素来确定出对应的向量影响力表征值）；
将所述多个有效目标对象数据片段的数据片段关键信息挖掘向量的聚合结果，标记为所述多个有效目标对象数据片段对应的所述目标对象数据片段对应的目标数据片段关键信息挖掘向量。
示例性地，对于所述通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息的步骤，在一些实施方式中，可以包括以下内容：
分别确定出每一个所述目标对象数据片段在所述目标对象数据中具有的对应的文本片段分布信息（所述文本片段分布信息可以用于反映出所述目标对象数据片段在所述目标对象数据中的分布坐标）；
对每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述目标对象数据片段对应的文本片段分布信息进行加载处理，以加载到目标数据识别神经网络包括的文本关键信息挖掘模型中，利用所述文本关键信息挖掘模型，对所述文本片段分布信息进行关键信息挖掘处理，以输出所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系（示例性地，将各个目标对象数据片段的目标数据片段关键信息挖掘向量和对应的文本片段分布信息加载至所述文本关键信息挖掘模型中，以利用所述文本关键信息挖掘模型分析输出各目标数据片段关键信息挖掘向量在文本中具有的分布先后关系等）；
利用所述文本关键信息挖掘模型，对所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量进行处理，以输出所述多个目标对象数据片段的数据片段相互匹配信息（示例性地，所述文本关键信息挖掘模型可以是一种编码神经网络；另外，所述数据片段相互匹配信息可以用于反映所述多个目标对象数据片段的片段相互之间的关系）。
示例性地，对于所述基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值的步骤，在一些实施方式中，可以包括以下内容：
依据所述多个目标对象数据片段的数据片段相互匹配信息和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出对应的整体融合信息挖掘向量（示例性地，可以通过所述文本关键信息挖掘模型对所述多个目标对象数据片段的数据片段相互匹配信息和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量进行处理，如信息融合，以输出对应的整体融合信息挖掘向量）；
对所述整体融合信息挖掘向量进行加载处理，以加载到所述目标数据识别神经网络包括的数据重要度识别模型中，利用所述数据重要度识别模型分析输出所述目标对象数据对应的目标数据重要度表征值（示例性地，所述数据重要度识别模型可以用于对高度抽象化的所述整体融合信息挖掘向量进行整合，然后，可以进行归一化，再输出一个参数值，即所述目标数据重要度表征值）。
示例性地，对于所述依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护的步骤，在一些实施方式中，可以包括以下内容：
将所述目标数据重要度表征值和预先配置的数据重要度标准值进行大小比较处理，以得到对应的重要度大小比较结果，并获取所述目标对象数据对应的历史改写次数，再对所述历史改写次数和预先配置的历史改写次数表征值进行大小比较处理，以得到对应的改写次数大小比较结果（所述数据重要度标准值和所述历史改写次数表征值的具体数值可以根据实际应用需求进行配置，在此不做具体限定）；
在所述重要度大小比较结果反映出所述目标数据重要度表征值大于或等于所述数据重要度标准值的情况下，且在所述改写次数大小比较结果反映出所述历史改写次数小于或等于所述历史改写次数表征值的情况下，在所述目标存储集群包括的所述目标存储设备以外的其它存储设备中，依据每一个所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度，并结合每一个所述其它存储设备存储的其它备份数据的数据量占比，确定出一个满足目标筛选条件的其它存储设备，以标记为所述目标存储设备对应的备份存储设备，在依据所述数据相关程度和所述数据量占比确定出一个满足目标筛选条件的其它存储设备的过程中，所述数据相关程度作为负相关的参考因素（即所述数据相关程度越大，被标记为备份存储设备的可能性越低），所述数据量占比作为负相关的参考因素（即所述数据量占比越大，被标记为备份存储设备的可能性越低）；
控制所述目标存储设备对所述目标对象数据进行复制处理，以形成所述目标对象数据对应的备份数据，再将所述备份数据发送给所述备份存储设备进行存储，以完成对所述目标对象数据的改写保护；
在完成对所述目标对象数据的改写保护之后，控制所述目标存储设备执行所述数据改写指令，或者，在所述重要度大小比较结果反映出所述目标数据重要度表征值小于所述数据重要度标准值和/或所述改写次数大小比较结果反映出所述历史改写次数大于所述历史改写次数表征值的情况下，控制所述目标存储设备执行所述数据改写指令。
示例性地，对于所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度的计算，在一些实施方式中，可以包括以下内容：
对所述其它存储设备存储的数据进行分词处理，以形成第一分词词语集合，再对所述目标对象数据进行分词处理，以形成第二分词词语集合（示例性地，所述第一分词词语集合包括多个第一分词词语，所述第二分词词语集合包括多个第二分词词语）；
（可以是基于现有技术中的任意一种方式）从所述第一分词词语集合中提取出第一关键分词词语集合，再从所述第二分词词语集合中提取出第二关键分词词语集合，所述第一关键分词词语集合包括多个第一关键分词词语，所述第二关键分词词语集合包括多个第二关键分词词语；
对于所述第一关键分词词语集合中相邻的每两个第一关键分词词语，对该两个第一关键分词词语进行词语相关度计算（如基于目标语义数据库进行计算），以输出该两个第一关键分词词语之间的第一词语相关度；以及，对于所述第二关键分词词语集合中相邻的每两个第二关键分词词语，对该两个第二关键分词词语进行词语相关度计算（如基于目标语义数据库进行计算），以输出该两个第二关键分词词语之间的第二词语相关度；
依据每两个所述第一关键分词词语之间的第一词语相关度，构建出第一词语相关度序列，并依据每两个所述第二关键分词词语之间的第二词语相关度，构建出第二词语相关度序列；以及，从所述第一词语相关度序列中提取出目标第一词语相关度，并从所述第二词语相关度序列中提取出目标第二词语相关度，所述目标第一词语相关度小于预先配置的第一相关度阈值，且所述目标第一词语相关度在前的第一数量个第一词语相关度都小于预先配置的第二相关度阈值，任意两个相邻的目标第一词语相关度之间间隔的第一词语相关度的数量大于所述第一数量，所述目标第二词语相关度小于所述第一相关度阈值，且所述目标第二词语相关度在前的第一数量个第二词语相关度都小于所述第二相关度阈值，任意两个相邻的目标第二词语相关度之间间隔的第二词语相关度的数量大于所述第一数量；
分别将每一个所述目标第一词语相关度对应的两个所述第一关键分词词语之间的词语位置，作为分割位置，以对所述第一分词词语集合进行分割处理，形成对应的多个第一分词词语子集合；以及，分别将每一个所述目标第二词语相关度对应的两个所述第二关键分词词语之间的词语位置，作为分割位置，以对所述第二分词词语集合进行分割处理，形成对应的多个第二分词词语子集合，所述第一分词词语集合、所述第一分词词语子集合、所述第二分词词语集合和所述第二分词词语子集合都属于有序集合；
分别计算每一个所述第一分词词语子集合和每一个所述第二分词词语子集合之间的词语相关度融合值（如子集合之间每两个分词词语之间的词语相关度的均值），再依据每一个所述第一分词词语子集合和每一个所述第二分词词语子集合之间的词语相关度融合值，计算输出所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度（示例性地，可以直接对所述词语相关度融合值进行均值计算，或加权均值计算，其中，加权均值计算的加权系数可以基于对应的子集合包括的分词词语的数量确定，可以是具有正相关的关系；在其它示例中，还可以将所述多个第一分词词语子集合和所述多个第二分词词语子集合进行一一对应处理，如此，可以形成多种对应关系，然后，针对每一种对应关系，计算基于该对应关系下，每一个所述第一分词词语子集合和对应的所述第二分词词语子集合之间的词语相关度融合值的均值或加权均值，使得可以得到该对应关系对应的初始数据相关程度，再将所述多种对应关系对应的多个初始数据相关程度中的最大值作为所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度，或者，可以确定出所述多种对应关系对应的多个初始数据相关程度中的平均值，再确定所述多种对应关系对应的多个初始数据相关程度的离散值，再基于该离散值对该平均值进行更新，以得到所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度，另外，在所述平均值保持不变的情况，所述离散值越小，所述数据相关程度越大，在所述离散值保持不变的情况，所述平均值越大，所述数据相关程度越大）。
结合图3，本发明实施例还提供一种应用于存储集群的安全防护装置，可应用于上述安全防护系统。其中，所述应用于存储集群的安全防护装置可以包括与上述的步骤S110、步骤S120和步骤S130对应的软件功能模块：
数据改写指令分析模块，用于在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备；
数据重要度识别模块，用于通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值，所述目标数据重要度表征值用于反映所述目标对象数据本身的数据具有的数据重要程度，且所述目标对象数据属于文本数据；
数据改写保护模块，用于依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护。
在本申请实施例中，对应于上述的应用于存储集群的安全防护方法，还提供了一种可储存介质，该可储存介质属于计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行应用于存储集群的安全防护方法的各个步骤。
其中，前述计算机程序运行时执行的各步骤，在此不再一一赘述，可参考前文对所述应用于存储集群的安全防护方法的解释说明。
综上所述，本发明提供的一种应用于存储集群的安全防护方法及AI系统，可以依据数据改写指令确定出对应的目标对象数据，并确定目标对象数据对应的目标存储设备，目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备。通过目标数据识别神经网络对目标对象数据进行数据重要度的识别，确定出目标对象数据对应的目标数据重要度表征值，目标数据重要度表征值用于反映目标对象数据本身的数据具有的数据重要程度。依据目标数据重要度表征值，对目标对象数据进行改写保护操作，以完成对目标对象数据的改写保护。基于前述的内容，针对对数据安全影响较大的数据改写，通过其具有的目标数据重要度表征值进行改写保护操作，使得可以在一定程度上提高数据的安全性。
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)
1.一种应用于存储集群的安全防护方法，其特征在于，包括：
在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述目标存储设备属于目标存储集群包括的多个存储设备中的一个存储设备；
通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值，所述目标数据重要度表征值用于反映所述目标对象数据本身的数据具有的数据重要程度，且所述目标对象数据属于文本数据；
依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护；
其中，所述通过目标数据识别神经网络对所述目标对象数据进行数据重要度的识别，确定出所述目标对象数据对应的目标数据重要度表征值的步骤，包括：
确定出待提取出的目标对象数据片段的目标片段提取数目，再基于所述目标对象数据包括的对象数据片段的片段累计数目和所述目标片段提取数目，计算出待提取出的目标对象数据片段的目标片段筛选参数；
基于所述目标片段筛选参数，在所述目标对象数据中，提取出所述目标对象数据包括的多个目标对象数据片段，所述目标对象数据包括的对象数据片段的数目大于或等于所述目标对象数据片段的数目；
分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段；以及，分别对每一个所述有效目标对象数据片段进行关键信息挖掘处理，以输出每一个所述有效目标对象数据片段对应的数据片段关键信息挖掘向量；以及，再依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量；
通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息；
基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段之间的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值；
其中，所述基于每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述多个目标对象数据片段之间的数据片段相互匹配信息，分析输出所述目标对象数据对应的目标数据重要度表征值的步骤，包括：
依据所述多个目标对象数据片段之间的数据片段相互匹配信息和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出对应的整体融合信息挖掘向量；
对所述整体融合信息挖掘向量进行加载处理，以加载到所述目标数据识别神经网络包括的数据重要度识别模型中，利用所述数据重要度识别模型分析输出所述目标对象数据对应的目标数据重要度表征值。
2.如权利要求1所述的应用于存储集群的安全防护方法，其特征在于，所述在截取到数据改写指令时，依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备的步骤，包括：
对所述目标存储集群包括的存储管理设备下发数据改写上报指令，所述目标存储集群包括的每一个存储设备通过所述存储管理设备与所述目标存储集群以外的其它网络设备进行交互，所述存储管理设备用于在接收到所述数据改写上报指令之后，对所述目标存储集群以外的每一个其它网络设备传输的数据处理指令进行识别，并在识别出所述数据处理指令属于数据改写指令时，对该数据改写指令进行上报处理；
获取到所述存储管理设备上报的数据改写指令；
依据所述数据改写指令确定出对应的目标对象数据，并确定所述目标对象数据对应的目标存储设备，所述数据改写指令用于指示对所述目标存储设备存储的所述目标对象数据进行改写操作。
3.如权利要求1所述的应用于存储集群的安全防护方法，其特征在于，所述分别对所述多个目标对象数据片段中的每一个目标对象数据片段进行冗余信息筛除处理，以形成每一个目标对象数据片段对应的有效目标对象数据片段的步骤，包括：
对于所述多个目标对象数据片段中的每一个目标对象数据片段，分析出多个文本筛选处理针对区域，再依据所述多个文本筛选处理针对区域，对该目标对象数据片段进行文本筛选处理，形成所述目标对象数据片段对应的多个目标对象数据片段筛选结果；
分别对每一个所述目标对象数据片段的每一个目标对象数据片段筛选结果进行冗余信息筛除处理，形成每一个所述目标对象数据片段对应的多个有效目标对象数据片段。
4.如权利要求1所述的应用于存储集群的安全防护方法，其特征在于，所述依据每一个所述目标对象数据片段对应的有效目标对象数据片段对应的数据片段关键信息挖掘向量，分析输出每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量的步骤，包括：
对于每一个所述目标对象数据片段，分别确定出该目标对象数据片段对应的多个有效目标对象数据片段中的每一个有效目标对象数据片段对应的数据片段关键信息挖掘向量的向量影响力表征值，再依据所述向量影响力表征值，对该目标对象数据片段的多个有效目标对象数据片段对应的数据片段关键信息挖掘向量加权聚合，形成所述多个有效目标对象数据片段对应的数据片段关键信息挖掘向量的聚合结果；
将所述多个有效目标对象数据片段的数据片段关键信息挖掘向量的聚合结果，标记为所述多个有效目标对象数据片段对应的所述目标对象数据片段对应的目标数据片段关键信息挖掘向量。
5.如权利要求1所述的应用于存储集群的安全防护方法，其特征在于，所述通过目标数据识别神经网络，依据所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量，分析输出所述多个目标对象数据片段之间的数据片段相互匹配信息的步骤，包括：
分别确定出每一个所述目标对象数据片段在所述目标对象数据中具有的对应的文本片段分布信息；
对每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量和所述目标对象数据片段对应的文本片段分布信息进行加载处理，以加载到目标数据识别神经网络包括的文本关键信息挖掘模型中，利用所述文本关键信息挖掘模型，对所述文本片段分布信息进行关键信息挖掘处理，以输出所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系；
利用所述文本关键信息挖掘模型，对所述多个目标对象数据片段在所述目标对象数据中具有的文本片段分布关系和每一个所述目标对象数据片段对应的目标数据片段关键信息挖掘向量进行处理，以输出所述多个目标对象数据片段的数据片段相互匹配信息。
6.如权利要求1-5任意一项所述的应用于存储集群的安全防护方法，其特征在于，所述依据所述目标数据重要度表征值，对所述目标对象数据进行改写保护操作，以完成对所述目标对象数据的改写保护的步骤，包括：
将所述目标数据重要度表征值和预先配置的数据重要度标准值进行大小比较处理，以得到对应的重要度大小比较结果，并获取所述目标对象数据对应的历史改写次数，再对所述历史改写次数和预先配置的历史改写次数表征值进行大小比较处理，以得到对应的改写次数大小比较结果；
在所述重要度大小比较结果反映出所述目标数据重要度表征值大于或等于所述数据重要度标准值的情况下，且在所述改写次数大小比较结果反映出所述历史改写次数小于或等于所述历史改写次数表征值的情况下，在所述目标存储集群包括的所述目标存储设备以外的其它存储设备中，依据每一个所述其它存储设备存储的数据与所述目标对象数据之间的数据相关程度，并结合每一个所述其它存储设备存储的其它备份数据的数据量占比，确定出一个满足目标筛选条件的其它存储设备，以标记为所述目标存储设备对应的备份存储设备，在依据所述数据相关程度和所述数据量占比确定出一个满足目标筛选条件的其它存储设备的过程中，所述数据相关程度作为负相关的参考因素，所述数据量占比作为负相关的参考因素；
控制所述目标存储设备对所述目标对象数据进行复制处理，以形成所述目标对象数据对应的备份数据，再将所述备份数据发送给所述备份存储设备进行存储，以完成对所述目标对象数据的改写保护；
在完成对所述目标对象数据的改写保护之后，控制所述目标存储设备执行所述数据改写指令，或者，在所述重要度大小比较结果反映出所述目标数据重要度表征值小于所述数据重要度标准值和/或所述改写次数大小比较结果反映出所述历史改写次数大于所述历史改写次数表征值的情况下，控制所述目标存储设备执行所述数据改写指令。
7.一种应用于存储集群的安全防护AI系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-6任意一项所述的应用于存储集群的安全防护方法。
8.一种可储存介质，其特征在于，该可储存介质属于计算机可读存储介质，且存储有计算机程序，该计算机程序运行时执行权利要求1-6任意一项所述的应用于存储集群的安全防护方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534540.9A CN115906170B (zh) | 2022-12-02 | 2022-12-02 | 应用于存储集群的安全防护方法及ai系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534540.9A CN115906170B (zh) | 2022-12-02 | 2022-12-02 | 应用于存储集群的安全防护方法及ai系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115906170A CN115906170A (zh) | 2023-04-04 |
| CN115906170B true CN115906170B (zh) | 2023-12-15 |
Family
ID=86489346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534540.9A Active CN115906170B (zh) | 2022-12-02 | 2022-12-02 | 应用于存储集群的安全防护方法及ai系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906170B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507709A (zh) * | 2020-12-28 | 2021-03-16 | 科大讯飞华南人工智能研究院（广州）有限公司 | 文档匹配方法以及电子设备、存储装置 |
| CN113971283A (zh) * | 2020-07-24 | 2022-01-25 | 武汉安天信息技术有限责任公司 | 一种基于特征的恶意应用程序检测方法及设备 |
| CN114237986A (zh) * | 2021-12-27 | 2022-03-25 | 中国电信股份有限公司 | 一种集群可用性模式控制方法、装置、设备及存储介质 |
| CN114491034A (zh) * | 2022-01-24 | 2022-05-13 | 聚好看科技股份有限公司 | 一种文本分类方法及智能设备 |
| CN114579368A (zh) * | 2022-05-07 | 2022-06-03 | 武汉四通信息服务有限公司 | 持续数据保护的备份管理方法、计算机设备及存储介质 |
| CN114840869A (zh) * | 2021-02-01 | 2022-08-02 | 腾讯科技（深圳）有限公司 | 基于敏感度识别模型的数据敏感度识别方法及装置 |
| CN115238286A (zh) * | 2022-07-12 | 2022-10-25 | 平安资产管理有限责任公司 | 一种数据防护方法、装置、计算机设备及存储介质 |
-
2022
- 2022-12-02 CN CN202211534540.9A patent/CN115906170B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113971283A (zh) * | 2020-07-24 | 2022-01-25 | 武汉安天信息技术有限责任公司 | 一种基于特征的恶意应用程序检测方法及设备 |
| CN112507709A (zh) * | 2020-12-28 | 2021-03-16 | 科大讯飞华南人工智能研究院（广州）有限公司 | 文档匹配方法以及电子设备、存储装置 |
| CN114840869A (zh) * | 2021-02-01 | 2022-08-02 | 腾讯科技（深圳）有限公司 | 基于敏感度识别模型的数据敏感度识别方法及装置 |
| CN114237986A (zh) * | 2021-12-27 | 2022-03-25 | 中国电信股份有限公司 | 一种集群可用性模式控制方法、装置、设备及存储介质 |
| CN114491034A (zh) * | 2022-01-24 | 2022-05-13 | 聚好看科技股份有限公司 | 一种文本分类方法及智能设备 |
| CN114579368A (zh) * | 2022-05-07 | 2022-06-03 | 武汉四通信息服务有限公司 | 持续数据保护的备份管理方法、计算机设备及存储介质 |
| CN115238286A (zh) * | 2022-07-12 | 2022-10-25 | 平安资产管理有限责任公司 | 一种数据防护方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115906170A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245165B (zh) | 风险传导关联图谱优化方法、装置和计算机设备 | |
| CN115098705B (zh) | 基于知识图谱推理的网络安全事件分析方法及系统 | |
| CN111813845B (zh) | 基于etl任务的增量数据抽取方法、装置、设备及介质 | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| KR102433831B1 (ko) | 보안관제 의사결정 지원 시스템 및 방법 | |
| CN112839014A (zh) | 建立识别异常访问者模型的方法、系统、设备及介质 | |
| CN115002025B (zh) | 一种数据安全传输方法、系统及云平台 | |
| CN114647636A (zh) | 大数据异常检测方法及系统 | |
| CN114726571A (zh) | 一种网络安全预警管理平台和方法 | |
| CN113452700A (zh) | 处理安全信息的方法、装置、设备以及存储介质 | |
| CN112966965A (zh) | 进出口大数据的分析和决策方法、装置、设备及存储介质 | |
| CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
| CN116611916A (zh) | 基于ai模型识别的数字金融反欺诈处理方法及系统 | |
| CN112528306A (zh) | 基于大数据和人工智能的数据访问方法及云计算服务器 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN114330987A (zh) | 电力监控系统运维行为分析方法、装置及计算机设备 | |
| CN115484044A (zh) | 一种数据状态的监控方法及系统 | |
| CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
| CN117201183A (zh) | 一种互联网设备的安全访问方法及系统 | |
| CN111027296A (zh) | 基于知识库的报表生成方法及系统 | |
| CN116883952B (zh) | 基于人工智能算法的电力施工现场违章识别方法及系统 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
| CN117251790B (zh) | 一种智慧物流数据的采集方法及系统 | |
| CN113486354B (zh) | 一种固件安全评估方法、系统、介质及电子设备 | |
| CN112561236B (zh) | 基于频繁项集挖掘的告警信息压缩方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231121 Address after: Room 1507, 15th Floor, Building 1, No. 59 Gaoliangqiao Xiejie Street, Haidian District, Beijing, 100000 Applicant after: Beijing Jin'andao Big Data Technology Co.,Ltd. Address before: Room 101, Unit 2, No. 14, Daminxing Street, Daoli District, Harbin City, Heilongjiang Province, 150000 Applicant before: Yang Lei |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |