[發明專利]一種數據全生命周期安全的分析方法

在審

• 申請號: 202110394814.8
• 申請日: 2021-04-13
• 公開（公告）號: CN113111943A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 孫強強;陳昊;丘惠軍;連來雄;許愛東;陳霖;匡曉云;楊祎巍
• 申請（專利權）人: 深圳供電局有限公司;南方電網科學研究院有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/10
• 代理公司: 深圳市中興達專利代理有限公司 44637
• 代理人: 林麗明

本發明提供一種數據全生命周期安全的分析方法，包括以下步驟：構造訓練樣本集，從數據集得到數據的每個生命周期安全事件的攻擊次數，然后與層次分析法計算出的數據安全事件權重相乘，得到某時間監測點的數據安全態勢值，最終得到與監測時間點相對應的關于態勢值的時間序列構成實驗數據樣本集，還需要再將樣本集劃分為訓練樣本和測試樣本；訓練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v?SVM作為弱學習分類器，并且設定訓練樣本抽取比例為50％。本發明的有益效果是：對數據進行準確地安全態勢分析。

技術領域

本發明涉及機器學習和態勢分析領域，具體涉及一種分析數據全生命周期的安全態勢的方法。

背景技術

傳統的機器學習方法是在一個可能由各種函數組成的空間(“假設空間”)中找到一個分類器h，此分類器最接近實際分類函數f。單個分類器模型通常有人工神經網絡、樸素貝葉斯分類器和支持向量機等等。集成學習的思想是在對實例進行分類時，集成了若于單個分類器，而最終的分類結果是通過某種方式組合若干分類器的分類結果來決定的，使集成分類器的性能優于單個分類器。假設每個單個分類器都是個決策者，那么集成學習的思路就是多個決策者一起做出一項決策。附圖1表示了集成學習的基本思想。附圖1中的集成預測分類器包含了n個單一的預測分類器，對于相同的輸入，n個預測分類器分別輸出各自的預測分類結果(O₁,O₂,L,O_n)，然后這些預測分類結果通過整合以后得到集成預測分類器整體的輸出結果作為最終預測結果。

bagging(Bootstrap AGGregatING)是Breiman提出的，其思想是有放回地抽取訓練集的訓練樣本，使每一個基本預測分類器的訓練樣本集都是訓練集的子集并且各不相同，這樣訓練得到的基本預測分類器也不盡相同。bagging算法的示意圖如附圖2所示。附圖2中，X為預測樣本集，S₁,S₂,...,S_n。為以指定概率從原始訓練樣本集S中選取的樣本子集。C₁,C₂,...,C_n為n個弱學習分類器，n個弱學習算法的預測結果C₁(x),C₂(x),...,C_n(x)，C為bagging集成n個弱學習算法的強學習機，C(x)為強學習機的預測結果。算法的步驟如下：

步驟一：對集成學習bagging算法初始化，設定bagging算法最大迭代次數t，即弱學習機的個數。選定弱學習算法，并設定弱學習算法的訓練參數；步驟二：以指定概率從數據集S中有放回地選取樣訓練本子集S_i，i∈[1,2...,t]，作為弱學習算法的訓練樣本子集S_i；步驟三：將訓練樣本子集Si，輸入到弱學習算法中訓練，得到對應的弱學習機C_i；步驟四：檢查當前集成學習bagging算法是否達到算法的最大迭代次數t，若已達到，則執行步驟五；否則，返回步驟二；步驟五:計算弱學習機序列C₁,C₂,...,C_n預測結果的某種組合方式的結果C(x)＝f(C₁(x),C₂(x),...,C_n(x))，即為強學習機C的預測結果C(x)。

bagging是基于對訓練集進行處理的集成方法中最直觀、最簡單的一種。Breiman指出，要使得bagging有效，基本分類器的學習算法必須是不穩定的，即對訓練數據敏感。基本分類器的學習算法對訓練數據越敏感，bagging的效果越好，因此對于人工神經網絡和支持向量機這樣的弱學習算法bagging是相當有效的。另外由于bagging算法本身的特點，使得bagging算法非常適合用來并行訓練多個基本分類器，這也是bagging算法的一大優勢。