CN116720181A - 应对智慧数字服务的可视化操作风险预测方法及软件产品 - Google Patents
应对智慧数字服务的可视化操作风险预测方法及软件产品 Download PDFInfo
- Publication number
- CN116720181A CN116720181A CN202310502285.8A CN202310502285A CN116720181A CN 116720181 A CN116720181 A CN 116720181A CN 202310502285 A CN202310502285 A CN 202310502285A CN 116720181 A CN116720181 A CN 116720181A
- Authority
- CN
- China
- Prior art keywords
- target
- behavior
- user interface
- graphical user
- record
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 411
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006399 behavior Effects 0.000 claims description 619
- 230000002159 abnormal effect Effects 0.000 claims description 156
- 238000011156 evaluation Methods 0.000 claims description 85
- 238000011144 upstream manufacturing Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 33
- 238000005065 mining Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 230000010485 coping Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 11
- 238000005728 strengthening Methods 0.000 description 10
- 238000012800 visualization Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing 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
- G06F21/50—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Computer Hardware Design (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例涉及数字化、人工智能和大数据分析技术领域,提供一种应对智慧数字服务的可视化操作风险预测方法及软件产品。其中,AI可视化风险预测服务器能够依据与目标图形用户界面操作记录匹配的活跃界面行为要素和风险行为偏好标签进行多意图行为事件的安全风险预测,便于提升针对多意图行为事件的安全风险预测和判别精度,尽可能减少多意图行为事件中“白名单”意图对风险行为意图的干扰,同时还可以提高多意图行为事件的安全风险预测时效性。
Description
技术领域
本发明涉及数字化、人工智能和大数据分析技术领域,尤其涉及一种应对智慧数字服务的可视化操作风险预测方法及软件产品。
背景技术
智慧数字服务是大数据、云计算、数字化和人工智能等技术综合形成的多元化业务服务,涉及数字金融服务、数字虚拟空间服务、数字电商服务、数字办公服务、数字社区服务、数字教育服务等生产生活领域。
随着可视化技术的成熟,可视化+智慧数字服务的界面交互式服务模式能够提供更为智能化和个性化的服务功能,因此,越来越多的业务开始向这一新模式转型,随之而来的数据信息安全问题同样不可忽视。
发明内容
本发明提供一种应对智慧数字服务的可视化操作风险预测方法及软件产品,能够依据与目标图形用户界面操作记录匹配的活跃界面行为要素和风险行为偏好标签进行多意图行为事件的安全风险预测,便于提升针对多意图行为事件的安全风险预测和判别精度,尽可能减少多意图行为事件中“白名单”意图对风险行为意图的干扰,同时还可以提高多意图行为事件的安全风险预测时效性,为实现上述技术目的,本发明采用如下技术方案。
第一方面是一种应对智慧数字服务的可视化操作风险预测方法,应用于AI可视化风险预测服务器,所述方法包括:
获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件;
从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度;
依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件;
利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;
基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
在一些可能的实施例中,所述从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,包括:
对所述目标图形用户界面操作记录进行图像信息拆解,得到所述目标图形用户界面操作记录的至少一个可视化操作事件;
依据所述可视化操作事件在所述目标图形用户界面操作记录中的分布,对所述可视化操作事件进行整理,得到所述目标图形用户界面操作记录的图形用户界面操作记录队列;
从设定活跃界面行为要素池中挑选符合设定要求的图形用户界面操作记录队列作为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
在一些可能的实施例中,所述活跃界面行为要素包括活跃界面行为轨迹链;所述方法还包括:
获得图形用户界面操作参考记录集,并对所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录进行图像信息拆解,得到所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录的至少一个可视化操作参考事件;
对于每个可视化操作参考事件,确定包含所述可视化操作参考事件的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的可视化操作参考事件作为所述图形用户界面操作参考记录集的基础活跃成员;
依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数,得到设定活跃界面行为要素池。
在一些可能的实施例中,所述依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数,包括:
依据所述基础活跃成员,对所述图形用户界面操作参考记录进行优化处理,得到图形用户界面操作优化结果;
将所述基础活跃成员作为上游行为元素,并确定在所述图形用户界面操作优化结果中所述上游行为元素对应的下游行为元素;
当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链;
确定包含所述活跃界面行为轨迹链的图形用户界面操作参考记录的数目,得到所述活跃界面行为轨迹链对应的热力指数。
在一些可能的实施例中,所述当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链,包括:
当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述图形用户界面操作优化结果中所述目标上游行为元素对应的目标下游行为元素;
对于获得到的各个上游行为元素,确定包含所述上游行为元素的图形用户界面操作参考记录的数目;
依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链。
在一些可能的实施例中,所述活跃界面行为要素还包括操作行为评价特征链;所述方法还包括:
获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;
对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为评价特征解析,得到所述图形用户界面操作参考记录对应的操作行为评价特征序列,所述操作行为评价特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的操作行为评价特征;
对于每种操作行为评价特征,确定包含所述操作行为评价特征的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的操作行为评价特征作为所述图形用户界面操作参考记录集的基础操作行为评价特征;
依据所述基础操作行为评价特征,生成所述图形用户界面操作参考记录集对应的操作行为评价特征链和所述操作行为评价特征链对应的热力指数,得到设定活跃界面行为要素池。
在一些可能的实施例中,所述活跃界面行为要素还包括操作行为意向特征链;所述方法还包括:
获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;
对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为意向特征解析,得到所述图形用户界面操作参考记录对应的操作行为意向特征序列,所述操作行为意向特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的行为意向联系;
对于每种行为意向联系,确定包含所述行为意向联系的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的行为意向联系作为所述图形用户界面操作参考记录集的基础操作行为意向特征;
依据所述基础操作行为意向特征,生成所述图形用户界面操作参考记录集对应的操作行为意向特征链和所述操作行为意向特征链对应的热力指数,得到设定活跃界面行为要素池。
在一些可能的实施例中,所述依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,包括:
确定所述目标图形用户界面操作记录中与所述目标活跃界面行为要素匹配的目标图形用户界面操作记录队列;
对于所述目标图形用户界面操作记录队列中的辅助可视化操作事件,将所述目标活跃界面行为要素的热力指数作为所述辅助可视化操作事件的热力指数;
对于所述目标图形用户界面操作记录中不属于所述目标图形用户界面操作记录队列的辅助可视化操作事件,将设定热力指数作为所述辅助可视化操作事件的热力指数。
在一些可能的实施例中,所述利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据,包括:
将所述辅助可视化操作事件的异常操作偏好数据和热力指数进行加权,得到所述目标图形用户界面操作记录的关联异常操作偏好数据;
基于所述关联异常操作偏好数据对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据。
在一些可能的实施例中,所述利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据,包括:通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;
在所述通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据之前,所述方法还包括:
获得调试样例,所述调试样例包括图形用户界面操作参考记录中待进行风险预测的目标可视化操作参考事件的先验异常操作偏好数据,以及先验可视化操作参考事件的异常操作偏好数据和热力指数,所述先验可视化操作参考事件为所述图形用户界面操作参考记录中除所述目标可视化操作参考事件之外的剩余可视化操作事件;
通过图像处理网络,对所述先验可视化操作参考事件的异常操作偏好数据和热力指数进行加权,得到所述图形用户界面操作参考记录的关联异常操作偏好数据;
基于所述关联异常操作偏好数据对所述目标可视化操作参考事件进行风险隐患向量挖掘,得到所述目标可视化操作参考事件的预测异常操作偏好数据;
依据所述目标可视化操作参考事件的先验异常操作偏好数据和预测异常操作偏好数据之间的偏移变量,改进所述图像处理网络的网络变量,直至所述偏移变量符合设定训练代价要求,得到调试后的图像处理网络。
在一些可能的实施例中,所述基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果,包括:
确定所述目标可视化操作事件的至少一种备选安全风险判别结果;
依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果;
依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果;
基于所述第一安全风险预测结果和所述第二安全风险预测结果,确定所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
在一些可能的实施例中,所述方法还包括:
对所述目标图形用户界面操作记录的风险行为偏好标签和所述目标图形用户界面操作记录中目标可视化操作事件的目标异常操作偏好数据进行分簇操作,得到所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目。
第二方面是一种AI可视化风险预测服务器,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AI可视化风险预测服务器执行第一方面的方法。
第三方面是一种用于实现应对智慧数字服务的可视化操作风险预测方法的软件产品,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,可以获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件;从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度;依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件;利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
本发明可以依据与目标图形用户界面操作记录匹配的活跃界面行为要素和风险行为偏好标签进行多意图行为事件的安全风险预测,便于提升针对多意图行为事件的安全风险预测和判别精度,尽可能减少多意图行为事件中“白名单”意图对风险行为意图的干扰,同时还可以提高多意图行为事件的安全风险预测时效性。
附图说明
图1为本发明实施例提供的应对智慧数字服务的可视化操作风险预测方法的流程示意图。
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应对智慧数字服务的可视化操作风险预测方法的流程示意图,应对智慧数字服务的可视化操作风险预测方法可以通过AI可视化风险预测服务器实现,AI可视化风险预测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AI可视化风险预测服务器执行步骤101-步骤105。
步骤101、获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件。
本发明实施例中,目标图形用户界面操作记录为包含待进行风险预测的可视化操作事件的图形用户界面操作记录,示例性可以为图片信息、动图信息或是视频信息等。目标可视化操作事件可包括至少一种操作意图类别,示例性的,目标可视化操作事件可以是多意图行为事件。其中,可视化操作事件可以为目标图形用户界面操作记录中的会话交互事件。比如,目标图形用户界面操作记录中包括“用户针对可视化数据库的一系列访问行为轨迹”,其中包含的可视化操作事件可以为“访问请求的权限验证事件”,“数据资源的访问浏览事件”,等。
又比如,目标可视化操作事件可以是“数据库资源调用事件”,数据库资源调用事件这个可视化操作事件,在一般情况下的操作意图意图是通过调用数据库资源进行一系列的业务处理,当时在另一些情况下,操作意图可能会涉及利用数据库资源进行相关重要数据的窃取和篡改,基于此,需基于整体的操作环境对目标可视化操作事件的操作意图进行解析,从而实现多意图行为事件的安全风险预测。
在一些示例下,目标图形用户界面操作记录可以是智慧数字服务对应的GUI操作记录,智慧数字服务例如可以是数字金融服务、数字虚拟空间服务、数字电商服务、数字办公服务、数字社区服务、数字教育服务等。
步骤102、从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度。
本发明实施例中,活跃界面行为要素,可理解为行为要素链,活跃界面行为要素示例性可以是图形用户界面操作参考记录集中,热力指数不小于设定的热力指数门槛值(可信度阈值)的行为要素链(行为要素序列);该行为要素链可以是操作轨迹特征链、也可以是操作行为评价特征链或操作行为意向特征链等。活跃界面行为要素可以包括活跃界面行为轨迹链、操作行为评价特征链和操作行为意向特征链等。热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度,示例性可以为图形用户界面操作参考记录集中包含所述活跃界面行为要素的图形用户界面操作参考记录的数目。其中,设定活跃界面行为要素池包括活跃界面行为要素和热力指数之间的对应联系。
在一些示例下,热力指数门槛值示例性可以为基于最小热力度和图形用户界面操作参考记录集包含的图形用户界面操作参考记录总数确定所得的数值,比如,假定最小热力度为0.2,图形用户界面操作参考记录集包含的图形用户界面操作参考记录(样本记录)的总数为100,则这个图形用户界面操作参考记录集的热力指数门槛值等于100乘以0.2,即热力指数门槛值为20,这个图形用户界面操作参考记录集中的每一个热力指数不小于20的行为要素链都可以理解为这个图形用户界面操作参考记录集的活跃界面行为要素。
换言之,热力指数门槛值的确定方式可以为:threshold_h=q*X,其中,threshold_h表示热力指数门槛值,h表示设定的最小热力度,X表示图形用户界面操作参考记录集中包含的图形用户界面操作参考记录总数。示例性的,X可以为图形用户界面操作参考记录集中包含的图片信息的总数,也即一个图片信息作为一个图形用户界面操作参考记录。其中,最小热力度可以基于图形用户界面操作参考记录集的数据量进行改进。一个可视化操作事件可以理解为一个单位的行为要素链。基于此,对于任意一个可视化操作事件,可以将图形用户界面操作参考记录集中,包含这个可视化操作事件的图形用户界面操作参考记录的数目,作为这个可视化操作事件的热力指数。
优选的,本发明实施例中,步骤“从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素”,可以包括:对所述目标图形用户界面操作记录进行图像信息拆解,得到所述目标图形用户界面操作记录的至少一个可视化操作事件;依据所述可视化操作事件在所述目标图形用户界面操作记录中的分布,对所述可视化操作事件进行整理,得到所述目标图形用户界面操作记录的图形用户界面操作记录队列;从设定活跃界面行为要素池中挑选符合设定要求的图形用户界面操作记录队列作为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
一般而言,图形用户界面操作记录是由多个操作记录块形成的,对图形用户界面操作记录进行图像信息拆解便可以得到多个操作记录块,待进行风险预测的目标可视化操作事件可以是该多个操作记录块中的任一个。通过对分词得到的可视化操作事件进行整理,可以得到目标图形用户界面操作记录的至少一个图形用户界面操作记录队列。
其中,目标图形用户界面操作记录包含其图形用户界面操作记录队列的每一个记录成员(示例性可以为可视化操作事件),并且这些记录成员在目标图形用户界面操作记录中的顺序分布和在图形用户界面操作记录队列中的顺序分布相同。比如,倘若用数值表示记录成员,假定目标图形用户界面操作记录是“14235”,则该目标图形用户界面操作记录的一个图形用户界面操作记录队列可以是“123”,而序列“132”不是目标图形用户界面操作记录的图形用户界面操作记录队列,因为目标图形用户界面操作记录“14235”中是先存在可视化操作事件“2”,再存在可视化操作事件“3”。其中,图形用户界面操作记录队列在目标图形用户界面操作记录中的连续性/间断性没有约束限制。
其中,设定要求可以灵活设置,比如,可以将存在于所述设定活跃界面行为要素池中、且符合设定要求的图形用户界面操作记录队列确定为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,示例性的,将存在于所述设定活跃界面行为要素池中的图形用户界面操作记录队列确定为待定图形用户界面操作记录队列,再将队列规模最长的待定图形用户界面操作记录队列确定为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
其中,若干个记录成员(即可视化操作事件)有序组合得到一个序列/链/队列。一个序列/链/队列所包含的记录成员的数目,可以记为这个序列的行为要素链大小,比如,包含5个记录成员的行为要素链,其队列规模为5。本发明实施例中,目标活跃界面行为要素可包括待进行风险预测的目标可视化操作事件。
其中,生成设定活跃界面行为要素池的规则可以有多种,比如可以通过行为要素链处理网络生成图形用户界面操作参考记录集对应的活跃界面行为要素和活跃界面行为要素对应的可信系数;示例性的,可以利用,即上游行为元素传导的残差网络,依据图形用户界面操作参考记录集中的行为要素链,生成图形用户界面操作参考记录集对应的活跃界面行为要素,该残差网络可以提高生成活跃界面行为要素的精度。
示例性的,残差网络可以从一定数量的链式表达的图形用户界面操作参考记录集中确定出所有不小于热力指数门槛值的活跃界面行为要素。
优选的,本发明实施例中,所述活跃界面行为要素包括活跃界面行为轨迹链;所述应对智慧数字服务的可视化操作风险预测方法还可以包括:获得图形用户界面操作参考记录集,并对所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录进行图像信息拆解,得到所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录的至少一个可视化操作参考事件;对于每个可视化操作参考事件,确定包含所述可视化操作参考事件的图形用户界面操作参考记录的参考记录数;将所述参考记录数大于设定数目的可视化操作参考事件作为所述图形用户界面操作参考记录集的基础活跃成员;依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数,得到设定活跃界面行为要素池。
本发明实施例中,该设定数目可以灵活设置,比如可以为以上实施例中设定的热力指数门槛值,假定图形用户界面操作参考记录集中包含4个图形用户界面操作参考记录,最小热力度为1/3,则热力指数门槛值为4/3,换言之,可视化操作参考事件至少要在2个图形用户界面操作参考记录中出现才可以作为该图形用户界面操作参考记录集的基础活跃成员。通过确定包含可视化操作参考事件的图形用户界面操作参考记录的参考记录数,可以清洗掉不大于设定热力指数门槛值的可视化操作参考事件。可视化操作参考事件可以理解为可视化操作事件样本。
本发明实施例中,本发明实施例中,是依据图形用户界面操作参考记录对应的操作轨迹特征序列,确定出图形用户界面操作参考记录集中大于热力指数门槛值的活跃界面行为轨迹链。
本发明实施例中,该图形用户界面操作参考记录集中的图形用户界面操作参考记录示例性可以为通过前处理后得到的,该前处理可以包括图像校正、分辨率调整等。
优选的,包含多个图形用户界面操作参考记录的图形用户界面操作参考记录集的获得过程如下:获得基础图形用户界面操作记录集合,其中,所述基础图形用户界面操作记录集合包括至少一个图形用户界面操作记录;对于每一个图形用户界面操作记录,识别出所述图形用户界面操作记录中的每一个图片信息区分标签,并将每两个相邻的图片信息区分标签之间的图形用户界面操作记录作为一个待优化图片信息;将每一个待优化图片信息对应的像素噪声进行清洗,得到对应的优化后的图片信息,并从所有所述优化后的图片信息中挑选得到所述图形用户界面操作参考记录集,每个挑选得到的优化后的图片信息作为一个图形用户界面操作参考记录。
优选的,本发明实施例中,步骤“依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数”,可以包括:依据所述基础活跃成员,对所述图形用户界面操作参考记录进行优化处理,得到图形用户界面操作优化结果;将所述基础活跃成员作为上游行为元素,并确定在所述图形用户界面操作优化结果中所述上游行为元素对应的下游行为元素;当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链;确定包含所述活跃界面行为轨迹链的图形用户界面操作参考记录的数目,得到所述活跃界面行为轨迹链对应的热力指数。进一步地,上游行为元素和下游行为元素可以理解为存在行为逻辑关联的行为元素,比如可以通过上游行为元素和下游行为元素之间存在推导关系或者反推关系。
本发明实施例中,“依据所述基础活跃成员,对所述图形用户界面操作参考记录进行优化处理,得到图形用户界面操作优化结果”示例性可以为将所述图形用户界面操作参考记录中不属于基础活跃成员的可视化操作事件进行清洗,得到图形用户界面操作优化结果。
本发明实施例中,对于某一个上游行为元素,队列中上游行为元素后面剩下的子队列即为下游行为元素,下游行为元素也可称为投影。比如,图形用户界面操作优化结果为序列“679048”,基础活跃成员为“9”,则图形用户界面操作优化结果中,上游行为元素“9”对应的下游行为元素为“048”。
本发明实施例中,一个图形用户界面操作参考记录包含活跃界面行为轨迹链,该活跃界面行为轨迹链在图形用户界面操作参考记录中的连续性/间断性没有约束限制,但活跃界面行为轨迹链中各可视化操作事件在图形用户界面操作参考记录中的顺序分布和在活跃界面行为轨迹链中的顺序分布一致。
优选的,本发明实施例中,步骤“当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链”,可以包括:当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述图形用户界面操作优化结果中所述目标上游行为元素对应的目标下游行为元素;对于获得到的各个上游行为元素,确定包含所述上游行为元素的图形用户界面操作参考记录的数目;依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链。
本发明实施例中,对于包含上游行为元素的图形用户界面操作参考记录,上游行为元素在图形用户界面操作参考记录中的连续性/间断性没有约束限制。但上游行为元素中各可视化操作事件在图形用户界面操作参考记录中的顺序分布和在上游行为元素中的顺序分布是一致的。
本发明实施例中,步骤“依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链”,示例性可以包括:将所述数目大于设定数目的上游行为元素确定为所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链。其中,该设定数目可以灵活设置。
本发明实施例中,步骤“当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述图形用户界面操作优化结果中所述目标上游行为元素对应的目标下游行为元素”,可以包括:当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素;确定在所述图形用户界面操作优化结果中所述目标上游行为元素对应的目标下游行为元素;跳转到实施所述当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素的步骤,直至上游行为元素不存在对应的下游行为元素。
其中,整合可以是合并等,示例性可以将所述下游行为元素中的基础活跃成员合并在所述下游行为元素对应的上游行为元素后面,得到合并后的行为要素链,合并后的行为要素链即目标上游行为元素。
示例性的,步骤“依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链”,包括:从所述图形用户界面操作参考记录集中清洗掉每一个热力指数小于所述热力指数门槛值的可视化操作事件,得到优化后的图形用户界面操作参考记录集;将所述优化后的图形用户界面操作参考记录集中每一个热力指数不小于所述热力指数门槛值的可视化操作事件,均确定为1阶活跃界面行为轨迹链,并将队列阶层Y设定为2;获得每一个Y-1阶活跃界面行为轨迹链对应的映射结果集,其中,所述Y-1阶活跃界面行为轨迹链对应的映射结果集,包括从所述优化后的图形用户界面操作参考记录集的每一个图片信息中筛选得到的所述Y-1阶活跃界面行为轨迹链的下游行为元素;将每一个在对应的所述映射结果集中的热力指数不小于所述热力指数门槛值的可视化操作事件和所述映射结果集对应的Y-1阶活跃界面行为轨迹链整理为Y阶活跃界面行为轨迹链,并使Y自加1后跳转到实施所述获得每一个Y-1阶活跃界面行为轨迹链对应的映射结果集,直至不存在在对应的映射结果集中的热力指数不小于所述热力指数门槛值的可视化操作事件为止;从获得的每一阶的活跃界面行为轨迹链中挑选得到所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链。
示例性的,获得包括多个图片信息(即图形用户界面操作参考记录)的图形用户界面操作参考记录集,并对所述图形用户界面操作参考记录集进行活跃界面行为要素形式挖掘,得到活跃界面行为轨迹链;其中,每一个图片信息可以包括至少一个选定的可视化操作事件,活跃界面行为轨迹链指代包含所述指定的可视化操作事件、且热力指数不小于设定的热力指数门槛值的行为要素链,所述行为要素链由至少一个可视化操作事件组成。
本发明实施例的操作轨迹特征序列示例性还可以是轨迹节点特征链,活跃界面行为轨迹链可以包括关键轨迹节点特征链。
本发明实施例中,利用残差网络挖掘图形用户界面操作参考记录集中符合热力指数门槛值的各个大小的活跃界面行为轨迹链的示例性方案包括:确定出单位大小为1的操作轨迹特征序列上游行为元素和对应映射结果集;确定操作轨迹特征序列上游行为元素热度,并将热力指数高于设定的热力指数门槛值的上游行为元素添加到数据集,获得一项活跃界面行为轨迹链;对所有大小为u且符合设定的热力指数门槛值要求的上游行为元素迭代分析:a)挖掘上游行为元素的映射结果集(即下游行为元素),如果映射结果集为空,则返回迭代;b)确定对应映射结果集中各单项的热力指数,将符合热力指数的各单项与当前上游行为元素合并,得到新上游行为元素,不符合热力指数要求则迭代返回;c)令u=u+1,上游行为元素为整合成员后的各个新上游行为元素,分别迭代执行c);然后返回该图形用户界面操作参考记录集中所有的活跃界面行为轨迹链。其中,成员可以理解为之前所述的基础活跃成员。
对于上述图形用户界面操作参考记录集中的每一个可视化操作事件,确定图形用户界面操作参考记录集中包含这个可视化操作事件的图片信息的数目,若数目为1,则丢弃该可视化操作事件,反之则保留该可视化操作事件。
通过优化丢弃,可以确保优化后的图形用户界面操作参考记录集中的每一个可视化操作事件的热力指数均不小于热力指数门槛值,因此,优化后的图形用户界面操作参考记录集中的每一个可视化操作事件均可以认为是图形用户界面操作参考记录集的一个1阶活跃界面行为轨迹链。然后,可以获得每一个Y-1阶活跃界面行为轨迹链对应的下游行为元素,示例性包括:对于任意一个活跃界面行为轨迹链,从优化后的图形用户界面操作参考记录集中找出每一个包含这个活跃界面行为轨迹链的图片信息,然后对于每一个包含这个活跃界面行为轨迹链的图片信息,提取出该图片信息中位于这个活跃界面行为轨迹链的最后一个可视化操作事件之后的图形用户界面操作记录作为这个活跃界面行为轨迹链的一个下游行为元素,整理这个活跃界面行为轨迹链的每一个下游行为元素,就得到这个活跃界面行为轨迹链的映射结果集。在本发明实施例中,上下游行为元素分别表示上下游行为节点特征。
优选的,本发明实施例中,所述活跃界面行为要素还包括操作行为评价特征链;所述应对智慧数字服务的可视化操作风险预测方法还可以包括:获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为评价特征解析,得到所述图形用户界面操作参考记录对应的操作行为评价特征序列,所述操作行为评价特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的操作行为评价特征;对于每种操作行为评价特征,确定包含所述操作行为评价特征的图形用户界面操作参考记录的参考记录数;将所述参考记录数大于设定数目的操作行为评价特征作为所述图形用户界面操作参考记录集的基础操作行为评价特征;依据所述基础操作行为评价特征,生成所述图形用户界面操作参考记录集对应的操作行为评价特征链和所述操作行为评价特征链对应的热力指数,得到设定活跃界面行为要素池。其中,设定活跃界面行为要素池可以理解为预设的活跃界面行为要素集或者活跃界面行为要素库。
本发明实施例中,对图形用户界面操作参考记录中每个可视化操作事件的操作行为评价特征解析,示例性可以为图形用户界面操作参考记录中每个可视化操作事件进行操作行为评价特征注释;该操作行为评价特征注释示例性为对图形用户界面操作参考记录集中的每一图形用户界面操作参考记录中的操作记录块增设操作行为评价特征标识,换言之,注释各个操作记录块的操作行为评价特征,确定各个操作记录块是积极评价观点、消极评价观点或者中立评价观点等。
本发明实施例中,可以通过活跃界面行为要素提取网络对操作行为评价特征注释序列的操作行为评价特征进行挖掘,得到符合设定热力指数门槛值的操作行为评价特征链,该活跃界面行为要素提取网络包括残差网络。示例性的,操作行为评价特征链为由多个操作行为评价特征组成的行为要素链
本发明实施例中,步骤“依据所述基础操作行为评价特征,生成所述图形用户界面操作参考记录集对应的操作行为评价特征链和所述操作行为评价特征链对应的热力指数,得到设定活跃界面行为要素池”,可以包括:依据所述基础操作行为评价特征,对所述图形用户界面操作参考记录的操作行为评价特征序列进行优化处理,得到所述图形用户界面操作参考记录对应的处理后操作行为评价特征序列;将所述基础操作行为评价特征作为上游行为元素,并确定在所述处理后操作行为评价特征序列中所述上游行为元素对应的下游行为元素;当所述下游行为元素包含有所述基础操作行为评价特征时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的操作行为评价特征链;确定包含所述操作行为评价特征链的图形用户界面操作参考记录的数目,得到所述操作行为评价特征链对应的热力指数。
本发明实施例中,步骤“当所述下游行为元素包含有所述基础操作行为评价特征时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的操作行为评价特征链”,可以包括:当所述下游行为元素包含有所述基础操作行为评价特征时,将所述下游行为元素中的基础操作行为评价特征与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述处理后操作行为评价特征序列中所述目标上游行为元素对应的目标下游行为元素;对于获得到的各个上游行为元素,确定包含所述上游行为元素的图形用户界面操作参考记录的数目;依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的操作行为评价特征链。
优选的,本发明实施例中,所述活跃界面行为要素还包括操作行为意向特征链;所述应对智慧数字服务的可视化操作风险预测方法还可以包括:获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为意向特征解析,得到所述图形用户界面操作参考记录对应的操作行为意向特征序列,所述操作行为意向特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的行为意向联系;对于每种行为意向联系,确定包含所述行为意向联系的图形用户界面操作参考记录的参考记录数;将所述参考记录数大于设定数目的行为意向联系作为所述图形用户界面操作参考记录集的基础操作行为意向特征;依据所述基础操作行为意向特征,生成所述图形用户界面操作参考记录集对应的操作行为意向特征链和所述操作行为意向特征链对应的热力指数,得到设定活跃界面行为要素池。
本发明实施例中,操作行为意向特征解析示例性可以包括对图形用户界面操作参考记录中每个可视化操作事件的行为意向联系注释。可视化操作事件对应的行为意向联系包括可视化操作事件所在行为意向的关联关系等。
本发明实施例中,步骤“依据所述基础操作行为意向特征,生成所述图形用户界面操作参考记录集对应的操作行为意向特征链和所述操作行为意向特征链对应的热力指数,得到设定活跃界面行为要素池”,可以包括:依据所述基础操作行为意向特征,对所述图形用户界面操作参考记录的操作行为意向特征序列进行优化处理,得到所述图形用户界面操作参考记录对应的处理后操作行为意向特征序列;将所述基础操作行为意向特征作为上游行为元素,并确定在所述处理后操作行为意向特征序列中所述上游行为元素对应的下游行为元素;当所述下游行为元素包含有所述基础操作行为意向特征时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的操作行为意向特征链;确定包含所述操作行为意向特征链的图形用户界面操作参考记录的数目,得到所述操作行为意向特征链对应的热力指数。
本发明实施例中,步骤“当所述下游行为元素包含有所述基础操作行为意向特征时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的操作行为意向特征链”,可以包括:当所述下游行为元素包含有所述基础操作行为意向特征时,将所述下游行为元素中的基础操作行为意向特征与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述处理后操作行为意向特征序列中所述目标上游行为元素对应的目标下游行为元素;对于获得到的各个上游行为元素,确定包含所述上游行为元素的图形用户界面操作参考记录的数目;依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的操作行为意向特征链。
操作行为意向特征链的提取思路示例性可以参考活跃界面行为轨迹链的提取思路。
步骤103、依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件。
优选的,本发明实施例中,步骤“依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数”,可以包括:确定所述目标图形用户界面操作记录中与所述目标活跃界面行为要素匹配的目标图形用户界面操作记录队列;对于所述目标图形用户界面操作记录队列中的辅助可视化操作事件,将所述目标活跃界面行为要素的热力指数作为所述辅助可视化操作事件的热力指数;对于所述目标图形用户界面操作记录中不属于所述目标图形用户界面操作记录队列的辅助可视化操作事件,将设定热力指数作为所述辅助可视化操作事件的热力指数。
示例性的,目标图形用户界面操作记录队列中的每个可视化操作事件与目标活跃界面行为要素中的每个可视化操作事件一一对应,且其中可视化操作事件的顺序分布一致。目标图形用户界面操作记录队列在目标图形用户界面操作记录中可以是连续的,也可以是间断的。目标图形用户界面操作记录队列中可视化操作事件的顺序分布与目标图形用户界面操作记录中对应的可视化操作事件的顺序分布一致。其中,辅助可视化操作事件的热力指数可以视为辅助可视化操作事件的权值系数。
依据以上步骤可以获得目标可视化操作事件的牵涉界面内满足大小门槛值的目标图形用户界面操作记录队列,将目标活跃界面行为要素的热力指数,作为目标图形用户界面操作记录队列中所包含的可视化操作事件的权值系数,从而在风险隐患向量提取思路中对这部分序列中的可视化操作事件更注意;目标图形用户界面操作记录中其他非目标图形用户界面操作记录队列的可视化操作事件的权值系数设置为设定热力指数,该设定热力指数示例性可以为步骤102中所述的最小热力度h,从权值系数上非目标图形用户界面操作记录队列的可视化操作事件低于目标图形用户界面操作记录队列中的可视化操作事件。
步骤104、利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据。
本发明实施例中,辅助可视化操作事件的异常操作偏好数据示例性可以为辅助可视化操作事件的异常操作偏好变量(特征向量)。在一些示例下,可以对辅助可视化操作事件的异常操作偏好数据进行特征初始化,再进行风险隐患向量挖掘;其中,特征初始化示例性可以包括对特征向量的维数进行调整。
优选的,本发明实施例中,步骤“利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据”,可以包括:将所述辅助可视化操作事件的异常操作偏好数据和热力指数进行加权,得到所述目标图形用户界面操作记录的关联异常操作偏好数据;基于所述关联异常操作偏好数据对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据。
本发明实施例中,辅助可视化操作事件的异常操作偏好数据和热力指数的加权思路有多种,比如可以是乘法融合等。比如,对于各个辅助可视化操作事件,可以将辅助可视化操作事件的异常操作偏好数据和其对应的热力指数进行乘法处理;再将各个辅助可视化操作事件的乘法处理结果进行求和处理,得到目标图形用户界面操作记录的关联异常操作偏好数据。
本发明实施例中,目标可视化操作事件可能包含有多种操作意图,也即目标可视化操作事件可以对应有多个异常操作偏好变量,每一个所述异常操作偏好变量和风险操作意图一一对应;在不同交互环境中,目标可视化操作事件的操作意图不同,因此,基于目标可视化操作事件的关联的异常操作偏好数据,可以确定目标可视化操作事件在目标图形用户界面操作记录中的安全风险判别结果。
优选的,本发明实施例中,步骤“利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据”,可以包括:通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;其中,该图像处理网络可以有多种。该图像处理网络示例性可以为AI网络,如深度卷积神经网络。
本发明实施例中,目标活跃界面行为要素可以包括目标活跃界面行为轨迹链、目标操作行为评价特征链和目标操作行为意向特征链等。
本发明实施例中,基于目标活跃界面行为轨迹链对应的热力指数,来确定目标图形用户界面操作记录中辅助可视化操作事件的热力指数,进而利用辅助可视化操作事件的异常操作偏好数据和热力指数对目标可视化操作事件进行风险隐患向量挖掘,可以得到加权后的异常操作偏好变量(示例性可以为以上实施例中目标可视化操作事件的目标异常操作偏好数据)。
本发明实施例中,基于目标操作行为评价特征链对应的热力指数,来确定目标图形用户界面操作记录中辅助可视化操作事件的热力指数,进而利用辅助可视化操作事件的异常操作偏好数据和热力指数对目标可视化操作事件进行风险隐患向量挖掘,可以得到操作行为评价特征注释行为要素链加权后的异常操作偏好变量(示例性可以为以上实施例中目标可视化操作事件的目标异常操作偏好数据),该异常操作偏好变量聚合了邻域的可视化操作事件的操作行为评价特征关系。
本发明实施例中,基于目标操作行为意向特征链对应的热力指数,来确定目标图形用户界面操作记录中辅助可视化操作事件的热力指数,进而利用辅助可视化操作事件的异常操作偏好数据和热力指数对目标可视化操作事件进行风险隐患向量挖掘,可以得到操作行为意向特征行为要素链加权后的异常操作偏好变量(示例性可以为以上实施例中目标可视化操作事件的目标异常操作偏好数据),该异常操作偏好变量可以聚合了邻域的行为意向联系。
在一些示例中,该图像处理网络由多个携带训练学习知识的调试样例调试而成,本发明实施例的调试样例包括多个图形用户界面操作参考记录中先验可视化操作参考事件的异常操作偏好数据和热力指数,该训练学习知识是指图形用户界面操作参考记录中待进行风险预测的目标可视化操作参考事件的先验异常操作偏好数据;该图像处理网络示例性可以由其他服务器/系统进行调试后,提供给该依据风险行为偏好的AI可视化风险预测服务器,或者,也可以由该依据风险行为偏好的AI可视化风险预测服务器自行进行调试。
如果由该依据风险行为偏好的AI可视化风险预测服务器自行进行调试,则步骤“通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据”之前,还可以包括:获得调试样例,所述调试样例包括图形用户界面操作参考记录中待进行风险预测的目标可视化操作参考事件的先验异常操作偏好数据,以及先验可视化操作参考事件的异常操作偏好数据和热力指数,所述先验可视化操作参考事件为所述图形用户界面操作参考记录中除所述目标可视化操作参考事件之外的剩余可视化操作事件;通过图像处理网络,对所述先验可视化操作参考事件的异常操作偏好数据和热力指数进行加权,得到所述图形用户界面操作参考记录的关联异常操作偏好数据;基于所述关联异常操作偏好数据对所述目标可视化操作参考事件进行风险隐患向量挖掘,得到所述目标可视化操作参考事件的预测异常操作偏好数据;依据所述目标可视化操作参考事件的先验异常操作偏好数据和预测异常操作偏好数据之间的偏移变量,改进所述图像处理网络的网络变量,直至所述偏移变量符合设定训练代价要求,得到调试后的图像处理网络。
本发明实施例中,该调试过程是先确定出目标可视化操作参考事件的预测异常操作偏好数据,然后使用反馈训练思路对图像处理网络的网络变量进行改进,依据目标可视化操作参考事件的先验异常操作偏好数据和预测异常操作偏好数据,改进图像处理网络的网络变量,使目标可视化操作参考事件的预测异常操作偏好数据逼近先验异常操作偏好数据,得到调试后的图像处理网络。示例性的,可以使确定得到的目标可视化操作参考事件的预测异常操作偏好数据和先验异常操作偏好数据之间的偏移变量小于设定值,该设定值可以灵活设置。
步骤105、基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
在一些示例下,可以将目标异常操作偏好数据和风险行为偏好标签进行加权,基于加权后的异常操作偏好数据估测所述目标可视化操作事件在目标图形用户界面操作记录中的安全风险判别结果。
本发明实施例中,目标图形用户界面操作记录的风险行为偏好标签可以是通过对目标图形用户界面操作记录进行风险行为偏好解析得到的。示例性的,可以获得目标图形用户界面操作记录的风险行为偏好图信息,再基于风险行为偏好图信息确定目标图形用户界面操作记录的风险行为偏好标签。
本发明实施例中,可以利用设定概率决策树(贝叶斯概率模型)抽取出图形用户界面操作记录的风险行为偏好图信息,示例性的,可以依据设定概率决策树进行图形用户界面操作记录风险行为偏好抽取并处理,以作为图形用户界面操作记录的风险行为偏好标签。
优选的,本发明实施例中,步骤“基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果”,可以包括:确定所述目标可视化操作事件的至少一种备选安全风险判别结果;依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果;依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果;基于所述第一安全风险预测结果和所述第二安全风险预测结果,确定所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
本发明实施例中,可以预先得知目标可视化操作事件的一个或多个备选安全风险判别结果,示例性可以得知目标可视化操作事件的全部操作意图,再基于目标异常操作偏好数据和目标图形用户界面操作记录的风险行为偏好标签,从这些备选安全风险判别结果中挑选一个操作意图作为目标可视化操作事件在目标图形用户界面操作记录中的安全风险判别结果。
示例性的,步骤“依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果”,可以包括:确定所述目标异常操作偏好数据和所述目标可视化操作事件的至少一种备选安全风险判别结果之间的相似评分;基于所述相似评分,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果。其中,示例性可以将相似评分最大的备选安全风险判别结果作为第一安全风险预测结果。
示例性的,步骤“依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果”,可以包括:确定所述目标图形用户界面操作记录的风险行为偏好标签和所述目标可视化操作事件的至少一种备选安全风险判别结果之间的相似评分;基于所述相似评分,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果。其中,示例性可以将相似评分最大的备选安全风险判别结果作为第二安全风险预测结果。
本发明实施例中,目标异常操作偏好数据示例性可以包括通过目标活跃界面行为轨迹链的热力指数确定出的目标异常操作偏好数据、通过目标操作行为评价特征链的热力指数确定出的目标异常操作偏好数据,通过目标操作行为意向特征链的热力指数确定出的目标异常操作偏好数据等。
其中,可以将通过目标活跃界面行为轨迹链的热力指数确定出的目标异常操作偏好数据记为操作记录块行为要素链的强化特征;将通过目标操作行为评价特征链的热力指数确定出的目标异常操作偏好数据记为操作行为评价特征行为要素链的强化特征;将通过目标操作行为意向特征链的热力指数确定出的目标异常操作偏好数据记为操作行为意向特征行为要素链的强化特征。
示例性的,步骤“依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果”,可以包括:依据操作记录块行为要素链的强化特征,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一操作记录块安全风险预测结果;依据操作行为评价特征行为要素链的强化特征,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一操作行为评价特征安全风险预测结果;依据操作行为意向特征行为要素链的强化特征,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一操作行为意向特征安全风险预测结果。
示例性的,本发明实施例中,步骤“基于所述第一安全风险预测结果和所述第二安全风险预测结果,确定所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果”中,示例性可以为基于分团分簇的规则,利用投票决策作为算法基础对分团分簇结果进行组合;第一安全风险预测结果即为基于目标异常操作偏好数据对备选安全风险判别结果进行表决的结果,第二安全风险预测结果为基于目标图形用户界面操作记录的风险行为偏好标签对备选安全风险判别结果进行表决的结果。
本发明实施例中,目标异常操作偏好数据和目标图形用户界面操作记录的风险行为偏好标签为分团个例,目标可视化操作事件的每个备选安全风险判别结果可以作为一个分团集;可以基于分团个例对目标可视化操作事件的操作意图划分进行表决,确定目标可视化操作事件被分到每个分团集的表决占比,示例性也可以是目标可视化操作事件的每个备选安全风险判别结果的表决通过率。依据少数服从多数来将目标可视化操作事件在目标图形用户界面操作记录中的安全风险判别结果移动到这个分团集中。换言之,把几部分的异常操作偏好数据当成几部分的分团个例,基于这几部分异常操作偏好数据划分的多操作意图事件进行表决,确定目标可视化操作事件被分到各个备选安全风险判别结果的表决占比,哪个备选安全风险判别结果的表决通过率高就把目标可视化操作事件属于到哪个备选安全风险判别结果下。
示例性的,本发明实施例还可以用于确定某个可视化操作事件是否是多意图行为事件,示例性还可以确定该可视化操作事件具有多少种操作意图,即可视化操作事件的安全风险类型数目。
本发明实施例中,目标图形用户界面操作记录示例性可以有至少一个,每个目标图形用户界面操作记录中包含待进行风险预测的目标可视化操作事件,目标可视化操作事件为需要确定安全风险类型数目的可视化操作事件;本发明实施例可以通过上述方法获得多个目标图形用户界面操作记录的风险行为偏好标签、以及对应目标图形用户界面操作记录下目标可视化操作事件的目标异常操作偏好数据,其中,目标异常操作偏好数据可以包括操作记录块行为要素链的强化特征、操作行为评价特征行为要素链的强化特征、操作行为意向特征行为要素链的强化特征等。
本发明实施例中,所述应对智慧数字服务的可视化操作风险预测方法还可以包括:对所述目标图形用户界面操作记录的风险行为偏好标签和所述目标图形用户界面操作记录中目标可视化操作事件的目标异常操作偏好数据进行分簇操作,得到所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目。分簇操作使用的分簇策略示例性可以为K均值策略等。通过对各部分异常操作偏好数据(包括目标异常操作偏好数据和风险行为偏好标签)进行分簇,生成各部分异常操作偏好数据的分簇图。
本发明实施例中,步骤“对所述目标图形用户界面操作记录的风险行为偏好标签和所述目标图形用户界面操作记录中目标可视化操作事件的目标异常操作偏好数据进行分簇操作,得到所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目”,可以包括:对各个目标图形用户界面操作记录的风险行为偏好标签进行分簇操作,得到第一分团分簇结果;对各个目标图形用户界面操作记录中目标可视化操作事件的目标异常操作偏好数据进行分簇操作,得到第二分团分簇结果;基于第一分团分簇结果和第二分团分簇结果,确定所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目。
示例性的,本发明实施例中,所述应对智慧数字服务的可视化操作风险预测方法还可以包括:对所述目标图形用户界面操作记录的风险行为偏好标签和所述目标图形用户界面操作记录中目标可视化操作事件的目标异常操作偏好数据进行加权,得到所述目标可视化操作事件的加权特征;通过设定分簇策略对各个目标图形用户界面操作记录中目标可视化操作事件的加权特征进行分簇操作,得到所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目。可以通过不同的分簇策略对各个目标图形用户界面操作记录中目标可视化操作事件的加权特征进行分簇操作,得到不同分簇策略对应的分团分簇结果,基于不同分簇策略对应的分团分簇结果,确定所述目标图形用户界面操作记录中所述目标可视化操作事件的安全风险类型数目。
本发明可以依据活跃界面行为要素形式挖掘活跃界面行为轨迹链、操作行为评价特征链和操作行为意向特征链等,从而依据活跃界面行为要素的热力指数更好地对于操作记录块所在邻域区间加权调试关联异常操作偏好数据,在异常操作偏好变量调试时能够加权行为意向联系和操作记录块分布到AI网络的调试中;另外,本发明可以获得图形用户界面操作记录的风险行为偏好并处理作为图形用户界面操作记录的风险行为偏好标签,风险行为偏好描述了该可视化操作事件所在图像邻域的整体风险行为偏好,引入风险行为偏好标签区分不同风险行为偏好下的多操作意图事件,提高风险预测的精度和可信度。
本发明实施例利用联合学习的方法,对操作记录块行为要素链的强化特征、操作行为评价特征行为要素链的强化特征、操作行为意向特征行为要素链的强化特征、风险行为偏好标签等几部分异常操作偏好数据进行组合分簇,能够提高分簇时效性和精度。
可见,本发明实施例可以获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件;从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度;依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件;利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。本发明可以依据与目标图形用户界面操作记录匹配的活跃界面行为要素和风险行为偏好标签进行多意图行为事件的安全风险预测,便于提升针对多意图行为事件的安全风险预测和判别精度,尽可能减少多意图行为事件中“白名单”意图对风险行为意图的干扰,同时还可以提高多意图行为事件的安全风险预测时效性。
本发明另一实施例提供一种应对智慧数字服务的可视化操作风险预测方法可以包括如下内容。
步骤201、AI可视化风险预测服务器获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件。
本发明实施例中,目标图形用户界面操作记录为包含待进行风险预测的可视化操作事件的图形用户界面操作记录,示例性可以为图片信息、动图信息或是视频信息等。目标可视化操作事件可包括至少一种操作意图类别,示例性的,目标可视化操作事件可以是多意图行为事件。其中,可视化操作事件可以为图片信息中单个的操作轨迹或操作流等。
步骤202、AI可视化风险预测服务器从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度。
本发明实施例中,活跃界面行为要素,可理解为行为要素链,活跃界面行为要素示例性可以是图形用户界面操作参考记录集中,热力指数不小于设定的热力指数门槛值的行为要素链;该行为要素链可以是操作轨迹特征序列、也可以是操作行为评价特征序列或操作行为意向特征序列等。活跃界面行为要素可以包括活跃界面行为轨迹链、操作行为评价特征链和操作行为意向特征链等。热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度,示例性可以为图形用户界面操作参考记录集中包含所述活跃界面行为要素的图形用户界面操作参考记录的数目。其中,设定活跃界面行为要素池包括活跃界面行为要素和热力指数之间的对应联系。
优选的,本发明实施例中,步骤“从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素”,可以包括:对所述目标图形用户界面操作记录进行图像信息拆解,得到所述目标图形用户界面操作记录的至少一个可视化操作事件;依据所述可视化操作事件在所述目标图形用户界面操作记录中的分布,对所述可视化操作事件进行整理,得到所述目标图形用户界面操作记录的图形用户界面操作记录队列;从设定活跃界面行为要素池中挑选符合设定要求的图形用户界面操作记录队列作为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
本发明实施例中,设定要求可以灵活设置,比如,可以将存在于所述设定活跃界面行为要素池中、且符合设定要求的图形用户界面操作记录队列确定为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,示例性的,将存在于所述设定活跃界面行为要素池中的图形用户界面操作记录队列确定为待定图形用户界面操作记录队列,再将队列规模最长的待定图形用户界面操作记录队列确定为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
本发明实施例中,目标活跃界面行为要素可包括待进行风险预测的目标可视化操作事件。
步骤203、AI可视化风险预测服务器依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件。
优选的,本发明实施例中,步骤“依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数”,可以包括:确定所述目标图形用户界面操作记录中与所述目标活跃界面行为要素匹配的目标图形用户界面操作记录队列;对于所述目标图形用户界面操作记录队列中的辅助可视化操作事件,将所述目标活跃界面行为要素的热力指数作为所述辅助可视化操作事件的热力指数;对于所述目标图形用户界面操作记录中不属于所述目标图形用户界面操作记录队列的辅助可视化操作事件,将设定热力指数作为所述辅助可视化操作事件的热力指数。
示例性的,目标图形用户界面操作记录队列中的每个可视化操作事件与目标活跃界面行为要素中的每个可视化操作事件一一对应,且其中可视化操作事件的顺序分布一致。目标图形用户界面操作记录队列在目标图形用户界面操作记录中可以是连续的,也可以是间断的。目标图形用户界面操作记录队列中可视化操作事件的顺序分布与目标图形用户界面操作记录中对应的可视化操作事件的顺序分布一致。
本发明实施例中,辅助可视化操作事件的热力指数可以视为辅助可视化操作事件的权值系数。
步骤204、AI可视化风险预测服务器将所述辅助可视化操作事件的异常操作偏好数据和热力指数进行加权,得到所述目标图形用户界面操作记录的关联异常操作偏好数据。
本发明实施例中,辅助可视化操作事件的异常操作偏好数据和热力指数的加权思路有多种,比如可以是乘法处理等。比如,对于各个辅助可视化操作事件,可以将辅助可视化操作事件的异常操作偏好数据和其对应的热力指数进行乘法处理;再将各个辅助可视化操作事件的乘法处理结果进行求和处理,得到目标图形用户界面操作记录的关联异常操作偏好数据。
步骤205、AI可视化风险预测服务器基于所述关联异常操作偏好数据对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据。
步骤206、AI可视化风险预测服务器基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
本发明实施例中,目标图形用户界面操作记录的风险行为偏好标签可以是通过对目标图形用户界面操作记录进行风险行为偏好解析得到的。示例性的,可以获得目标图形用户界面操作记录的风险行为偏好图信息,再基于风险行为偏好图信息确定目标图形用户界面操作记录的风险行为偏好标签。
本发明实施例中,可以利用设定概率决策树抽取出图形用户界面操作记录的风险行为偏好图信息,示例性的,可以依据设定概率决策树进行图形用户界面操作记录风险行为偏好提取并处理作为图形用户界面操作记录的风险行为偏好标签。
优选的,本发明实施例中,步骤“基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果”,可以包括:确定所述目标可视化操作事件的至少一种备选安全风险判别结果;依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果;依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果;基于所述第一安全风险预测结果和所述第二安全风险预测结果,确定所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
示例性的,步骤“依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果”,可以包括:确定所述目标异常操作偏好数据和所述目标可视化操作事件的至少一种备选安全风险判别结果之间的相似评分;基于所述相似评分,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果。其中,示例性可以将相似评分最大的备选安全风险判别结果作为第一安全风险预测结果。
示例性的,步骤“依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果”,可以包括:确定所述目标图形用户界面操作记录的风险行为偏好标签和所述目标可视化操作事件的至少一种备选安全风险判别结果之间的相似评分;基于所述相似评分,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果。其中,示例性可以将相似评分最大的备选安全风险判别结果作为第二安全风险预测结果。
在上述内容的基础上,在一些可独立实施的设计思路下,在所述基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果之后,所述方法还包括:根据所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果,生成针对所述安全风险判别结果的安全风险防护策略。
本发明实施例中,安全风险判别结果可以指示所述目标可视化操作事件在所述目标图形用户界面操作记录中可能存在的安全风险,基于此,可以通过安全风险判别结果进行针对性的安全风险防护策略定制,从而实现1对1(1种安全风险判别结果对应1种安全风险防护策略)的安全风险防护处理,提高安全风险防护处理的准确性和可靠性,尽可能减少安全风险防护的遗漏。
在上述内容的基础上,在一些可独立实施的设计思路下,所述根据所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果,生成针对所述安全风险判别结果的安全风险防护策略,包括:在所述安全风险判别结果表征目标可视化操作事件存在信息窃取风险意图的前提下,对所述目标可视化操作事件所对应的访问资源进行数据匿名处理。
本发明实施例中,如果目标可视化操作事件存在信息窃取风险意图,则可以确定目标可视化操作事件所匹配的访问资源,然后对访问资源进行数据匿名处理,以避免访问资源中相关隐私信息的窃取,如此一来,可以实现无感知的安全风险防护处理,避免目标可视化操作事件所对应的操作终端对安全风险防护处理的对抗和攻击。
在上述内容的基础上,在一些可独立实施的设计思路下,所述对所述目标可视化操作事件所对应的访问资源进行数据匿名处理,包括:提取访问资源中包括的每个图像资源数据的隐私属性知识,所述每个图像资源数据的隐私属性知识包括所述每个图像资源数据的信息牵涉知识;根据所述每个图像资源数据的隐私属性知识,生成所述访问资源对应的隐私属性知识序列;根据所述隐私属性知识序列生成所述访问资源中所包括的资源数据集的隐私画像关系网,所述资源数据集包括多个图像资源数据;根据所述资源数据集的隐私画像关系网,利用k匿名算法进行数据匿名处理。如此,通过数据匿名处理,可以在保障访问资源的一定访问权限的前提下实现隐私信息的保护,从而灵活地实现安全风险防护处理。
在上述内容的基础上,在一些可独立实施的设计思路下,所述提取访问资源中包括的每个图像资源数据的隐私属性知识,包括:提取访问资源中包括的每个图像资源数据的信息牵涉知识;对所述每个图像资源数据进行图像语义挖掘,得到所述每个图像资源数据的图像语义向量;根据所述每个图像资源数据的信息牵涉知识和图像语义向量,生成所述每个图像资源数据的隐私属性知识。
在上述内容的基础上,在一些可独立实施的设计思路下,所述提取访问资源中包括的每个图像资源数据的信息牵涉知识,包括:根据所述每个图像资源数据与所述每个图像资源数据在所述访问资源中的前序牵涉资源之间的关系,生成所述每个图像资源数据的前序牵涉资源特征,并根据所述每个图像资源数据与所述每个图像资源数据在所述访问资源中的后序牵涉资源之间的关系,生成所述每个图像资源数据的后序牵涉资源特征;根据所述每个图像资源数据的前序牵涉资源特征和后序牵涉资源特征,确定所述每个图像资源数据的信息牵涉知识。
本发明提出了一种组合活跃界面行为要素和风险行为偏好联合分簇的多操作意图事件风险预测方案,本发明方法通过加权活跃界面行为轨迹链、操作行为评价特征链、操作行为意向特征链加权获得的目标可视化操作事件的目标异常操作偏好数据,以及图形用户界面操作记录的风险行为偏好标签,进行联合分簇,可以准确地进行多意图行为事件的风险预测处理。
本发明公开了一种应对智慧数字服务的可视化操作风险预测方法及软件产品,该方法首先依据活跃界面行为要素形式挖掘活跃界面行为轨迹链、操作行为评价特征链和操作行为意向特征链,然后利用活跃界面行为要素热力指数加权调试关联异常操作偏好数据,从而加权行为意向联系到AI网络的调试中,接下来获得图形用户界面操作记录的风险行为偏好并处理作为图形用户界面操作记录的风险行为偏好标签,最终利用联合学习的思路将各部分的异常操作偏好数据进行联合分簇。这样,本发明方法能更好地调试得到更准确的AI网络,并且能够进行多意图行为事件的风险预测和噪声规避。
本发明实施例还提供了一种用于实现应对智慧数字服务的可视化操作风险预测方法的软件产品,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。
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)
1.一种应对智慧数字服务的可视化操作风险预测方法,其特征在于,应用于AI可视化风险预测服务器,所述方法包括:
获得目标图形用户界面操作记录中待进行风险预测的目标可视化操作事件;
从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,所述设定活跃界面行为要素池包括活跃界面行为要素和所述活跃界面行为要素对应的热力指数,所述热力指数反映图形用户界面操作参考记录集中所述活跃界面行为要素的活跃度;
依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,所述辅助可视化操作事件为所述目标图形用户界面操作记录中除所述目标可视化操作事件之外的剩余可视化操作事件;
利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;
基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
2.如权利要求1所述的方法,其特征在于,所述从设定活跃界面行为要素池中获得与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素,包括:
对所述目标图形用户界面操作记录进行图像信息拆解,得到所述目标图形用户界面操作记录的至少一个可视化操作事件;
依据所述可视化操作事件在所述目标图形用户界面操作记录中的分布,对所述可视化操作事件进行整理,得到所述目标图形用户界面操作记录的图形用户界面操作记录队列;
从设定活跃界面行为要素池中挑选符合设定要求的图形用户界面操作记录队列作为与所述目标图形用户界面操作记录匹配的目标活跃界面行为要素。
3.如权利要求1所述的方法,其特征在于,所述活跃界面行为要素包括活跃界面行为轨迹链;所述方法还包括:
获得图形用户界面操作参考记录集,并对所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录进行图像信息拆解,得到所述图形用户界面操作参考记录集中每个图形用户界面操作参考记录的至少一个可视化操作参考事件;
对于每个可视化操作参考事件,确定包含所述可视化操作参考事件的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的可视化操作参考事件作为所述图形用户界面操作参考记录集的基础活跃成员;
依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数,得到设定活跃界面行为要素池;
其中,所述依据所述基础活跃成员,生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链和所述活跃界面行为轨迹链对应的热力指数,包括:
依据所述基础活跃成员,对所述图形用户界面操作参考记录进行优化处理,得到图形用户界面操作优化结果;
将所述基础活跃成员作为上游行为元素,并确定在所述图形用户界面操作优化结果中所述上游行为元素对应的下游行为元素;
当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链;
确定包含所述活跃界面行为轨迹链的图形用户界面操作参考记录的数目,得到所述活跃界面行为轨迹链对应的热力指数;
其中,所述当所述下游行为元素包含有所述基础活跃成员时,依据所述下游行为元素生成所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链,包括:
当所述下游行为元素包含有所述基础活跃成员时,将所述下游行为元素中的基础活跃成员与所述下游行为元素对应的上游行为元素进行整合,得到目标上游行为元素,并确定在所述图形用户界面操作优化结果中所述目标上游行为元素对应的目标下游行为元素;
对于获得到的各个上游行为元素,确定包含所述上游行为元素的图形用户界面操作参考记录的数目;
依据所述数目,从各个上游行为元素中确定所述图形用户界面操作参考记录集对应的活跃界面行为轨迹链。
4.如权利要求1所述的方法,其特征在于,所述活跃界面行为要素还包括操作行为评价特征链;所述方法还包括:
获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;
对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为评价特征解析,得到所述图形用户界面操作参考记录对应的操作行为评价特征序列,所述操作行为评价特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的操作行为评价特征;
对于每种操作行为评价特征,确定包含所述操作行为评价特征的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的操作行为评价特征作为所述图形用户界面操作参考记录集的基础操作行为评价特征;
依据所述基础操作行为评价特征,生成所述图形用户界面操作参考记录集对应的操作行为评价特征链和所述操作行为评价特征链对应的热力指数,得到设定活跃界面行为要素池。
5.如权利要求1所述的方法,其特征在于,所述活跃界面行为要素还包括操作行为意向特征链;所述方法还包括:
获得图形用户界面操作参考记录集,所述图形用户界面操作参考记录集包括至少一个图形用户界面操作参考记录;
对所述图形用户界面操作参考记录中的每个可视化操作事件进行操作行为意向特征解析,得到所述图形用户界面操作参考记录对应的操作行为意向特征序列,所述操作行为意向特征序列包括所述图形用户界面操作参考记录中每个可视化操作事件对应的行为意向联系;
对于每种行为意向联系,确定包含所述行为意向联系的图形用户界面操作参考记录的参考记录数;
将所述参考记录数大于设定数目的行为意向联系作为所述图形用户界面操作参考记录集的基础操作行为意向特征;
依据所述基础操作行为意向特征,生成所述图形用户界面操作参考记录集对应的操作行为意向特征链和所述操作行为意向特征链对应的热力指数,得到设定活跃界面行为要素池。
6.如权利要求1所述的方法,其特征在于,所述依据所述目标活跃界面行为要素的热力指数,确定所述目标图形用户界面操作记录中辅助可视化操作事件对应的热力指数,包括:
确定所述目标图形用户界面操作记录中与所述目标活跃界面行为要素匹配的目标图形用户界面操作记录队列;
对于所述目标图形用户界面操作记录队列中的辅助可视化操作事件,将所述目标活跃界面行为要素的热力指数作为所述辅助可视化操作事件的热力指数;
对于所述目标图形用户界面操作记录中不属于所述目标图形用户界面操作记录队列的辅助可视化操作事件,将设定热力指数作为所述辅助可视化操作事件的热力指数。
7.如权利要求1所述的方法,其特征在于,所述利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据,包括:
将所述辅助可视化操作事件的异常操作偏好数据和热力指数进行加权,得到所述目标图形用户界面操作记录的关联异常操作偏好数据;
基于所述关联异常操作偏好数据对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据。
8.如权利要求1所述的方法,其特征在于,所述利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据,包括:通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据;
在所述通过调试后的图像处理网络,利用所述辅助可视化操作事件的异常操作偏好数据和热力指数对所述目标可视化操作事件进行风险隐患向量挖掘,得到所述目标可视化操作事件的目标异常操作偏好数据之前,所述方法还包括:
获得调试样例,所述调试样例包括图形用户界面操作参考记录中待进行风险预测的目标可视化操作参考事件的先验异常操作偏好数据,以及先验可视化操作参考事件的异常操作偏好数据和热力指数,所述先验可视化操作参考事件为所述图形用户界面操作参考记录中除所述目标可视化操作参考事件之外的剩余可视化操作事件;
通过图像处理网络,对所述先验可视化操作参考事件的异常操作偏好数据和热力指数进行加权,得到所述图形用户界面操作参考记录的关联异常操作偏好数据;
基于所述关联异常操作偏好数据对所述目标可视化操作参考事件进行风险隐患向量挖掘,得到所述目标可视化操作参考事件的预测异常操作偏好数据;
依据所述目标可视化操作参考事件的先验异常操作偏好数据和预测异常操作偏好数据之间的偏移变量,改进所述图像处理网络的网络变量,直至所述偏移变量符合设定训练代价要求,得到调试后的图像处理网络。
9.如权利要求1所述的方法,其特征在于,所述基于所述目标异常操作偏好数据和所述目标图形用户界面操作记录的风险行为偏好标签,对所述目标可视化操作事件进行安全风险判别,得到所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果,包括:
确定所述目标可视化操作事件的至少一种备选安全风险判别结果;
依据所述目标异常操作偏好数据,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第一安全风险预测结果;
依据所述目标图形用户界面操作记录的风险行为偏好标签,从所述目标可视化操作事件的至少一种备选安全风险判别结果中挑选第二安全风险预测结果;
基于所述第一安全风险预测结果和所述第二安全风险预测结果,确定所述目标可视化操作事件在所述目标图形用户界面操作记录中的安全风险判别结果。
10.一种用于实现应对智慧数字服务的可视化操作风险预测方法的软件产品,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1-9中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502285.8A CN116720181A (zh) | 2023-05-06 | 2023-05-06 | 应对智慧数字服务的可视化操作风险预测方法及软件产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502285.8A CN116720181A (zh) | 2023-05-06 | 2023-05-06 | 应对智慧数字服务的可视化操作风险预测方法及软件产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720181A true CN116720181A (zh) | 2023-09-08 |
Family
ID=87874204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310502285.8A Pending CN116720181A (zh) | 2023-05-06 | 2023-05-06 | 应对智慧数字服务的可视化操作风险预测方法及软件产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720181A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130063264A1 (en) * | 2011-09-12 | 2013-03-14 | Ulku G. Oktem | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators |
US20210084059A1 (en) * | 2019-09-14 | 2021-03-18 | International Business Machines Corporation | Assessing technical risk in information technology service management using visual pattern recognition |
CN112580952A (zh) * | 2020-12-09 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 用户行为风险预测方法、装置、电子设备及存储介质 |
CN113329034A (zh) * | 2021-06-25 | 2021-08-31 | 东莞市汇学汇玩教育科技有限公司 | 基于人工智能的大数据业务优化方法、服务器及存储介质 |
CN113641994A (zh) * | 2021-10-13 | 2021-11-12 | 杭银消费金融股份有限公司 | 基于图数据的数据处理方法及系统 |
CN113821815A (zh) * | 2021-10-19 | 2021-12-21 | 广州酷风技术开发有限公司 | 一种基于用户行为的大数据防护方法及服务器 |
CN114998002A (zh) * | 2022-07-19 | 2022-09-02 | 中国工商银行股份有限公司 | 风险操作预测方法及装置 |
CN115439928A (zh) * | 2022-08-12 | 2022-12-06 | 中国银联股份有限公司 | 一种操作行为识别方法及装置 |
CN115964432A (zh) * | 2023-02-21 | 2023-04-14 | 靳佳彬 | 基于大数据可视化的用户操作异常分析方法及系统 |
-
2023
- 2023-05-06 CN CN202310502285.8A patent/CN116720181A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130063264A1 (en) * | 2011-09-12 | 2013-03-14 | Ulku G. Oktem | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators |
US20210084059A1 (en) * | 2019-09-14 | 2021-03-18 | International Business Machines Corporation | Assessing technical risk in information technology service management using visual pattern recognition |
CN112580952A (zh) * | 2020-12-09 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 用户行为风险预测方法、装置、电子设备及存储介质 |
CN113329034A (zh) * | 2021-06-25 | 2021-08-31 | 东莞市汇学汇玩教育科技有限公司 | 基于人工智能的大数据业务优化方法、服务器及存储介质 |
CN113641994A (zh) * | 2021-10-13 | 2021-11-12 | 杭银消费金融股份有限公司 | 基于图数据的数据处理方法及系统 |
CN113821815A (zh) * | 2021-10-19 | 2021-12-21 | 广州酷风技术开发有限公司 | 一种基于用户行为的大数据防护方法及服务器 |
CN114998002A (zh) * | 2022-07-19 | 2022-09-02 | 中国工商银行股份有限公司 | 风险操作预测方法及装置 |
CN115439928A (zh) * | 2022-08-12 | 2022-12-06 | 中国银联股份有限公司 | 一种操作行为识别方法及装置 |
CN115964432A (zh) * | 2023-02-21 | 2023-04-14 | 靳佳彬 | 基于大数据可视化的用户操作异常分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11645515B2 (en) | Automatically determining poisonous attacks on neural networks | |
CN102012918B (zh) | 一种规律挖掘和执行系统及其方法 | |
Gai et al. | Security-aware information classifications using supervised learning for cloud-based cyber risk management in financial big data | |
US11106801B1 (en) | Utilizing orchestration and augmented vulnerability triage for software security testing | |
Lee et al. | Improving bug report triage performance using artificial intelligence based document generation model | |
CN114638234B (zh) | 应用于线上业务办理的大数据挖掘方法及系统 | |
CN114564726B (zh) | 一种基于大数据办公的软件漏洞分析方法及系统 | |
CN113190670A (zh) | 一种基于大数据平台的信息展示方法及系统 | |
CN113641993A (zh) | 一种基于云计算的数据安防处理方法及数据安防服务器 | |
CN115174231A (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN113515606A (zh) | 基于智慧医疗安全的大数据处理方法及智慧医疗ai系统 | |
CN114490302B (zh) | 一种基于大数据分析的威胁行为分析方法及服务器 | |
EP2548141B1 (en) | A system and method for evaluating a reverse query | |
CN114091684A (zh) | 增强业务结果可解释性的方法及装置 | |
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 | |
CN115248855A (zh) | 文本处理方法及装置、电子设备、计算机可读存储介质 | |
CN112579755A (zh) | 基于人工智能和云计算的信息应答方法及信息互动平台 | |
CN112215655A (zh) | 一种客户画像的标签管理方法及系统 | |
CN117011751A (zh) | 使用变换器网络分割视频图像序列 | |
CN116720181A (zh) | 应对智慧数字服务的可视化操作风险预测方法及软件产品 | |
Amir et al. | Quantitative analysis of grouping processes | |
CN114300146B (zh) | 一种应用于智慧医疗的用户信息安全处理方法及系统 | |
CN116186692A (zh) | 一种电子经济数据的安全防护系统及方法 | |
EP3821366A1 (en) | Systems, methods, and computer-readable media for improved table identification using a neural network | |
CN117009832A (zh) | 异常命令的检测方法、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231210 Address after: 448000, No. 30 Beimen Road, Dongbao District, Jingmen City, Hubei Province Applicant after: Liu Baoping Address before: No. 128 Guanggu 7th Road, Donghu New Technology Development Zone, Hongshan District, Wuhan City, Hubei Province, 430074 Applicant before: Wuhan Unis Technology Co.,Ltd. |