[發(fā)明專利]一種基于大數(shù)據(jù)的商業(yè)網(wǎng)站安全維護(hù)方法

在審

• 申請?zhí)枺?/td>: 202010660635.X
• 申請日: 2020-07-10
• 公開（公告）號: CN111814153A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計）人: 傅立光
• 申請（專利權(quán)）人: 遼東學(xué)院
• 主分類號: G06F21/57
• 分類號: G06F21/57;G06F16/958;G06K9/62
• 代理公司: 北京卓特專利代理事務(wù)所(普通合伙) 11572
• 代理人: 段宇

1.一種基于大數(shù)據(jù)的商業(yè)網(wǎng)站安全維護(hù)方法，其特征在于，包括以下步驟：

步驟1：獲取日志數(shù)據(jù)，每個日志數(shù)據(jù)包含訪客基本信息、注冊天數(shù)、登錄時間、用戶權(quán)限級別、客戶端瀏覽器、源IP、登錄郵箱、連續(xù)登錄天數(shù)等重要信息，根據(jù)這些信息與網(wǎng)絡(luò)安全事件的關(guān)聯(lián)程度，提取以上日志數(shù)據(jù)維數(shù)作為雙層聚類分析的輸入值；

步驟2：數(shù)據(jù)收集和清理：根據(jù)日志數(shù)據(jù)與網(wǎng)絡(luò)安全事件的相關(guān)性，并將日志數(shù)據(jù)分為相應(yīng)個數(shù)的簇；

步驟3：雙層數(shù)據(jù)聚類分析：采用自組織映射算法模型對第一層數(shù)據(jù)進(jìn)行聚類分析，采用模糊C均值聚類算法模型對第二層數(shù)據(jù)進(jìn)行聚類分析；

其中，自組織映射算法模型的構(gòu)建包含以下步驟：

步驟3.1:初始化；將向量及其對應(yīng)的權(quán)向量矩陣進(jìn)行歸一化，使不同角度和長度的向量成為相同方向和長度為1的單位向量；T表示兩個向量之間的最大值；

步驟3.2:通過計算向量內(nèi)積的值，找到獲勝神經(jīng)元：當(dāng)一個向量隨機(jī)輸入到輸入層時，將競爭層中所有神經(jīng)元對應(yīng)的權(quán)向量與輸入向量進(jìn)行相似性比較；內(nèi)積值越大，相似性越高；相似度最大的權(quán)重向量被判定為獲勝神經(jīng)元；

x^Tx_i＝||x||||x_i||cosθ；

步驟3.3:調(diào)整權(quán)重系數(shù)：只有獲勝神經(jīng)元可以調(diào)整權(quán)值向量，e(t)為學(xué)習(xí)率；

步驟3.4:修改e(t)學(xué)習(xí)率，當(dāng)?shù)螖?shù)達(dá)到最大值時輸出結(jié)果；否則，重復(fù)步驟3.2，直到輸出結(jié)果；

步驟4：個性化展示：通過二維坐標(biāo)圖進(jìn)行展示。

2.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的商業(yè)網(wǎng)站安全維護(hù)方法，其特征在于，所述模糊C均值聚類算法模型的構(gòu)建包含以下步驟：

步驟3.2.1:對初始矩陣J(U，C₁，C₂...C_C)進(jìn)行隨機(jī)劃分，初始化聚類中心P和距離T，使矩陣的值滿足歸一化條件，矩陣的所有隸屬度之和等于1。

(k＝1,2，……n)，u_ik表示X_k對第i個樣本的隸屬度；

步驟3.2.2:計算每個模糊組的聚類中心P，其中m是一個加權(quán)指數(shù)；

步驟3.2.3:通過計算各模糊組的聚類中心P和樣本數(shù)據(jù)的目標(biāo)函數(shù)得到新的函數(shù)矩陣J_m；

d_ik表示樣本點X_k到第i類樣本與聚類中心P_i之間的距離；

d_ik²＝||X_k-P_i||＝(X_k-P_i)^TA(X_k-P_i)；

步驟3.2.4:用拉格朗日算子F求解極值，使目標(biāo)函數(shù)達(dá)到最小值，重復(fù)步驟3.2.2，直到得到最優(yōu)解；其中λ是參數(shù)；

3.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的商業(yè)網(wǎng)站安全維護(hù)方法，其特征在于，步驟4中的個性化顯示包括：采用T分布鄰域嵌入算法將雙層聚類模型計算得到的多維測井?dāng)?shù)據(jù)映射到二維坐標(biāo)圖上。