发明内容
为改善相关技术中存在的技术问题,本发明提供了一种工业物联网安全监测方法及系统。
第一方面,本发明实施例提供了一种工业物联网安全监测方法,应用于AI监测决策系统,所述方法包括:应用于AI监测决策系统,所述方法包括:
获得包括拟分析物联网安全异常事件的目标物联网安全监测文本报告;
通过拟分析物联网安全异常事件的事件标注窗口对所述目标物联网安全监测文本报告进行高亮操作,得到所述目标物联网安全监测文本报告的高亮监测文本报告;
对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网;其中,所述高亮文本语义关系网中的任一文本语义单元的语义变量用于表征:所述任一文本语义单元在所述目标物联网安全监测文本报告中的贡献值;
依据所述高亮文本语义关系网和所述目标物联网安全监测文本报告,生成目标联动语义特征;基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息。
在一些示例中,所述高亮文本语义关系网、所述目标联动语义特征以及所述异常关键词提炼信息,都是通过采用AI监测决策算法得到的;所述获得包括拟分析物联网安全异常事件的目标物联网安全监测文本报告,包括:
获得包括拟分析物联网安全异常事件的初始安全监测文本报告;
对所述初始安全监测文本报告进行异常事件捕捉,得到所述初始安全监测文本报告的异常事件捕捉结果,所述异常事件捕捉结果中包括所述拟分析物联网安全异常事件的事件标注窗口;
依据所述AI监测决策算法所匹配的目标文本报告状态以及所述事件标注窗口,在所述初始安全监测文本报告中确定包含所述拟分析物联网安全异常事件的目标捕捉窗口;所述目标捕捉窗口的状态为所述目标文本报告状态,且所述目标捕捉窗口的规模大于所述事件标注窗口的规模;
从所述初始安全监测文本报告中提取出所述目标捕捉窗口所包含的文本内容集,并将提取出的文本内容集作为拟分析安全监测文本报告。
在一些示例中,所述依据所述AI监测决策算法所匹配的目标文本报告状态以及所述事件标注窗口,在所述初始安全监测文本报告中确定包含所述拟分析物联网安全异常事件的目标捕捉窗口,包括:
按照所述AI监测决策算法所匹配的目标文本报告状态,在所述初始安全监测文本报告中对所述事件标注窗口进行状态更新,得到包含所述拟分析物联网安全异常事件的基础捕捉窗口;
对所述基础捕捉窗口进行延展操作,得到包含所述拟分析安全监测文本报告的目标捕捉窗口。
在一些示例中,所述异常事件捕捉结果中还包括所述事件标注窗口在所述初始安全监测文本报告中的初始分布标签;所述通过拟分析物联网安全异常事件的事件标注窗口对所述目标物联网安全监测文本报告进行高亮操作,得到所述目标物联网安全监测文本报告的高亮监测文本报告,包括:
将所述事件标注窗口在所述初始安全监测文本报告中的初始分布标签,投影到所述目标物联网安全监测文本报告中,得到所述事件标注窗口的投影分布标签;
基于所述事件标注窗口的投影分布标签以及所述目标物联网安全监测文本报告中的各个文本语义单元的分布标签,确定所述事件标注窗口和所述各个文本语义单元之间的分布联系;分布联系用于表征文本语义单元是否落入所述事件标注窗口中;
依据确定的分布联系,将所述目标物联网安全监测文本报告中位于所述事件标注窗口中的文本语义单元的语义值调整为第一类变量,并将所述目标物联网安全监测文本报告中没有落入所述事件标注窗口中的文本语义单元的语义值调整为第二类变量;
将进行语义值调整后的目标物联网安全监测文本报告,作为所述目标物联网安全监测文本报告的高亮监测文本报告。
在一些示例中,所述依据所述高亮文本语义关系网和所述目标物联网安全监测文本报告,生成目标联动语义特征,包括:
在AI监测决策算法中的高亮文本处理组件中,对所述高亮文本语义关系网和所述目标物联网安全监测文本报告进行语义向量聚合处理,得到目标聚合语义关系网;
在所述高亮文本处理组件中,对所述目标聚合语义关系网进行语义向量强化处理,得到目标联动语义特征。
在一些示例中,所述AI监测决策算法还包括文本向量分析组件,所述文本向量分析组件包括第一滑动平均层;所述在AI监测决策算法中的高亮文本处理组件中,对所述高亮文本语义关系网和所述目标物联网安全监测文本报告进行语义向量聚合处理,得到目标聚合语义关系网,包括:
采用所述第一滑动平均层,对所述目标物联网安全监测文本报告进行滑动平均操作,得到所述目标物联网安全监测文本报告的第一语义描述向量关系网;
将所述第一语义描述向量关系网从所述文本向量分析组件传输到所述高亮文本处理组件中,并在所述高亮文本处理组件中,拼接所述第一语义描述向量关系网和所述高亮文本语义关系网,得到目标聚合语义关系网。
在一些示例中,所述高亮文本处理组件包括第二滑动平均层,且所述第二滑动平均层与所述第一滑动平均层具有相同的模型层架构;
所述对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括:采用所述第二滑动平均层,对所述高亮监测文本报告进行滑动平均操作,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到高亮文本语义关系网。
在一些示例中,所述高亮文本处理组件包括第二滑动平均层和第一注意力变更组件;其中,所述第二滑动平均层与所述第一滑动平均层具有不同的模型层架构,且所述第一注意力变更组件所应用的滑动平均算子的数量,等于所述第一滑动平均层生成的语义描述向量关系网的注意力维数;
所述对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括:
采用所述第二滑动平均层对所述高亮监测文本报告进行滑动平均操作,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到第二语义描述向量关系网;
采用所述第一注意力变更组件中的各个滑动平均算子,对所述第二语义描述向量关系网进行注意力变更处理,得到高亮文本语义关系网。
在一些示例中,所述高亮文本处理组件包括:前向滑动平均层、后向滑动平均层以及第二注意力变更组件;其中,所述第二注意力变更组件所应用的滑动平均算子的数量,等于所述目标物联网安全监测文本报告的注意力维数;
所述对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括:
采用所述前向滑动平均层对所述高亮监测文本报告进行前向注意力变更处理,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到前向语义描述向量关系网;
采用所述后向滑动平均层对所述前向语义描述向量关系网进行后向注意力变更处理,得到后向语义描述向量关系网,所述后向语义描述向量关系网的向量规模等于所述目标物联网安全监测文本报告的向量规模;
采用所述第二注意力变更组件中的各个滑动平均算子,对所述后向语义描述向量关系网进行滑动平均操作,得到高亮文本语义关系网。
在一些示例中,所述AI监测决策算法中的文本向量分析组件用于生成所述目标物联网安全监测文本报告的目标文本语义描述特征,所述目标文本语义描述特征的注意力维数与所述目标联动语义特征的注意力维数相同;所述基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息,包括:
基于所述目标文本语义描述特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到所述拟分析物联网安全异常事件在多个设定关键词中各个设定关键词下的第一确定性参数;
基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼处理,得到所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数;
对所述拟分析物联网安全异常事件在每个设定关键词下的第一确定性参数与相应的第二确定性参数进行参数聚合处理,得到所述拟分析物联网安全异常事件在所述每个设定关键词下的目标确定性参数;
基于所述拟分析物联网安全异常事件在所述每个设定关键词下的目标确定性参数,确定所述拟分析物联网安全异常事件属于所述每个设定关键词的目标可能性;
并将最大的目标可能性所对应的设定关键词,增添到所述拟分析物联网安全异常事件的异常关键词提炼信息中。
在一些示例中,当所述文本向量分析组件包括所述第一滑动平均层时,所述目标文本语义描述特征是对所述目标物联网安全监测文本报告的第一语义描述向量关系网进行语义向量强化处理得到的;
当所述文本向量分析组件不包括所述第一滑动平均层时,所述目标文本语义描述特征是对所述目标物联网安全监测文本报告进行语义向量强化处理得到的。
在一些示例中,所述AI监测决策算法中的文本向量分析组件用于生成所述目标物联网安全监测文本报告的目标文本语义描述特征,所述目标文本语义描述特征的注意力维数与所述目标联动语义特征的注意力维数相同;
所述基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息,包括:
基于所述目标文本语义描述特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到所述拟分析物联网安全异常事件在多个设定关键词中各个设定关键词下的第一确定性参数;
基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼处理,得到所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数;
采用所述拟分析物联网安全异常事件在所述各个设定关键词下的第一确定性参数,以及所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数,生成所述拟分析物联网安全异常事件的异常关键词提炼信息。
在一些示例中,所述方法还包括:
获取所述拟分析物联网安全异常事件的先验关键词;
依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的算法质量评估系数;
依据缩小所述算法质量评估系数的规则,改进所述AI监测决策算法的算法配置变量。
在一些示例中,所述依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的算法质量评估系数,包括:
依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的第一语义偏移评估系数;
采用所述目标文本语义描述特征和所述目标联动语义特征,生成关联性描述列表;所述关联性描述列表用于表征所述目标文本语义描述特征和所述目标联动语义特征之间的共性程度;
依据所述关联性描述列表以及所述关联性描述列表的改进期望,确定所述AI监测决策算法的第二语义偏移评估系数;
对所述第一语义偏移评估系数和所述第二语义偏移评估系数进行加权,得到所述AI监测决策算法的算法质量评估系数。
第二方面,本发明还提供了一种AI监测决策系统,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,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例中,AI监测决策系统可以获得包括拟分析物联网安全异常事件的目标物联网安全监测文本报告,并通过拟分析物联网安全异常事件的事件标注窗口对目标物联网安全监测文本报告进行高亮操作,以得到目标物联网安全监测文本报告的高亮监测文本报告。然后可以对高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,其中,高亮文本语义关系网中的任一文本语义单元的语义变量可以用于表征:任一文本语义单元在目标物联网安全监测文本报告中的贡献值。进一步的,依据高亮文本语义关系网和目标物联网安全监测文本报告,以生成目标联动语义特征,并基于目标联动语义特征对拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息。
应用本发明实施例,可以通过物联网安全监测文本报告中异常事件的事件标注窗口生成对应的高亮监测文本报告,并结合物联网安全监测文本报告以及物联网安全监测文本报告的高亮监测文本报告,从而聚焦物联网安全监测文本报告中的关键文本集(即异常事件所对应的文本集),而规避物联网安全监测文本报告中噪声文本段落的影响,从而显著提高异常事件的异常关键词提炼的精度和可信度。综上,本发明实施例可以解决或者部分解决传统技术难以准确可靠地进行异常事件的关键词提炼的技术问题。
具体实施方式
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AI监测决策系统、计算机设备或者类似的运算装置中执行。以运行在AI监测决策系统上为例,AI监测决策系统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AI监测决策系统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AI监测决策系统的结构造成限定。例如,AI监测决策系统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工业物联网安全监测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AI监测决策系统。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AI监测决策系统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。
基于此,请参阅图1,图1是本发明实施例所提供的一种工业物联网安全监测方法的流程示意图,该方法应用于AI监测决策系统,进一步可以包括步骤100-步骤500。
步骤100、获得包括拟分析物联网安全异常事件的目标物联网安全监测文本报告。
在本发明实施例中,拟分析物联网安全异常事件可以是数据泄漏事件、黑客攻击事件等,目标物联网安全监测文本报告可以是对指定工业物联网进行网络安全监测所得到的文本化监测结果。
步骤200、通过拟分析物联网安全异常事件的事件标注窗口对所述目标物联网安全监测文本报告进行高亮操作,得到所述目标物联网安全监测文本报告的高亮监测文本报告。
在本发明实施例中,事件标注窗口可以理解为对拟分析物联网安全异常事件进行框选的文本窗口,比如目标物联网安全监测文本报告包括10个文本段落,拟分析物联网安全异常事件的事件标注窗口可以对第3个文本段落、第6个文本段落以及第9个文本段落进行框选,框选之后能够区别于其他段落,基于此,可以对目标物联网安全监测文本报告进行差异化的高亮处理,比如将第3个文本段落、第6个文本段落以及第9个文本段落进行高亮处理,从而得到文本段落3-9为高亮文本、文本段落1-2、4-5、7-8以及10为非高亮文本的高亮监测文本报告。
步骤300、对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网。
在本发明实施例中,所述高亮文本语义关系网中的任一文本语义单元的语义变量用于表征:所述任一文本语义单元在所述目标物联网安全监测文本报告中的贡献值。其中,文本语义挖掘处理可以理解为文本特征提取操作,所得到的高亮文本语义关系网可以理解为高亮监测文本报告对应的文本语义特征集。高亮文本语义关系网中的文本语义单元可以理解为对应的特征单元或者特征块,贡献值可以理解为重要程度或者重要性。
步骤400、依据所述高亮文本语义关系网和所述目标物联网安全监测文本报告,生成目标联动语义特征。
在本发明实施例中,目标联动语义特征可以理解为聚合之后的语义特征。
步骤500、基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息。
在本发明实施例中,异常关键词提炼可以是对拟分析物联网安全异常事件进行事件类别分写,所得到的异常关键词提炼信息可以表征拟分析物联网安全异常事件的种类,比如是“数据泄露种类”,还比如是“黑客攻击种类”等。
可见,通过上述步骤100-步骤500,可以通过物联网安全监测文本报告中异常事件的事件标注窗口生成对应的高亮监测文本报告,并结合物联网安全监测文本报告以及物联网安全监测文本报告的高亮监测文本报告,从而聚焦物联网安全监测文本报告中的关键文本集(即异常事件所对应的文本集),而规避物联网安全监测文本报告中噪声文本段落的影响,从而显著提高异常事件的异常关键词提炼的精度和可信度。
在一些可能的实施例中,所述高亮文本语义关系网、所述目标联动语义特征以及所述异常关键词提炼信息,都是通过采用AI监测决策算法得到的,AI监测决策算法可以是残差网络。基于此,步骤100中的获得包括拟分析物联网安全异常事件的目标物联网安全监测文本报告,包括步骤110-步骤140。
步骤110、获得包括拟分析物联网安全异常事件的初始安全监测文本报告。
其中,初始安全监测文本报告可以理解为最初的安全监测文本报告,初始安全监测文本报告的覆盖范围较广,噪声占比更多。
步骤120、对所述初始安全监测文本报告进行异常事件捕捉,得到所述初始安全监测文本报告的异常事件捕捉结果,所述异常事件捕捉结果中包括所述拟分析物联网安全异常事件的事件标注窗口。
步骤130、依据所述AI监测决策算法所匹配的目标文本报告状态以及所述事件标注窗口,在所述初始安全监测文本报告中确定包含所述拟分析物联网安全异常事件的目标捕捉窗口。
其中,所述目标捕捉窗口的状态为所述目标文本报告状态,且所述目标捕捉窗口的规模大于所述事件标注窗口的规模。目标文本报告状态可以理解为AI监测决策算法能够适配的文本报告尺寸,比如每行多少字+总共几行的文本报告尺寸,基于此,目标捕捉窗口的规模可以理解为目标捕捉窗口的窗口面积,事件标注窗口的规模可以理解为事件标注窗口的窗口面积。
步骤140、从所述初始安全监测文本报告中提取出所述目标捕捉窗口所包含的文本内容集,并将提取出的文本内容集作为拟分析安全监测文本报告。
可见,应用步骤110-步骤140,在获取目标物联网安全监测文本报告时,能够结合AI监测决策算法所匹配的目标文本报告状态进行目标捕捉窗口所包含的文本内容集提取,从而将提取出的文本内容集作为拟分析安全监测文本报告(也即目标物联网安全监测文本报告),这样可以确保拟分析安全监测文本报告(目标物联网安全监测文本报告)与AI监测决策算法的适配性,保障AI监测决策算法能够正确处理目标物联网安全监测文本报告。
在一些可能的示例中,步骤130中的依据所述AI监测决策算法所匹配的目标文本报告状态以及所述事件标注窗口,在所述初始安全监测文本报告中确定包含所述拟分析物联网安全异常事件的目标捕捉窗口,包括步骤131和步骤132。
步骤131、按照所述AI监测决策算法所匹配的目标文本报告状态,在所述初始安全监测文本报告中对所述事件标注窗口进行状态更新,得到包含所述拟分析物联网安全异常事件的基础捕捉窗口;
步骤132、对所述基础捕捉窗口进行延展操作,得到包含所述拟分析安全监测文本报告的目标捕捉窗口。
实施步骤131和步骤132,能够以基础捕捉窗口为基准进行延展,从而确保目标捕捉窗口内的文本内容与拟分析物联网安全异常事件的高相关性。
在另一些示例下,所述异常事件捕捉结果中还包括所述事件标注窗口在所述初始安全监测文本报告中的初始分布标签(初始位置信息)。基于此,步骤200中的通过拟分析物联网安全异常事件的事件标注窗口对所述目标物联网安全监测文本报告进行高亮操作,得到所述目标物联网安全监测文本报告的高亮监测文本报告,包括步骤210-步骤250。
步骤210、将所述事件标注窗口在所述初始安全监测文本报告中的初始分布标签,投影到所述目标物联网安全监测文本报告中,得到所述事件标注窗口的投影分布标签。
其中,投影分布标签可以理解分布标签的映射结果。
步骤220、基于所述事件标注窗口的投影分布标签以及所述目标物联网安全监测文本报告中的各个文本语义单元的分布标签,确定所述事件标注窗口和所述各个文本语义单元之间的分布联系。
其中,分布联系可以理解为相对位置关系。
步骤230、分布联系用于表征文本语义单元是否落入所述事件标注窗口中。
步骤240、依据确定的分布联系,将所述目标物联网安全监测文本报告中位于所述事件标注窗口中的文本语义单元的语义值调整为第一类变量,并将所述目标物联网安全监测文本报告中没有落入所述事件标注窗口中的文本语义单元的语义值调整为第二类变量。
其中,语义值可以理解为特征值,第一类变量表征有效变量,第二类变量表征无效变量。
步骤250、将进行语义值调整后的目标物联网安全监测文本报告,作为所述目标物联网安全监测文本报告的高亮监测文本报告。
可以理解,通过步骤210-步骤250,能够通过映射处理和语义值调整实现文本语义单元的不同类变量调整,从而实现高亮文本和非高亮文本的区别。
在一些可选的实施例中,步骤400中的依据所述高亮文本语义关系网和所述目标物联网安全监测文本报告,生成目标联动语义特征,包括步骤410和步骤420。
步骤410、在AI监测决策算法中的高亮文本处理组件中,对所述高亮文本语义关系网和所述目标物联网安全监测文本报告进行语义向量聚合处理,得到目标聚合语义关系网。
其中,高亮文本处理组件可以是AI监测决策算法中的高亮文本处理分支。语义向量聚合可以是语义层面的特征拼接处理。
步骤420、在所述高亮文本处理组件中,对所述目标聚合语义关系网进行语义向量强化处理,得到目标联动语义特征。
其中,语义向量强化可以是语义层面的特征强化处理。
可见,实施步骤410和步骤420,通过语义向量聚合处理和语义向量强化处理,能够得到丰富性和特征识别度更高的目标联动语义特征。
在另一些示例下,所述AI监测决策算法还包括文本向量分析组件,所述文本向量分析组件包括第一滑动平均层。滑动平均层可以理解为卷积层。基于此,步骤410中的在AI监测决策算法中的高亮文本处理组件中,对所述高亮文本语义关系网和所述目标物联网安全监测文本报告进行语义向量聚合处理,得到目标聚合语义关系网,包括步骤411和步骤412。
步骤411、采用所述第一滑动平均层,对所述目标物联网安全监测文本报告进行滑动平均操作,得到所述目标物联网安全监测文本报告的第一语义描述向量关系网。
其中,第一语义描述向量关系网可以是目标物联网安全监测文本报告的语义描述向量集或者语义描述向量图。
步骤412、将所述第一语义描述向量关系网从所述文本向量分析组件传输到所述高亮文本处理组件中,并在所述高亮文本处理组件中,拼接所述第一语义描述向量关系网和所述高亮文本语义关系网,得到目标聚合语义关系网。
在本发明实施例中,目标聚合语义关系网可以理解为中间特征集。基于步骤411和步骤412,能够准确完整地获得目标聚合语义关系网。
在又一种可能的实施例中,所述高亮文本处理组件包括第二滑动平均层,且所述第二滑动平均层与所述第一滑动平均层具有相同的模型层架构。基于此,步骤300中的对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括:采用所述第二滑动平均层,对所述高亮监测文本报告进行滑动平均操作,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到高亮文本语义关系网。
更近一步地,所述高亮文本处理组件包括第二滑动平均层和第一注意力变更组件。其中,注意力变更组件用于进行通道维度的调整处理。且所述第二滑动平均层与所述第一滑动平均层具有不同的模型层架构,且所述第一注意力变更组件所应用的滑动平均算子的数量,等于所述第一滑动平均层生成的语义描述向量关系网的注意力维数。基于此,步骤300中的对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括步骤310和步骤320。
步骤310、采用所述第二滑动平均层对所述高亮监测文本报告进行滑动平均操作,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到第二语义描述向量关系网。
步骤320、采用所述第一注意力变更组件中的各个滑动平均算子,对所述第二语义描述向量关系网进行注意力变更处理,得到高亮文本语义关系网。
其中,滑动平均算子可以理解为卷积核。通过实施步骤310和步骤320,能够基于滑动平均操作和注意力变更处理,准确完整地得到高亮文本语义关系网。
在一些示例中,所述高亮文本处理组件包括:前向滑动平均层、后向滑动平均层以及第二注意力变更组件。进一步地,所述第二注意力变更组件所应用的滑动平均算子的数量,等于所述目标物联网安全监测文本报告的注意力维数。基于此,步骤300中的对所述高亮监测文本报告进行文本语义挖掘处理,得到高亮文本语义关系网,包括步骤3001-步骤3003。
步骤3001、采用所述前向滑动平均层对所述高亮监测文本报告进行前向注意力变更处理,以更改所述高亮监测文本报告中的各个文本语义单元的语义值,得到前向语义描述向量关系网。
步骤3002、采用所述后向滑动平均层对所述前向语义描述向量关系网进行后向注意力变更处理,得到后向语义描述向量关系网,所述后向语义描述向量关系网的向量规模等于所述目标物联网安全监测文本报告的向量规模。
步骤3003、采用所述第二注意力变更组件中的各个滑动平均算子,对所述后向语义描述向量关系网进行滑动平均操作,得到高亮文本语义关系网。
在本发明实施例中,前向滑动平均和后向滑动平均分别可以理解为前向卷积核和反向卷积,这样一来,通过前后向滑动平均处理,能够充分挖掘上下文语义关联,从而提高高亮文本语义关系网的完整性和精度。
在一些示例中,所述AI监测决策算法中的文本向量分析组件用于生成所述目标物联网安全监测文本报告的目标文本语义描述特征,所述目标文本语义描述特征的注意力维数与所述目标联动语义特征的注意力维数相同。基于此,步骤500中的基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息,包括步骤510-步骤550。
步骤510、基于所述目标文本语义描述特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到所述拟分析物联网安全异常事件在多个设定关键词中各个设定关键词下的第一确定性参数。
其中,确定性参数可以理解为对应关键词的可能性评分。
步骤520、基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼处理,得到所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数。
步骤530、对所述拟分析物联网安全异常事件在每个设定关键词下的第一确定性参数与相应的第二确定性参数进行参数聚合处理,得到所述拟分析物联网安全异常事件在所述每个设定关键词下的目标确定性参数。
其中,参数聚合可以是将第一确定性参数与相应的第二确定性参数进行加权,从而得到目标确定性参数。
步骤540、基于所述拟分析物联网安全异常事件在所述每个设定关键词下的目标确定性参数,确定所述拟分析物联网安全异常事件属于所述每个设定关键词的目标可能性。
步骤550、将最大的目标可能性所对应的设定关键词,增添到所述拟分析物联网安全异常事件的异常关键词提炼信息中。
可见,应用步骤510-步骤550,能够结合确定性参数进行设定关键词的匹配和增添,从而保障异常关键词提炼信息的完整性和可信度。
在一些示例下,当所述文本向量分析组件包括所述第一滑动平均层时,所述目标文本语义描述特征是对所述目标物联网安全监测文本报告的第一语义描述向量关系网进行语义向量强化处理得到的。另外,当所述文本向量分析组件不包括所述第一滑动平均层时,所述目标文本语义描述特征是对所述目标物联网安全监测文本报告进行语义向量强化处理得到的。
在另一些实施例中,所述AI监测决策算法中的文本向量分析组件用于生成所述目标物联网安全监测文本报告的目标文本语义描述特征,所述目标文本语义描述特征的注意力维数与所述目标联动语义特征的注意力维数相同。基于此,步骤500中的基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到异常关键词提炼信息,包括步骤5001-步骤5003。
步骤5001、基于所述目标文本语义描述特征对所述拟分析物联网安全异常事件进行异常关键词提炼,得到所述拟分析物联网安全异常事件在多个设定关键词中各个设定关键词下的第一确定性参数。
步骤5002、基于所述目标联动语义特征对所述拟分析物联网安全异常事件进行异常关键词提炼处理,得到所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数。
步骤5003、采用所述拟分析物联网安全异常事件在所述各个设定关键词下的第一确定性参数,以及所述拟分析物联网安全异常事件在所述各个设定关键词下的第二确定性参数,生成所述拟分析物联网安全异常事件的异常关键词提炼信息。
应用步骤5001-步骤5003,可以准确得到异常关键词提炼信息。
在上述内容的基础上,所述方法还包括S1-S3。
S1、获取所述拟分析物联网安全异常事件的先验关键词。
其中,先验关键词为关键词标注信息。
S2、依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的算法质量评估系数。
其中,算法质量评估系数可以理解为算法损失变量。
S3、依据缩小所述算法质量评估系数的规则,改进所述AI监测决策算法的算法配置变量。
其中,缩小所述算法质量评估系数的规则可以理解为实现算法损失收敛的规则,基于此,可以对AI监测决策算法的算法配置变量(算法参数)进行优化。
在上述内容的基础上,S2中的依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的算法质量评估系数,包括S21-S24。
S21、依据所述先验关键词以及所述异常关键词提炼信息,确定所述AI监测决策算法的第一语义偏移评估系数。
其中,第一语义偏移评估系数用于反映AI监测决策算法在进行语义特征提取时的损失值。
S22、采用所述目标文本语义描述特征和所述目标联动语义特征,生成关联性描述列表。
其中,所述关联性描述列表用于表征所述目标文本语义描述特征和所述目标联动语义特征之间的共性程度,该共性程度能够反映目标文本语义描述特征和目标联动语义特征之间的相似度。
S23、依据所述关联性描述列表以及所述关联性描述列表的改进期望,确定所述AI监测决策算法的第二语义偏移评估系数。
其中,改进期望可以理解为优化期望,第二语义偏移评估系数是在关联性描述列表层面下确定的语义特征提取损失值。
S24、对所述第一语义偏移评估系数和所述第二语义偏移评估系数进行加权,得到所述AI监测决策算法的算法质量评估系数。
可见,应用S21-S24,通过对不同的语义偏移评估系数进行加权求和,可以准确、全面地确定出AI监测决策算法的算法质量评估系数,为AI监测决策算法的调试训练提供可信基础。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。