CN116484368A - 基于数字视觉智能的云业务操作风险识别方法及软件产品 - Google Patents

基于数字视觉智能的云业务操作风险识别方法及软件产品 Download PDF

Info

Publication number
CN116484368A
CN116484368A CN202310502477.9A CN202310502477A CN116484368A CN 116484368 A CN116484368 A CN 116484368A CN 202310502477 A CN202310502477 A CN 202310502477A CN 116484368 A CN116484368 A CN 116484368A
Authority
CN
China
Prior art keywords
visual
activity
operation activity
event
descriptor
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.)
Withdrawn
Application number
CN202310502477.9A
Other languages
English (en)
Inventor
张小琼
张永红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Chenyutong Technology Co ltd
Original Assignee
Sichuan Chenyutong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Chenyutong Technology Co ltd filed Critical Sichuan Chenyutong Technology Co ltd
Priority to CN202310502477.9A priority Critical patent/CN116484368A/zh
Publication of CN116484368A publication Critical patent/CN116484368A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • 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
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Bioethics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及数字化、可视化、人工智能和大数据技术领域，具体提供一种基于数字视觉智能的云业务操作风险识别方法及软件产品，大数据风险AI识别服务器在基于神经网络进行诸如在线电商业务交互任务、数据库访问调用交互任务、元宇宙空间娱乐交互任务、远程医疗辅助就诊交互任务、数字办公视频会议交互任务等的特征挖掘分析时，可以实现对特征挖掘的丰富和优化，从而提高所得到的风险识别聚合描述子的云业务操作行为意图表征能力，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度。

Description

基于数字视觉智能的云业务操作风险识别方法及软件产品
技术领域
本发明涉及数字化、可视化、人工智能和大数据技术领域，尤其涉及一种基于数字视觉智能的云业务操作风险识别方法及软件产品。
背景技术
数字视觉智能是融合了数字化、可视化和人工智能的新技术，其主要针对于当前的一些可视化交互处理的分析，比如针对交互视频和交互图像进行分析处理以从中挖掘有价值的数据信息。
作为人工智能 （Artificial Intelligence，AI）和深度学习（Deep Learning，DL）的拓展领域，数字视觉智能技术可以应用到在线电商业务交互、数据库访问调用交互、元宇宙空间娱乐交互等可视化交互场景。在这些可视化交互场景下，用户和服务器/系统之间通过图形化操作界面实现一系列的交互，相对于传统的交互方式，这类可视化交互方式可理解性强，准入门槛低，因而得到了广泛的应用。然而，在相关业务的可视化交互过程中，安全风险的识别和检测依然不可或缺。
发明内容
本发明提供一种基于数字视觉智能的云业务操作风险识别方法及软件产品，在基于神经网络进行诸如在线电商业务交互任务、数据库访问调用交互任务、元宇宙空间娱乐交互任务、远程医疗辅助就诊交互任务、数字办公视频会议交互任务等的特征挖掘分析时，可以实现对特征挖掘的丰富和优化，从而提高所得到的风险识别聚合描述子的云业务操作行为意图表征能力，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种基于数字视觉智能的云业务操作风险识别方法，应用于大数据风险AI识别服务器，所述方法包括：
获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息，所述多个异常操作行为意图信息用于表征所述第一可视操作活动事件所对应的不同云业务操作行为意图；
结合所述第一可视操作活动事件以及所述目标图像化业务操作记录中除所述第一可视操作活动事件之外的剩余图像化业务操作记录，获得所述第一可视操作活动事件的操作活动视觉描述子；
结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子；
结合所述风险识别聚合描述子获得所述目标图像化业务操作记录对应的云业务操作风险识别报告。
在一些可选的实施例中，所述结合所述第一可视操作活动事件以及所述目标图像化业务操作记录中除所述第一可视操作活动事件之外的剩余图像化业务操作记录，获得所述第一可视操作活动事件的操作活动视觉描述子包括：
将所述第一可视操作活动事件以及所述剩余图像化业务操作记录加载至图像描述挖掘网络；
通过所述图像描述挖掘网络，对所述第一可视操作活动事件以及所述剩余图像化业务操作记录进行局部描述挖掘，得到所述第一可视操作活动事件的操作活动视觉描述子。
在一些可选的实施例中，所述对所述第一可视操作活动事件以及所述剩余图像化业务操作记录进行局部描述挖掘，得到所述第一可视操作活动事件的操作活动视觉描述子包括：
获得所述第一可视操作活动事件的第一连接描述子、第一请求描述子以及第一应答描述子；
获得所述剩余图像化业务操作记录的第二请求描述子以及第二应答描述子；
对所述第一连接描述子与所述第一请求描述子的设定运算结果以及所述第一连接描述子与所述第二请求描述子的设定运算结果进行量化映射处理，得到所述第一可视操作活动事件的第一局部描述强化因子以及所述剩余图像化业务操作记录对所述第一可视操作活动事件的第二局部描述强化因子；
将所述第一局部描述强化因子与所述第一应答描述子的设定运算结果与所述第二局部描述强化因子与所述第二应答描述子的设定运算结果进行求和，得到所述第一可视操作活动事件的操作活动视觉描述子。
在一些可选的实施例中，所述结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子包括：
通过图像描述挖掘网络执行下述步骤：
结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，确定所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的多个第一特征依存系数，所述第一特征依存系数用于表征对应异常操作行为意图信息与所述第一可视操作活动事件的关联性；
基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子。
在一些可选的实施例中，所述基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子包括：
基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行强化聚合，得到所述第一可视操作活动事件的操作活动强化聚合描述子；
对所述操作活动强化聚合描述子进行并行局部描述挖掘，得到所述第一可视操作活动事件的多个局部描述挖掘结果；
结合所述多个局部描述挖掘结果，得到所述第一可视操作活动事件的风险识别聚合描述子。
在一些可选的实施例中，所述结合所述多个局部描述挖掘结果，得到所述第一可视操作活动事件的风险识别聚合描述子包括：
将所述多个局部描述挖掘结果进行组合，得到局部图像特征关系网；
对所述局部图像特征关系网进行特征下采样，得到所述第一可视操作活动事件的风险识别聚合描述子。
在一些可选的实施例中，所述图像描述挖掘网络的学习方法包括：
获得神经网络学习样例，所述神经网络学习样例包括图像化业务操作学习记录、云业务操作风险识别学习报告以及所述图像化业务操作学习记录与所述云业务操作风险识别学习报告之间的共性支持学习变量；
将所述图像化业务操作学习记录和所述云业务操作风险识别学习报告加载至所述图像描述挖掘网络；
通过所述图像描述挖掘网络提取所述图像化业务操作学习记录中的可视操作活动学习事件的风险识别聚合描述子以及所述云业务操作风险识别学习报告的风险识别聚合描述子；
结合所述可视操作活动学习事件的风险识别聚合描述子和所述云业务操作风险识别学习报告的风险识别聚合描述子之间的共性支持变量与所述共性支持学习变量之间的比较数据，优化所述图像描述挖掘网络的网络参量。
在一些可选的实施例中，所述获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息包括：
在风险识别辅助数据集中检索与所述第一可视操作活动事件匹配的目标可视操作活动事件，所述风险识别辅助数据集中包含了多个可视操作活动事件以及与每个所述可视操作活动事件对应的多个异常操作行为意图信息；
将所述目标可视操作活动事件对应的多个异常操作行为意图信息获得为所述第一可视操作活动事件的多个异常操作行为意图信息。
在一些可选的实施例中，所述第一可视操作活动事件的获得方法包括：
对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述目标图像化业务操作记录的多个初始可视操作活动事件；
如果所述多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，将所述任一初始可视操作活动事件确定为所述第一可视操作活动事件，所述风险识别辅助数据集中包含了多个可视操作活动事件以及与每个所述可视操作活动事件对应的多个异常操作行为意图信息。
在一些可选的实施例中，所述对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述目标图像化业务操作记录的多个初始可视操作活动事件包括：采用设定规则对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述设定规则分别对应的多个初始可视操作活动事件链，每个初始可视操作活动事件链包括所述目标图像化业务操作记录中的多个初始可视操作活动事件，同一初始可视操作活动事件链中不同初始可视操作活动事件的操作节点个数相同，且不同初始可视操作活动事件链中的初始可视操作活动事件的操作节点个数不同；
所述如果所述多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，将所述任一初始可视操作活动事件确定为所述第一可视操作活动事件包括：如果属于不同初始可视操作活动事件链的多个初始可视操作活动事件分别与所述风险识别辅助数据集中的多个可视操作活动事件相同，将所述属于不同初始可视操作活动事件链的多个初始可视操作活动事件中操作节点个数最多的初始可视操作活动事件获得为所述第一可视操作活动事件。
在一些可选的实施例中，所述多个异常操作行为意图信息的操作活动视觉描述子的获得方法包括：
对于任一异常操作行为意图信息，将所述任一异常操作行为意图信息加载至图像描述挖掘网络；
通过所述图像描述挖掘网络，对所述任一异常操作行为意图信息中的多个可视操作活动事件进行局部描述挖掘，得到所述任一异常操作行为意图信息的操作活动视觉描述子。
在一些可选的实施例中，所述对所述任一异常操作行为意图信息中的多个可视操作活动事件进行局部描述挖掘，得到所述任一异常操作行为意图信息的操作活动视觉描述子包括：
对于所述任一异常操作行为意图信息中的多个可视操作活动事件中的任一可视操作活动事件，获得所述任一可视操作活动事件的第三连接描述子、第三请求描述子以及第三应答描述子；
获得所述任一异常操作行为意图信息中的多个可视操作活动事件中除所述任一可视操作活动事件之外的其他可视操作活动事件的第四请求描述子以及第四应答描述子；
对所述第三连接描述子与所述第三请求描述子的设定运算结果以及所述第三连接描述子与所述第四请求描述子的设定运算结果进行量化映射处理，得到所述任一可视操作活动事件的第三局部描述强化因子以及所述其他可视操作活动事件对所述任一可视操作活动事件的第四局部描述强化因子；
将所述第三局部描述强化因子与所述第三应答描述子的设定运算结果与所述第四局部描述强化因子与所述第四应答描述子的设定运算结果进行求和，得到所述任一可视操作活动事件的操作活动视觉描述子；
将所述任一异常操作行为意图信息中的多个可视操作活动事件的操作活动视觉描述子进行聚合，得到所述任一异常操作行为意图信息的操作活动视觉描述子。
第二方面是一种大数据风险AI识别服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述大数据风险AI识别服务器执行第一方面的方法。
第三方面是一种用于实现基于数字视觉智能的云业务操作风险识别方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行第一方面的方法。
第四方面是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行第一方面的方法。
应用本发明实施例，在对第一可视操作活动事件进行图像描述挖掘的过程中，能够考虑异常操作行为意图信息，通过异常操作行为意图信息来对第一可视操作活动事件的操作活动视觉描述子中包含的云业务操作行为意图进行丰富，得到的风险识别聚合描述子可以尽可能全面地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度。
附图说明
图1为本发明实施例提供的基于数字视觉智能的云业务操作风险识别方法的流程示意图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的基于数字视觉智能的云业务操作风险识别方法的流程示意图，基于数字视觉智能的云业务操作风险识别方法可以通过大数据风险AI识别服务器实现，大数据风险AI识别服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述大数据风险AI识别服务器执行步骤101-步骤104。
步骤101、大数据风险AI识别服务器获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息。
其中，多个异常操作行为意图信息用于表征第一可视操作活动事件所对应的不同云业务操作行为意图。
对于本发明实施例而言，第一可视操作活动事件为在不同业务交互任务下存在不同云业务操作行为意图的可视操作活动事件，例如，对于第一可视操作活动事件“用户画像分析事件”而言，不仅可以反映一种画像处理意图“通过画像处理实现合规的大数据挖掘”，还可以反映一种大数据杀熟意图“偏向进行非授权的大数据杀熟定向推送前处理”。一个异常操作行为意图信息能够反映第一可视操作活动事件的一个云业务操作行为意图，因此，多个异常操作行为意图信息能够反映第一可视操作活动事件不同云业务操作行为意图的图像化业务操作记录。
进一步地，目标图像化业务操作记录可以涉及不同的业务交互任务，例如在线电商业务交互任务、数据库访问调用交互任务、元宇宙空间娱乐交互任务、远程医疗辅助就诊交互任务、数字办公视频会议交互任务等。
步骤102、大数据风险AI识别服务器基于第一可视操作活动事件以及目标图像化业务操作记录中除第一可视操作活动事件之外的剩余图像化业务操作记录，获得第一可视操作活动事件的操作活动视觉描述子。
对于本发明实施例而言，鉴于第一可视操作活动事件为在不同业务交互任务下存在不同云业务操作行为意图的可视操作活动事件，而业务交互任务也是由目标图像化业务操作记录中的剩余图像化业务操作记录和第一可视操作活动事件一并确定的，因而通过第一可视操作活动事件自身以及剩余图像化业务操作记录得到的第一可视操作活动事件的操作活动视觉描述子，可以表征第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图。
此外，操作活动视觉描述子可以理解为相关可视操作活动事件热操作行为特征，比如可以通过特征向量或者特征编码的形式进行记录。
步骤103、大数据风险AI识别服务器基于第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到第一可视操作活动事件的风险识别聚合描述子。
对于本发明实施例而言，鉴于多个异常操作行为意图信息能够反映第一可视操作活动事件的多个云业务操作行为意图，则基于第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子进行聚合，能够在第一可视操作活动事件的操作活动视觉描述子中进行特征描述的进一步丰富，得到的第一可视操作活动事件的风险识别聚合描述子就可以尽可能全面地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图。
此外，异常操作行为意图信息可以理解为异常操作行为意图的图像输出内容，比如可以通过高亮处理或者突出处理来对异常操作行为意图进行标记或者突显。基于此，共性支持变量可以理解为不同操作活动视觉描述子之间的描述相似度或者特征相似度。操作活动视觉描述子进行聚合用于进行特征融合，以得到细节表征更加丰富完整的风险识别聚合描述子（可以理解为用于进行风险识别的加权特征）。
步骤104、大数据风险AI识别服务器基于风险识别聚合描述子获得目标图像化业务操作记录对应的云业务操作风险识别报告。
对于本发明实施例而言，鉴于风险识别聚合描述子可以尽可能全面丰富地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图（偏向具有风险的操作行为意图），那么基于风险识别聚合描述子得到的云业务操作风险识别报告，可以尽量匹配相关的云业务操作风险识别申请，从而提高图像化业务操作记录的风险识别的精度和可信度。
鉴于第一可视操作活动事件在不同图像化业务操作记录中可能对应于不同的云业务操作行为意图，应用本发明实施例，在对第一可视操作活动事件进行图像描述挖掘的过程中，能够考虑异常操作行为意图信息，不同异常操作行为意图信息能够反映第一可视操作活动事件的不同云业务操作行为意图。通过异常操作行为意图信息的操作活动视觉描述子与第一可视操作活动事件的操作活动视觉描述子之间的相关性，将异常操作行为意图信息的操作活动视觉描述子与第一可视操作活动事件的操作活动视觉描述子进行聚合，可以理解为为第一可视操作活动事件的操作活动视觉描述子中包含的异常操作行为意图信息进行丰富，使得风险识别聚合描述子可以尽可能精准地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度。
本发明实施例提供的一种基于数字视觉智能的云业务操作风险识别方法包括如下相关内容。
步骤201、大数据风险AI识别服务器从目标图像化业务操作记录中获得第一可视操作活动事件。
在一些示例下，大数据风险AI识别服务器对目标图像化业务操作记录进行可视操作活动事件检测，得到目标图像化业务操作记录的多个初始可视操作活动事件。如果多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，大数据风险AI识别服务器将该初始可视操作活动事件确定为第一可视操作活动事件，风险识别辅助数据集中包含了多个可视操作活动事件以及与每个可视操作活动事件对应的多个异常操作行为意图信息。
对于本发明实施例而言，目标图像化业务操作记录可以理解为输入大数据风险AI识别服务器的图像化业务操作记录，大数据风险AI识别服务器能够通过目标图像化业务操作记录来进行图像化业务操作记录的风险识别。风险识别辅助数据集可以理解为数据库，用于保存多个可视操作活动事件以及与每个可视操作活动事件对应的多个异常操作行为意图信息，可以理解为将以多个可视操作活动事件为请求向量（键向量），以每个可视操作活动事件（键向量）对应的异常操作行为意图信息作为应答向量（值向量）来进行记录，大数据风险AI识别服务器可以通过可视操作活动事件（键向量）来确定对应的异常操作行为意图信息（值向量）。对于一些示例而言，大数据风险AI识别服务器可以通过专家系统分支（知识领域映射地图）来生成风险识别辅助数据集。对于一些示例而言，可视操作活动事件也可以理解为“知识成员”。
基于该设计思路，大数据风险AI识别服务器能够在对目标图像化业务操作记录进行可视操作活动事件检测的前提下，在风险识别辅助数据集中对多个初始可视操作活动事件进行检索，从而确定目标图像化业务操作记录中的第一可视操作活动事件，第一可视操作活动事件的获得时效性可以得到保障。
示例性的，大数据风险AI识别服务器以设定步长对目标图像化业务操作记录进行可视操作活动事件检测，得到包含相同操作节点个数的多个初始可视操作活动事件。大数据风险AI识别服务器将多个初始可视操作活动事件分别在风险识别辅助数据集中进行检索，当确定出多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同时，大数据风险AI识别服务器将该初始可视操作活动事件（作为参考的可视操作活动事件）确定为第一可视操作活动事件。
在一些示例下，大数据风险AI识别服务器采用设定规则对目标图像化业务操作记录进行可视操作活动事件检测，得到设定规则分别对应的多个初始可视操作活动事件链（初始可视操作活动事件序列），每个初始可视操作活动事件链包括目标图像化业务操作记录中的多个初始可视操作活动事件，同一初始可视操作活动事件链中不同初始可视操作活动事件的操作节点个数相同，且不同初始可视操作活动事件链中的初始可视操作活动事件的操作节点个数不同。如果属于不同初始可视操作活动事件链的多个初始可视操作活动事件分别与风险识别辅助数据集中的多个可视操作活动事件相同，将属于不同初始可视操作活动事件链的多个初始可视操作活动事件中操作节点个数最多的初始可视操作活动事件获得为第一可视操作活动事件。
本发明实施例中，操作节点用于反应初始可视操作活动事件的事件步骤或者事件操作复杂度，比如初始可视操作活动事件“数据访问”的操作节点包括“登录节点”、“验证节点”、“访问请求节点”、“访问接入节点”以及“访问退出节点”等。这些操作节点可以通过节点轨迹图的形式形成对应的初始可视操作活动事件。
步骤202、大数据风险AI识别服务器获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息，多个异常操作行为意图信息用于表征第一可视操作活动事件所对应的不同云业务操作行为意图。
在一些示例下，大数据风险AI识别服务器在风险识别辅助数据集中检索与第一可视操作活动事件匹配的目标可视操作活动事件。大数据风险AI识别服务器将目标可视操作活动事件对应的多个异常操作行为意图信息获得为第一可视操作活动事件的多个异常操作行为意图信息。
基于该设计思路，大数据风险AI识别服务器能够从风险识别辅助数据集中及时地获得第一可视操作活动事件的多个异常操作行为意图信息，后续可以通过多个异常操作行为意图信息来获得第一可视操作活动事件的风险识别聚合描述子，从而尽可能精准地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图。
步骤203、大数据风险AI识别服务器基于第一可视操作活动事件以及目标图像化业务操作记录中除第一可视操作活动事件之外的剩余图像化业务操作记录，获得第一可视操作活动事件的操作活动视觉描述子。
在一些示例下，大数据风险AI识别服务器将第一可视操作活动事件以及剩余图像化业务操作记录加载至图像描述挖掘网络，通过图像描述挖掘网络，对第一可视操作活动事件以及剩余图像化业务操作记录进行局部描述挖掘，得到第一可视操作活动事件的操作活动视觉描述子。
其中，图像描述挖掘网络可以理解为针对图像化业务操作记录进行图像特征提取的神经网络模型，例如可以是卷积神经网络、深度学习模型或者残差网络等。
基于该设计思路，鉴于第一可视操作活动事件与剩余图像化业务操作记录结合才可以表征第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图，大数据风险AI识别服务器能够对第一可视操作活动事件以及剩余图像化业务操作记录进行局部描述挖掘（基于注意力的局部特征提取处理），基于局部描述挖掘得到第一可视操作活动事件的操作活动视觉描述子，进而所用的第一可视操作活动事件的操作活动视觉描述子可以准确丰富地反映第一可视操作活动事件的云业务操作行为意图。
示例性的，大数据风险AI识别服务器将第一可视操作活动事件以及剩余图像化业务操作记录分别加载至图像描述挖掘网络。大数据风险AI识别服务器通过图像描述挖掘网络，获得第一可视操作活动事件的第一连接描述子、第一请求描述子以及第一应答描述子。大数据风险AI识别服务器通过图像描述挖掘网络，获得剩余图像化业务操作记录的第二请求描述子以及第二应答描述子。
大数据风险AI识别服务器对第一连接描述子与第一请求描述子的设定运算结果以及第一连接描述子与第二请求描述子的设定运算结果进行量化映射处理，得到第一可视操作活动事件的第一局部描述强化因子以及剩余图像化业务操作记录对第一可视操作活动事件的第二局部描述强化因子。大数据风险AI识别服务器将第一局部描述强化因子与第一应答描述子的设定运算结果与第二局部描述强化因子与第二应答描述子的设定运算结果进行求和，得到第一可视操作活动事件的操作活动视觉描述子。对于一些示例而言，第一连接描述子和第一请求描述子用于获得第一可视操作活动事件的第一局部描述强化因子，第一应答描述子用于表征第一可视操作活动事件，第一局部描述强化因子和第一应答描述子用于获得第一可视操作活动事件的操作活动视觉描述子。
在本发明实施例中，连接描述子、请求描述子以及应答描述子可以理解为查询键值对，换言之，连接描述子可以理解为查询向量，请求描述子可以理解为键向量，且应答描述子可以理解为值向量。而局部描述强化因子可以理解为注意力权重或者注意力因子。
步骤204、大数据风险AI识别服务器基于第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到第一可视操作活动事件的风险识别聚合描述子。
在一些示例下，大数据风险AI识别服务器通过图像描述挖掘网络，基于第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，确定第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的多个第一特征依存系数，第一特征依存系数用于表征对应异常操作行为意图信息与第一可视操作活动事件的关联性。大数据风险AI识别服务器基于多个第一特征依存系数，将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到第一可视操作活动事件的风险识别聚合描述子。
基于该设计思路，大数据风险AI识别服务器能够通过图像描述挖掘网络，基于第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，确定第一特征依存系数（可以理解为关联系数或者关联权重），换言之，当第一可视操作活动事件的操作活动视觉描述子与一个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量较大时，表明该异常操作行为意图信息尽可能匹配第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图，大数据风险AI识别服务器可以将第一可视操作活动事件的操作活动视觉描述子与该异常操作行为意图信息的操作活动视觉描述子之间的第一特征依存系数设置的较高，从而对第一可视操作活动事件的操作活动视觉描述子中包含的异常操作行为意图信息进行丰富，得到的风险识别聚合描述子也就可以尽可能精准地反映第一可视操作活动事件的在目标图像化业务操作记录中的云业务操作行为意图。
在一些示例下，大数据风险AI识别服务器将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子加载至图像描述挖掘网络，图像描述挖掘网络可以通过余弦相似度的计算思路来获得第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，并可以通过相关系系数的计算思路确定第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子之间的多个第一特征依存系数。
鉴于第一可视操作活动事件的操作活动视觉描述子携带了目标图像化业务操作记录的前后向特征，因而通过上述思路能够很好地获得每个异常操作行为意图信息在当前业务交互任务中的贡献。
在一些示例下，第一特征依存系数与第一可视操作活动事件的操作活动视觉描述子与异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量呈正比，可以理解为，第一可视操作活动事件的操作活动视觉描述子与某个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量越高，那么第一可视操作活动事件的操作活动视觉描述子与该异常操作行为意图信息的操作活动视觉描述子之间的第一特征依存系数的值也越大。对应的，第一可视操作活动事件的操作活动视觉描述子与另一个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量越高，那么第一可视操作活动事件的操作活动视觉描述子与该异常操作行为意图信息的操作活动视觉描述子之间的第一特征依存系数的值也越小。
在一些示例下，大数据风险AI识别服务器通过图像描述挖掘网络，基于多个第一特征依存系数，将第一可视操作活动事件的操作活动视觉描述子与多个异常操作行为意图信息的操作活动视觉描述子进行强化聚合，得到第一可视操作活动事件的操作活动强化聚合描述子（可以理解为第一可视操作活动事件的加权求和特征）。
大数据风险AI识别服务器通过图像描述挖掘网络，对操作活动强化聚合描述子进行并行局部描述挖掘，得到第一可视操作活动事件的多个局部描述挖掘结果。大数据风险AI识别服务器通过图像描述挖掘网络，基于多个局部描述挖掘结果，得到第一可视操作活动事件的风险识别聚合描述子。其中，并行局部描述挖掘可以理解为利用不同的特征编码指示（特征映射矩阵），对风险识别聚合描述子进行提炼的过程，并行局部描述挖掘能够对风险识别聚合描述子进行更为深入的细节挖掘，从而提高风险识别聚合描述子的细节表征性能。
例如，大数据风险AI识别服务器将第一可视操作活动事件以及多个异常操作行为意图信息加载至图像描述挖掘网络的卷积组件module1，通过卷积组件module1对第一可视操作活动事件以及多个异常操作行为意图信息进行卷积处理，得到第一可视操作活动事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子。大数据风险AI识别服务器将第一可视操作活动事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子加载至图像描述挖掘网络的第一特征依存系数确定组件module2，由第一特征依存系数确定组件module2，并基于上述计算思路来获得多个第一特征依存系数，对于一些示例而言，第一特征依存系数确定组件module2也可以理解为局部聚焦组件（注意力组件）。大数据风险AI识别服务器通过图像描述挖掘网络，将第一特征依存系数与对应的操作活动视觉描述子求积，将求积后的结果加载至图像描述挖掘网络的图像描述聚合组件module3，通过图像描述聚合组件module3来获得第一可视操作活动事件的操作活动强化聚合描述子。
进一步地，大数据风险AI识别服务器通过图像描述挖掘网络，将多个局部描述挖掘结果进行组合，得到局部图像特征关系网。大数据风险AI识别服务器通过图像描述挖掘网络，对局部图像特征关系网进行特征下采样，得到第一可视操作活动事件的风险识别聚合描述子。
其中上述的多线程局部描述挖掘可以基于并行局部描述挖掘实现，并行局部描述挖掘例如可以是多注意力特征提取策略。
在另外的设计思路下，大数据风险AI识别服务器获得多个异常操作行为意图信息的操作活动视觉描述子的方法可以包括如下内容。
在一些示例下，对于任一异常操作行为意图信息，大数据风险AI识别服务器将任一异常操作行为意图信息加载至图像描述挖掘网络。大数据风险AI识别服务器通过图像描述挖掘网络，对该异常操作行为意图信息中的多个可视操作活动事件进行局部描述挖掘，得到该异常操作行为意图信息的操作活动视觉描述子。
示例性的，对于任一异常操作行为意图信息中的多个可视操作活动事件中的任一可视操作活动事件，大数据风险AI识别服务器通过图像描述挖掘网络，获得该可视操作活动事件的第三连接描述子、第三请求描述子以及第三应答描述子。大数据风险AI识别服务器通过图像描述挖掘网络，获得该异常操作行为意图信息中的多个可视操作活动事件中除该可视操作活动事件之外的其他可视操作活动事件的第四请求描述子以及第四应答描述子。大数据风险AI识别服务器通过图像描述挖掘网络，对第三连接描述子与第三请求描述子的设定运算结果以及第三连接描述子与第四请求描述子的设定运算结果进行量化映射处理，得到该可视操作活动事件的第三局部描述强化因子以及其他可视操作活动事件对该可视操作活动事件的第四局部描述强化因子。大数据风险AI识别服务器通过图像描述挖掘网络，将第三局部描述强化因子与第三应答描述子的设定运算结果与第四局部描述强化因子与第四应答描述子的设定运算结果进行求和（比如将乘积结果进行相加处理），得到该可视操作活动事件的操作活动视觉描述子。大数据风险AI识别服务器通过图像描述挖掘网络，将该异常操作行为意图信息中的多个可视操作活动事件的操作活动视觉描述子进行聚合，得到该异常操作行为意图信息的操作活动视觉描述子。
步骤205、大数据风险AI识别服务器基于风险识别聚合描述子获得目标图像化业务操作记录对应的云业务操作风险识别报告。
在一些示例下，如果任一云业务操作风险识别报告的风险识别聚合描述子与第一可视操作活动事件的风险识别聚合描述子之间的共性支持变量满足目标共性支持变量要求，大数据风险AI识别服务器将该云业务操作风险识别报告确定为与目标图像化业务操作记录对应的云业务操作风险识别报告。
其中，共性支持变量符合目标共性支持变量要求可以理解为，共性支持变量不小于共性支持变量阈值。
基于该设计思路，大数据风险AI识别服务器可以通过第一可视操作活动事件的风险识别聚合描述子和云业务操作风险识别报告的风险识别聚合描述子之间的共性支持变量来确定与目标图像化业务操作记录对应的云业务操作风险识别报告，云业务操作风险识别报告的识别时效性得以保障。
以三个云业务操作风险识别报告为例，若第一可视操作活动事件的风险识别聚合描述子为（a，b，c）des，三个云业务操作风险识别报告的风险识别聚合描述子分别为（d，e，f）des、（h，i，j）des以及（k，l，m）des，大数据风险AI识别服务器分别确定第一可视操作活动事件的风险识别聚合描述子（a，b，c）des，与三个云业务操作风险识别报告的风险识别聚合描述子分别为（d，e，f）des、（h，i，j）des以及（k，l，m）des之间的余弦相似度0.79、-0.48以及-0.83。若共性支持变量阈值为0.7，那么大数据风险AI识别服务器能够将风险识别聚合描述子（d，e，f）des对应的云业务操作风险识别报告确定为目标图像化业务操作记录对应的云业务操作风险识别报告。
对大数据风险AI识别服务器获得云业务操作风险识别报告的风险识别聚合描述子的方法可以通过如下思路实现。
在一些示例下，大数据风险AI识别服务器对云业务操作风险识别报告的概要或关键内容中的至少一项进行可视操作活动事件检测，得到云业务操作风险识别报告的多个初始可视操作活动事件。
如果云业务操作风险识别报告的多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，大数据风险AI识别服务器将任一初始可视操作活动事件确定为第二可视操作活动事件，风险识别辅助数据集中包含了多个可视操作活动事件以及与多个可视操作活动事件对应的多个异常操作行为意图信息。大数据风险AI识别服务器从风险识别辅助数据集中获得第二可视操作活动事件对应的多个异常操作行为意图信息。大数据风险AI识别服务器基于第二可视操作活动事件以及云业务操作风险识别报告中除第二可视操作活动事件之外的剩余图像化业务操作记录，获得第二可视操作活动事件的操作活动视觉描述子。大数据风险AI识别服务器基于第二可视操作活动事件的操作活动视觉描述子与第二可视操作活动事件对应的多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将第二可视操作活动事件的操作活动视觉描述子与第二可视操作活动事件对应的多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到云业务操作风险识别报告的风险识别聚合描述子。
鉴于第一可视操作活动事件在不同图像化业务操作记录中可能对应于不同的云业务操作行为意图，应用本发明实施例，在对第一可视操作活动事件进行图像描述挖掘的过程中，能够考虑异常操作行为意图信息，不同异常操作行为意图信息能够反映第一可视操作活动事件的不同云业务操作行为意图。通过异常操作行为意图信息的操作活动视觉描述子与第一可视操作活动事件的操作活动视觉描述子之间的相关性，将异常操作行为意图信息的操作活动视觉描述子与第一可视操作活动事件的操作活动视觉描述子进行聚合，可以理解为为第一可视操作活动事件的操作活动视觉描述子中包含的异常操作行为意图信息进行丰富，使得风险识别聚合描述子可以尽可能精准地反映第一可视操作活动事件在目标图像化业务操作记录中的云业务操作行为意图，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度。
本发明实施例还提供了针对图像描述挖掘网络的学习调试思路。
S101、大数据风险AI识别服务器获得神经网络学习样例，神经网络学习样例包括图像化业务操作学习记录、云业务操作风险识别学习报告以及图像化业务操作学习记录与云业务操作风险识别学习报告之间的共性支持学习变量。
对于一些示例而言，大数据风险AI识别服务器能够采用“1”和“0”来反映图像化业务操作学习记录与云业务操作风险识别学习报告之间的共性支持学习变量，其中，“1”反映图像化业务操作学习记录与云业务操作风险识别学习报告共性支持变量较高，可以理解为图像化业务操作学习记录与云业务操作风险识别学习报告匹配，“0”反映图像化业务操作学习记录与云业务操作风险识别学习报告共性支持变量较低，可以理解为图像化业务操作学习记录与云业务操作风险识别学习报告不匹配。对应于上述基于数字视觉智能的云业务操作风险识别方法，图像化业务操作学习记录可以理解为进行图像化业务操作记录的风险识别时的目标图像化业务操作记录，云业务操作风险识别学习报告可以理解为基于目标图像化业务操作记录进行风险识别之后得到的云业务操作风险识别报告。
S102、大数据风险AI识别服务器将图像化业务操作学习记录和云业务操作风险识别学习报告加载至图像描述挖掘网络。
比如，可以将图像化业务操作学习记录（图像化业务操作记录的样本）和云业务操作风险识别报告加载至图像描述挖掘网络。
S103、大数据风险AI识别服务器通过图像描述挖掘网络提取图像化业务操作学习记录中的可视操作活动学习事件的风险识别聚合描述子以及云业务操作风险识别学习报告的风险识别聚合描述子。
在一些示例下，大数据风险AI识别服务器通过图像描述挖掘网络，获得图像化业务操作学习记录中的可视操作活动学习事件。大数据风险AI识别服务器通过图像描述挖掘网络，获得云业务操作风险识别学习报告的待处理可视操作活动事件。大数据风险AI识别服务器通过图像描述挖掘网络，获得可视操作活动学习事件的多个异常操作行为意图信息以及待处理可视操作活动事件的多个异常操作行为意图信息。大数据风险AI识别服务器通过图像描述挖掘网络，获得可视操作活动学习事件的风险识别聚合描述子以及云业务操作风险识别学习报告的风险识别聚合描述子。
示例性的，大数据风险AI识别服务器通过图像描述挖掘网络的特征挖掘组件layer2，从图像化业务操作学习记录中获得可视操作活动学习事件，从风险识别辅助数据集中获得可视操作活动学习事件对应的多个异常操作行为意图信息，提取可视操作活动学习事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子。大数据风险AI识别服务器通过图像描述挖掘网络的特征挖掘组件layer2，从云业务操作风险识别学习报告中获得待处理可视操作活动事件，从风险识别辅助数据集中获得待处理可视操作活动事件对应的多个异常操作行为意图信息，提取待处理可视操作活动事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子。大数据风险AI识别服务器将可视操作活动学习事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子加载至图像描述挖掘网络的自局部聚焦组件layer3，通过自局部聚焦组件layer3将可视操作活动学习事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到可视操作活动学习事件的操作活动强化聚合描述子。大数据风险AI识别服务器待处理可视操作活动事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子加载至图像描述挖掘网络的自局部聚焦组件layer3，通过自局部聚焦组件layer3将待处理可视操作活动事件的操作活动视觉描述子以及多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到待处理可视操作活动事件的操作活动强化聚合描述子。大数据风险AI识别服务器将可视操作活动学习事件的操作活动强化聚合描述子和待处理可视操作活动事件的操作活动强化聚合描述子加载至图像描述挖掘网络的多维局部聚焦组件layer4，通过多维局部聚焦组件layer4对可视操作活动学习事件的操作活动强化聚合描述子进行并行局部描述挖掘，得到可视操作活动学习事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果；通过多维局部聚焦组件layer4对待处理可视操作活动事件的操作活动强化聚合描述子进行并行局部描述挖掘，得到待处理可视操作活动事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果。大数据风险AI识别服务器将可视操作活动学习事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果加载至图像描述挖掘网络的图像描述聚合组件layer5，通过图像描述聚合组件layer5对可视操作活动学习事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果进行特征整合操作，得到可视操作活动学习事件的风险识别聚合描述子。大数据风险AI识别服务器将待处理可视操作活动事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果加载至图像描述挖掘网络的图像描述聚合组件layer5，通过图像描述聚合组件layer5对待处理可视操作活动事件的操作活动强化聚合描述子对应的多个局部描述挖掘结果进行特征整合操作，得到待处理可视操作活动事件的风险识别聚合描述子，基于待处理可视操作活动事件的描述特征，得到云业务操作风险识别学习报告的风险识别聚合描述子。
S104、大数据风险AI识别服务器基于可视操作活动学习事件的风险识别聚合描述子和云业务操作风险识别学习报告的风险识别聚合描述子之间的共性支持变量与共性支持学习变量之间的比较数据，优化图像描述挖掘网络的网络参量。
示例性的，大数据风险AI识别服务器可以通过网络训练代价函数（比如损失函数）来对图像描述挖掘网络的网络参量进行优化。
鉴于第一可视操作活动事件在不同图像化业务操作记录中可能对应于不同的云业务操作行为意图，应用本发明实施例，在对图像描述挖掘网络进行学习的过程中，能够考虑异常操作行为意图信息，不同异常操作行为意图信息能够反映第一可视操作活动事件的不同云业务操作行为意图。通过异常操作行为意图信息来对可视操作活动学习事件的操作活动视觉描述子以及待处理可视操作活动事件中包含的云业务操作行为意图进行丰富，得到的两个风险识别聚合描述子可以尽可能全面地反映可视操作活动学习事件在图像化业务操作学习记录中的云业务操作行为意图以及待处理可视操作活动事件在云业务操作风险识别报告中的云业务操作行为意图，以提升图像描述挖掘网络的图像描述挖掘质量。
在上述内容的基础上，在一些可独立的实施例中，在所述结合所述风险识别聚合描述子获得所述目标图像化业务操作记录对应的云业务操作风险识别报告之后，所述方法还包括：通过所述云业务操作风险识别报告进行业务操作风险防护处理。
在上述内容的基础上，在一些可独立的实施例中，所述通过所述云业务操作风险识别报告进行业务操作风险防护处理，包括：针对所述云业务操作风险识别报告中包括的选定操作风险识别标签，基于该选定操作风险识别标签确定所述第一可视操作活动事件的操作行为趋势图像；利用所述操作行为趋势图像生成业务操作风险防护策略。
本发明实施例中，云业务操作风险识别报告中可以包括多个操作风险识别标签，选定操作风险识别标签可以是多个操作风险识别标签中的一个或者多个，基于此，可以结合选定操作风险识别标签实现第一可视操作活动事件的操作行为预测，从而得到操作行为趋势图像。这样可以依据操作行为趋势图像针对性地生成业务操作风险防护策略。比如，选定操作风险识别标签为“数据篡改风险”，则可以根据操作行为趋势图像确定业务操作风险防护策略，该业务操作风险防护策略可以是：对部分业务数据的使用权限进行调整更新，比如从可编辑调整为只读等。
在上述内容的基础上，在一些可独立的实施例中，利用所述操作行为趋势图像生成业务操作风险防护策略，包括：获取所述操作行为趋势图像的多个风险推演隐患数据；将所述操作行为趋势图像加载到第一循环神经网络，对所述操作行为趋势图像进行行为趋势变量编码得到多个第一行为趋势变量数据；将多个所述风险推演隐患数据加载到第二循环神经网络，对加载到所述第二循环神经网络的各个所述风险推演隐患数据进行混淆处理，得到多个风险联动隐患数据，所述第二循环神经网络将多个所述风险推演隐患数据和多个所述风险联动隐患数据进行加权，得到加权风险隐患数据；将所述加权风险隐患数据分别与各个所述第一行为趋势变量数据进行融合，得到多个第二行为趋势变量数据；将多个所述第二行为趋势变量数据加载到防护策略匹配网络进行防护策略匹配，得到防护策略匹配结果，以确定所述操作行为趋势图像的业务操作风险防护策略。如此，可以通过进行行为趋势的预测分析和风险隐患的综合考虑，提高所确定的业务操作风险防护策略的防护针对性。
本发明实施例还提供了一种用于实现基于数字视觉智能的云业务操作风险识别方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。
综上，大数据风险AI识别服务器在基于神经网络进行诸如在线电商业务交互任务、数据库访问调用交互任务、元宇宙空间娱乐交互任务、远程医疗辅助就诊交互任务、数字办公视频会议交互任务等的特征挖掘分析时，可以实现对特征挖掘的丰富和优化，从而提高所得到的风险识别聚合描述子的云业务操作行为意图表征能力，以提升之后通过风险识别聚合描述子获得的云业务操作风险识别报告的精度和可信度。
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于数字视觉智能的云业务操作风险识别方法，其特征在于，应用于大数据风险AI识别服务器，所述方法包括：
获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息，所述多个异常操作行为意图信息用于表征所述第一可视操作活动事件所对应的不同云业务操作行为意图；
结合所述第一可视操作活动事件以及所述目标图像化业务操作记录中除所述第一可视操作活动事件之外的剩余图像化业务操作记录，获得所述第一可视操作活动事件的操作活动视觉描述子；
结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子；
结合所述风险识别聚合描述子获得所述目标图像化业务操作记录对应的云业务操作风险识别报告。
2.根据权利要求1所述的方法，其特征在于，所述结合所述第一可视操作活动事件以及所述目标图像化业务操作记录中除所述第一可视操作活动事件之外的剩余图像化业务操作记录，获得所述第一可视操作活动事件的操作活动视觉描述子包括：
将所述第一可视操作活动事件以及所述剩余图像化业务操作记录加载至图像描述挖掘网络；
通过所述图像描述挖掘网络，对所述第一可视操作活动事件以及所述剩余图像化业务操作记录进行局部描述挖掘，得到所述第一可视操作活动事件的操作活动视觉描述子。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一可视操作活动事件以及所述剩余图像化业务操作记录进行局部描述挖掘，得到所述第一可视操作活动事件的操作活动视觉描述子包括：
获得所述第一可视操作活动事件的第一连接描述子、第一请求描述子以及第一应答描述子；
获得所述剩余图像化业务操作记录的第二请求描述子以及第二应答描述子；
对所述第一连接描述子与所述第一请求描述子的设定运算结果以及所述第一连接描述子与所述第二请求描述子的设定运算结果进行量化映射处理，得到所述第一可视操作活动事件的第一局部描述强化因子以及所述剩余图像化业务操作记录对所述第一可视操作活动事件的第二局部描述强化因子；
将所述第一局部描述强化因子与所述第一应答描述子的设定运算结果与所述第二局部描述强化因子与所述第二应答描述子的设定运算结果进行求和，得到所述第一可视操作活动事件的操作活动视觉描述子。
4.根据权利要求1所述的方法，其特征在于，所述结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，将所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子包括：
通过图像描述挖掘网络执行下述步骤：
结合所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的共性支持变量，确定所述第一可视操作活动事件的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子之间的多个第一特征依存系数，所述第一特征依存系数用于表征对应异常操作行为意图信息与所述第一可视操作活动事件的关联性；
基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子。
5.根据权利要求4所述的方法，其特征在于，所述基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行聚合，得到所述第一可视操作活动事件的风险识别聚合描述子包括：
基于多个第一特征依存系数，将所述目标图像化业务操作记录的操作活动视觉描述子与所述多个异常操作行为意图信息的操作活动视觉描述子进行强化聚合，得到所述第一可视操作活动事件的操作活动强化聚合描述子；
对所述操作活动强化聚合描述子进行并行局部描述挖掘，得到所述第一可视操作活动事件的多个局部描述挖掘结果；
结合所述多个局部描述挖掘结果，得到所述第一可视操作活动事件的风险识别聚合描述子；
其中，所述结合所述多个局部描述挖掘结果，得到所述第一可视操作活动事件的风险识别聚合描述子包括：将所述多个局部描述挖掘结果进行组合，得到局部图像特征关系网；对所述局部图像特征关系网进行特征下采样，得到所述第一可视操作活动事件的风险识别聚合描述子；
其中，所述图像描述挖掘网络的学习方法包括：获得神经网络学习样例，所述神经网络学习样例包括图像化业务操作学习记录、云业务操作风险识别学习报告以及所述图像化业务操作学习记录与所述云业务操作风险识别学习报告之间的共性支持学习变量；将所述图像化业务操作学习记录和所述云业务操作风险识别学习报告加载至所述图像描述挖掘网络；通过所述图像描述挖掘网络提取所述图像化业务操作学习记录中的可视操作活动学习事件的风险识别聚合描述子以及所述云业务操作风险识别学习报告的风险识别聚合描述子；结合所述可视操作活动学习事件的风险识别聚合描述子和所述云业务操作风险识别学习报告的风险识别聚合描述子之间的共性支持变量与所述共性支持学习变量之间的比较数据，优化所述图像描述挖掘网络的网络参量。
6.根据权利要求1所述的方法，其特征在于，所述获得目标图像化业务操作记录中的第一可视操作活动事件的多个异常操作行为意图信息包括：
在风险识别辅助数据集中检索与所述第一可视操作活动事件匹配的目标可视操作活动事件，所述风险识别辅助数据集中包含了多个可视操作活动事件以及与每个所述可视操作活动事件对应的多个异常操作行为意图信息；
将所述目标可视操作活动事件对应的多个异常操作行为意图信息获得为所述第一可视操作活动事件的多个异常操作行为意图信息。
7.根据权利要求1所述的方法，其特征在于，所述第一可视操作活动事件的获得方法包括：
对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述目标图像化业务操作记录的多个初始可视操作活动事件；
如果所述多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，将所述任一初始可视操作活动事件确定为所述第一可视操作活动事件，所述风险识别辅助数据集中包含了多个可视操作活动事件以及与每个所述可视操作活动事件对应的多个异常操作行为意图信息；
其中，所述对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述目标图像化业务操作记录的多个初始可视操作活动事件包括：采用设定规则对所述目标图像化业务操作记录进行可视操作活动事件检测，得到所述设定规则分别对应的多个初始可视操作活动事件链，每个初始可视操作活动事件链包括所述目标图像化业务操作记录中的多个初始可视操作活动事件，同一初始可视操作活动事件链中不同初始可视操作活动事件的操作节点个数相同，且不同初始可视操作活动事件链中的初始可视操作活动事件的操作节点个数不同；
所述如果所述多个初始可视操作活动事件中任一初始可视操作活动事件与风险识别辅助数据集中的任一可视操作活动事件相同，将所述任一初始可视操作活动事件确定为所述第一可视操作活动事件包括：如果属于不同初始可视操作活动事件链的多个初始可视操作活动事件分别与所述风险识别辅助数据集中的多个可视操作活动事件相同，将所述属于不同初始可视操作活动事件链的多个初始可视操作活动事件中操作节点个数最多的初始可视操作活动事件获得为所述第一可视操作活动事件。
8.根据权利要求1所述的方法，其特征在于，所述多个异常操作行为意图信息的操作活动视觉描述子的获得方法包括：
对于任一异常操作行为意图信息，将所述任一异常操作行为意图信息加载至图像描述挖掘网络；
通过所述图像描述挖掘网络，对所述任一异常操作行为意图信息中的多个可视操作活动事件进行局部描述挖掘，得到所述任一异常操作行为意图信息的操作活动视觉描述子；
其中，所述对所述任一异常操作行为意图信息中的多个可视操作活动事件进行局部描述挖掘，得到所述任一异常操作行为意图信息的操作活动视觉描述子包括：
对于所述任一异常操作行为意图信息中的多个可视操作活动事件中的任一可视操作活动事件，获得所述任一可视操作活动事件的第三连接描述子、第三请求描述子以及第三应答描述子；
获得所述任一异常操作行为意图信息中的多个可视操作活动事件中除所述任一可视操作活动事件之外的其他可视操作活动事件的第四请求描述子以及第四应答描述子；
对所述第三连接描述子与所述第三请求描述子的设定运算结果以及所述第三连接描述子与所述第四请求描述子的设定运算结果进行量化映射处理，得到所述任一可视操作活动事件的第三局部描述强化因子以及所述其他可视操作活动事件对所述任一可视操作活动事件的第四局部描述强化因子；
将所述第三局部描述强化因子与所述第三应答描述子的设定运算结果与所述第四局部描述强化因子与所述第四应答描述子的设定运算结果进行求和，得到所述任一可视操作活动事件的操作活动视觉描述子；
将所述任一异常操作行为意图信息中的多个可视操作活动事件的操作活动视觉描述子进行聚合，得到所述任一异常操作行为意图信息的操作活动视觉描述子。
9.一种用于实现基于数字视觉智能的云业务操作风险识别方法的软件产品，其特征在于，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行如权利要求1-8中一个或多个所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1-8中一个或多个所述的方法。
CN202310502477.9A 2023-05-06 2023-05-06 基于数字视觉智能的云业务操作风险识别方法及软件产品 Withdrawn CN116484368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310502477.9A CN116484368A (zh) 2023-05-06 2023-05-06 基于数字视觉智能的云业务操作风险识别方法及软件产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310502477.9A CN116484368A (zh) 2023-05-06 2023-05-06 基于数字视觉智能的云业务操作风险识别方法及软件产品

Publications (1)

Publication Number Publication Date
CN116484368A true CN116484368A (zh) 2023-07-25

Family

ID=87221316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310502477.9A Withdrawn CN116484368A (zh) 2023-05-06 2023-05-06 基于数字视觉智能的云业务操作风险识别方法及软件产品

Country Status (1)

Country Link
CN (1) CN116484368A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112605A (zh) * 2023-09-13 2023-11-24 甘肃松鼠教育科技有限公司 应用于可视化数据库的交互行为大数据挖掘方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112605A (zh) * 2023-09-13 2023-11-24 甘肃松鼠教育科技有限公司 应用于可视化数据库的交互行为大数据挖掘方法及系统

Similar Documents

Publication Publication Date Title
CN116414948A (zh) 基于云数据和人工智能的异常数据挖掘方法及软件产品
CN114546975B (zh) 一种结合人工智能的业务风险处理方法及服务器
CN116484368A (zh) 基于数字视觉智能的云业务操作风险识别方法及软件产品
CN114118100A (zh) 用于生成对话语句的方法、装置、设备、介质和程序产品
CN117609479A (zh) 一种模型处理方法、装置、设备、介质及产品
CN116756298B (zh) 面向云数据库的ai会话信息优化方法及大数据优化服务器
CN114678137A (zh) 基于数字化医疗的大数据挖掘方法及服务器
CN112613072B (zh) 基于档案大数据的信息管理方法、管理系统及管理云平台
CN114417405A (zh) 一种基于人工智能的隐私业务数据分析方法及服务器
CN118227106A (zh) 代码补全方法、装置、电子设备和介质
CN113393045A (zh) 用户满意度预测模型确定方法及装置
CN116049873A (zh) 基于信息保护和大数据可用性的数据分析方法及系统
CN114548947A (zh) 一种应用于数字化的在线办公安全处理方法及服务器
Butcher Contract Information Extraction Using Machine Learning
US20200327131A1 (en) Method, an apparatus and a computer program product for content evaluation
US11995202B2 (en) Computer system and data access control method
CN116610783B (zh) 基于人工智能决策的服务优化方法及数字化在线页面系统
CN116319050B (zh) 基于智慧互联网的网络攻击ai检测分析方法及服务器
CN115423565B (zh) 应用于云端互联网交互流程的大数据分析方法及ai系统
CN117131937A (zh) 基于图像大数据分析的网络平台用户偏好挖掘方法及系统
CN116644160A (zh) 基于在线ai交互的用户会话识别分析方法及软件产品
CN116913287A (zh) 音频诊断方法、装置、计算机设备和存储介质
CN118410173A (zh) 基于时序知识图谱的系统用户行为预测分析方法、系统及设备
CN118607529A (zh) 智能答复方法和装置
CN118057329A (zh) 应用程序的测试方法、装置、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230725

WW01 Invention patent application withdrawn after publication