[發(fā)明專利]一種數(shù)據(jù)全生命周期安全的分析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110394814.8
• 申請(qǐng)日: 2021-04-13
• 公開（公告）號(hào): CN113111943A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 孫強(qiáng)強(qiáng);陳昊;丘惠軍;連來雄;許愛東;陳霖;匡曉云;楊祎巍
• 申請(qǐng)（專利權(quán)）人: 深圳供電局有限公司;南方電網(wǎng)科學(xué)研究院有限責(zé)任公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N20/10
• 代理公司: 深圳市中興達(dá)專利代理有限公司 44637
• 代理人: 林麗明

1.一種數(shù)據(jù)全生命周期安全的分析方法，其特征在于，包括以下步驟：

構(gòu)造訓(xùn)練樣本集，從數(shù)據(jù)集得到數(shù)據(jù)的每個(gè)生命周期安全事件的攻擊次數(shù)，然后與層次分析法計(jì)算出的數(shù)據(jù)安全事件權(quán)重相乘，得到某時(shí)間監(jiān)測(cè)點(diǎn)的數(shù)據(jù)安全態(tài)勢(shì)值，最終得到與監(jiān)測(cè)時(shí)間點(diǎn)相對(duì)應(yīng)的關(guān)于態(tài)勢(shì)值的時(shí)間序列構(gòu)成實(shí)驗(yàn)數(shù)據(jù)樣本集，還需要再將樣本集劃分為訓(xùn)練樣本和測(cè)試樣本；

訓(xùn)練bagging算法模塊集成v-SVM的分析模型，bagging算法模塊集成v-SVM的分析模型使用最大為10個(gè)v-SVM作為弱學(xué)習(xí)分類器，并且設(shè)定訓(xùn)練樣本抽取比例為50％。

2.根據(jù)權(quán)利要求1所述的分析方法，其特征在于，所述方法還包括在樣本集的選取上使用滑動(dòng)窗口的方法，包括以下步驟：

先選取一段固定時(shí)間間隔做為初始窗口，進(jìn)行訓(xùn)練分析；

窗口再向后滑動(dòng)一個(gè)時(shí)間段，再進(jìn)行訓(xùn)練分析；

初始窗口和滑動(dòng)窗口交替滑動(dòng)。

3.根據(jù)權(quán)利要求2所述的分析方法，其特征在于，采用滑動(dòng)窗口構(gòu)造訓(xùn)練樣本可以使原本完全離散的數(shù)據(jù)集，變成部分線性相關(guān)，即構(gòu)造出了一個(gè)自協(xié)方差系數(shù)在0.25-0.5之間的時(shí)間序列。

4.根據(jù)權(quán)利要求2所述的分析方法，其特征在于，所述bagging算法模塊集成v-SVM的分析步驟如下：

步驟1、設(shè)定bagging算法模塊最大迭代次數(shù)為10，即為弱學(xué)習(xí)算法的個(gè)數(shù)；

步驟2、從構(gòu)造好的訓(xùn)練集中重復(fù)有放回的隨機(jī)抽取50％的訓(xùn)練樣本作為對(duì)應(yīng)預(yù)測(cè)模型的訓(xùn)練樣本進(jìn)行訓(xùn)練，得到v-SVM分析模型序列(C₁,C₂,...,C₁₀)；

步驟3、將樣本分別輸入v-SVM分析模型序列(C₁,C₂,...,C₁₀)得到多個(gè)態(tài)勢(shì)值C₁(x),C₂(x),...,C₁₀(x)；

步驟4、最終求取多個(gè)v-SVM分析模型，從而得到多個(gè)模型所計(jì)算的態(tài)勢(shì)值C₁(x),C₂(x),...,C₁₀(x)，并將其進(jìn)行整合，整合后的分析結(jié)果C(x)即為總態(tài)勢(shì)分析模型最終的安全分析結(jié)果。

5.根據(jù)權(quán)利要求4所述的分析方法，其特征在于，步驟1中，選定v-SVM為弱學(xué)習(xí)算法，初始化v-SVM模型序列(C₁,C₂,...,C₁₀)的參數(shù)，分別為v-SVMi的參數(shù)v_i和核函數(shù)參數(shù)δ_i。