基于人工智能的数据安全智能风险预警方法与流程

本发明涉及数据预警，具体为基于人工智能的数据安全智能风险预警方法。

背景技术：

1、其人工智能在进行数据处理过程中，其处理的数据基本上均为时序数据，时序数据是按时间顺序记录和存储的数据，它包含了时间戳和相应的数据值。这种数据类型在各种应用场景中都极为重要，尤其是在需要监控和分析随时间变化的趋势、模式和异常的场景中。

2、基于风险预警信息通过时序数据聚类算法自动提取出一些候选规则：深度学习方法如lstm、gru等也可以用于时序数据聚类。通过聚类分析生成智能预警处置规则模块：对第一类风险预警信息、第二类风险预警信息和第三类风险预警信息进行结果聚类分析，基于时间维度为基准下从以下不同维度客户端维度、目标数据库维度、操作对象维度、操作类型维度、双向审计维度等进行分析，旨在生成新的智能预警处置安全策略规则。通过从不同维度进行自定义规则策略库自学习过程产生获取业务知识整理出预警处置基线策略，旨在供使用用户进行新安全策略规则生成。

3、时序数据在产生过程中，依据对应来源所生成的相关时序数据，当出现异常波动的数据时，基于原始时序数据的相关特征，确认异常数据并进行展示，但此类进行数据预警的方式并不全面，其异常数据产生后会存在一个相关周期，在此周期内均为异常数据，但原始的识别方式并不能完全识别出此类周期性的异常数据，导致其安全预警的并不全面。

技术实现思路

1、针对现有技术的不足，本发明提供了基于人工智能的数据安全智能风险预警方法，解决了原始的识别方式并不能完全识别出此类周期性的异常数据，导致其安全预警的并不全面的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于人工智能的数据安全智能风险预警方法，包括以下步骤：

3、s1、对相关数据来源在不同时刻所产生的不同时序数据进行一一确认，并依据不同时刻所对应的不同时序数据，生成对应数据来源的时序数据变化曲线；

4、s2、对所生成的时序数据变化曲线内部的同波动线段进行标定，基于相邻数据之间的变化参数，从时序数据变化曲线中确定变化异常的时序数据以及同波动线段对应的同波动序列，具体方式为：

5、s21、从时序数据变化曲线内的第一组时序数据开始，确认第一组时序数据与第二组时序数据之间数值差值的绝对值，并标定为j1，再确认第二组时序数据与第三组时序数据之间数值差值的绝对值j2，依此类推，对后续所出现的绝对值jn进行一一确认，将所确认的绝对值进行排序，生成排序序列｛j1、j2、……、jn｝；

6、s22、从序列内第一组绝对值开始，选定第二组绝对值，并将两组绝对值进行方差处理，确定方差f：

7、若f≤y1，则再选定第三组绝对值并确定方差，依此类推，直至所确定的方差f＞y1时停止，将本次所选定的绝对值标定为二阶值，将二阶值之前所选定的若干组绝对值排序为同波动序列；

8、若f＞y1，将第一组绝对值标定为异常绝对值，并从第二组绝对值开始，进行后续绝对值的选定并进行方差处理，进行相关分析，确定同波动序列或异常绝对值，其中y1为预设值；

9、s23、再从二阶值开始，采用步骤s22的方式，来确定同波动序列或异常绝对值；

10、s24、基于所产生的异常绝对值确认异常信号，并将此异常绝对值所相关的前后两组时序数据以及此异常信号进行展示；

11、s3、基于一一确定的同波动序列，确定每组同波动序列内相邻时序数据之间数值的差值，再确定对应同波动序列的若干组差值的均值，基于不同的同波动序列的均值聚类过程，确定具体的不达标序列，再从不达标序列中选定异常序列，具体方式为：

12、s31、确定对应同波动序列相邻时序数据之间数值的差值，并标定为ci-k，其中i代表不同的同波动序列，其中k代表不同的相邻时序数据，且ci≥0，将本同波动序列内若干个差值ci-k进行均值处理确定本同波动序列的关联均值ji；

13、s32、从若干个不同的同波动序列的关联均值ji中，选定一组最小值jimin以及一组最大值jimax，并基于所设定的预设区间对若干组关联均值ji进行聚类分析，其中预设区间的设定范围为y3，其中y3为预设值，使预设区间的区间范围从[jimin，jimin+y3]至[jimax-y3，jimax]进行范围变化，并对每个预设区间的区间范围进行数值确定，当变化过程中的某个预设区间所包含的关联均值ji的个数达到最大时，将此预设区间标定为标准区间，若存在多个预设区间所包含的ji个数均处于最大情况时，那么直接将多个预设区间均标定为标准区间；

14、s33、将位于标准区间上方的关联均值ji所对应的同波动序列标定为不达标序列，并基于不达标序列内部相邻时序数据的差值ci-k，且ci≥0，将所确认的若干组ci-k与预设值y4进行比对，其中y4为预设值，若ci-k＞y4，将此阶段所对应的时序数据标定为异常序列；若ci-k≤y4时，则不进行任何异常序列的相关标定；

15、s4、针对于所确认的异常序列，来识别本异常序列的序列特征，再往后确认是否存在序列特征同范围变化的同类异常序列，并基于对应异常序列之间的时间周期，进行最终确定是否生成相关的异常信号来预警，具体方式为：

16、s41、基于对应异常序列所关联的时序数据，从时序数据中选定最大值与最小值之间的差值，将其标定为第一组特征值z1，再确定若干组时序数据中第一组数据与最后一组数据之间的时间差值，将其标定为第二组特征值z2，将本异常序列所对应的方差参数作为第三组特征值z3，采用tz=z1×c1+z2×c2+z3×c3确认本异常序列的总特征tz，其中c1、c2以及c3均为预设的固定系数因子；

17、s42、再确定后续所出现的异常序列的总特征，识别其后续异常序列的总特征与本次异常序列之间所确认的总特征之间的差值是否属于标定区间，其中标定区间的端点值均为预设值，若属于，则确定两组异常序列之间的间隔时间周期，并标定为t1，若不属于，则再确定后续其他异常序列与本异常序列之间的差值是否满足评定条件，若未存在其他异常序列或均不满足此评定条件，则产生异常信号，并将本异常序列以及对应的异常信号进行展示，反之，则确定间隔时间周期t1；

18、s43、基于所确认的第一组时间周期t1，再将本异常序列所关联的第二组异常序列作为第一组序列，确认后续异常序列与本异常序列的第二组时间周期t2，识别其时间周期t1与时间周期t2是否数值相同，若数值相同，则将存在此类相似特征的相关异常序列不进行任何处理。

19、优选的，所述步骤s43中，时间周期t1与时间周期t2的数值不同时，则生成异常信号，并将本异常序列以及对应的异常信号进行展示。

20、本发明提供了基于人工智能的数据安全智能风险预警方法。与现有技术相比具备以下有益效果：

21、本发明通过对所产生的时序数据进行分析，基于相邻时序数据的变化情况，确定其数据之间的差值，再通过分析差值之间的方差变化，来进行相关的数值确定，锁定波动几乎一致的同波动序列，采用此种方式，将存在不同波动情况的时序数据进行分开处理，来保障后续数据分析过程中的相关准度，保障数据分析的相关全面性；

22、后续为了识别其波动序列内相关的时序数据是否存在关联异常，通过对波动序列内不同的时序数据进行相关分析，来确定不同波动序列的其他异常情况，来锁定异常序列，再通过确认异常序列的相关特征，识别后续是否出现同类特征的异常序列，并进行周期确认，识别其周期之间是否存在相关规律，进行一一处理，来保障数据分析过程的全面性，来达到更好的数据安全分析效果，对数据安全的相关预警的准度进行保障。