[發明專利]一種數據分類分級方法、系統、介質及計算機設備

在審

• 申請號: 202211265209.1
• 申請日: 2022-10-17
• 公開（公告）號: CN115688169A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 楊建新;胡躍申;高興宇;杜文彬;黃宇;文星;曾嘉偉
• 申請（專利權）人: 中國南方電網有限責任公司超高壓輸電公司;中國科學院微電子研究所
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06F21/64;G06F16/28;G06N3/0464;G06N3/047;G06N3/048;G06N3/082;G06Q50/06
• 代理公司: 北京華沛德權律師事務所 11302
• 代理人: 馬苗苗

1.一種數據分類分級方法，其特征在于，所述方法包括：

將生產控制大區和/或管理信息大區作為分類種類構建敏感數據分類模型，并將根據電力行業數據分析得到的分類數據特征輸入到所述敏感數據分類模型進行分類，得到數據分類結果；

將非敏感、內部敏感、普通商密、核心商密、核心機密五個數據安全等級作為分級級別構建敏感數據分級模型；

將所述數據分類結果作為一維特征加入所述分類數據特征，作為所述電力行業數據的分級數據特征，并利用敏感數據分級模型對所述分級數據特征進行定級標識，得到非敏感、內部敏感、普通商密、核心商密、核心機密五個數據安全等級對應的定級標識數據；

根據所述定級標識數據的級別對訪問角色賦予相應訪問權限，用以對所述定級標識數據進行訪問權限管理；

按照不同級別定級標識數據的訪問權限-角色-用戶組-用戶的層次結構設計權限關系網絡，用以構建電力行業數據和用戶的訪問關系。

2.如權利要求1所述的方法，其特征在于，所述將生產控制大區和/或管理信息大區作為分類種類構建敏感數據分類模型，具體包括：

獲得事先采集的電力行業訓練樣本；

將所述電力行業訓練樣本劃分為若干分集；

循環將所述若干分集中的其中一個分集作為訓練集，剩余分集作為測試集，結合作為分類種類的生產控制大區和/或管理信息大區對初始分類模型進行訓練和測試，得到所有測試集均測試通過的所述敏感數據分類模型。

3.如權利要求2所述的方法，其特征在于，所述循環將所述若干分集中的其中一個分集作為訓練集，剩余分集作為測試集，結合作為分類種類的生產控制大區和/或管理信息大區對初始分類模型進行訓練和測試，得到所有測試集均測試通過的所述敏感數據分類模型，具體包括：

針對每次循環分集，將得到的所述訓練集和所述測試集按照生產控制大區和/或管理信息大區進行打標，并提取所述訓練集和所述測試集各自對應的分類數據特征；

利用所述訓練集和所述測試集各自對應的分類數據特征對所述初始分類模型進行訓練和測試，得到滿足分類精度的所述敏感數據分類模型，并執行下一次循環分集，直至得到所有測試集均測試通過的所述敏感數據分類模型。

4.如權利要求3所述的方法，其特征在于，若未得到滿足分類精度的所述敏感數據分類模型，采用調整所述訓練集和/或調整模型權重的方式進行調試，直至得到滿足分類精度的所述敏感數據分類模型。

5.如權利要求2-4任一權項所述的方法，其特征在于，所述將非敏感、內部敏感、普通商密、核心商密、核心機密五個數據安全等級作為分級級別構建敏感數據分級模型，具體包括:

將所述電力行業訓練樣本分類后得到的訓練數據、所述分類數據特征和五個數據安全等級作為樣本集，并將所述樣本集分為訓練集和測試集；

利用所述訓練集和所述測試集對采用改進的text-CNN神經網絡算法實現的初始分級模型進行訓練和測試，得到滿足分級精度的所述敏感數據分級模型。

6.如權利要求5所述的方法，其特征在于，所述初始分級模型的具體改進方法如下：

(1)輸入層：輸入采用一維的由7個單詞構成的句子，并將其轉化為二維矩陣表示；卷積層：卷積核的寬度與詞向量的維度一致，卷積核的高度也均設置為一致；卷積層節點數的設計：其中N_i為輸入層節點數，N_o為輸出層節點數，N為訓練集的樣本個數，a一般取2～10的任意變量，卷積層節點按照a從2到10的方式，確定節點數目N_h的范圍；按照隱節點數目從低到高的方式，采用同一樣本逐個訓練確定誤差最小時對應的隱節點數目；

(2)池化層：在池化層中，抽取每個特征向量的最大值表示該特征，同時在全連接層之前采用Dropout方法防止過擬合；池化層節點數的設計方式與卷積層相同；

(3)全連接層：第一層使用relu作為激活函數，對于本模型的分級任務來說，第二層使用softmax激活函數得到屬于每個級別的概率。