[发明专利]一种基于深度学习的系统安全状态评级方法

说明书

本发明涉及一种基于深度学习的系统安全状态评级方法，属于人工智能领域。该方法包括：(1)通过收集当前系统的系统各方面状态数据，构建系统状态特征向量；(2)将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；(3)将分析判别向量输入到Logistic多分类回归模型中，通过Logistic多分类回归分析模型最终得到系统安全状态的分类评级。本发明应用于系统安全状态评级，从而增强对系统的安全监控、增加系统运行稳定性，及早发现系统安全状态异常，增强系统安全。利用深度学习技术和Logistic多分类回归分析模型，可通过以往的数据来判断预测当前以及未来系统状态的安全分类评级。本发明在系统运维与安全防护测领域有广泛的应用。

技术领域

本发明属于人工智能领域，具体涉及一种基于深度学习的系统安全状态评级方法。

背景技术

系统安全状态评级方法，即针对系统安全状态的的安全性评级，是对带有不同安全状态级别的系统状态进行分析、处理、归类的过程。随着系统架构的日益复杂以及系统中承载的程序日益增多，系统中往往会同时运行海量的程序并且呈现多种多样的状态。系统提供的服务数量大量提升，用户对于安全性的要求也越来越高，但判定系统的安全状态也越来越难，所以系统安全状态评级技术越来越受到重视。系统安全状态评级是系统安全保护中的一项重要工作，主要用于系统保护、入侵检测、系统危险预警等方面，对于系统安全和系统数据安全发挥着至关重要的作用。

随着系统架构的日益复杂以及系统中承载的程序日益增多，传统的系统安全监测评级方法，即手工规则书写方法以及传统机器学习方法，越来越不能满足日益增长的对安全性的要求。

传统的规则判别方法利用手工进行规则书写，然后使用条件进行判断分类。利用手工进行规则书写，然后使用条件进行判断分类的方法通常会将规则进行硬编码，写入系统，从而不能够对规则随意修改，这往往会导致手工的规则相对于现实非常落后的情况。另外，利用手工进行规则书写，然后使用条件进行判断分类的方法往往需要很多的人工工作，会对工作效率带来比较大的拖累。

而传统的机器学习方法不使用深度学习的特征提取层，导致无法对高维度的特征向量进行有效的映射和分类。在过去系统复杂度尚不惊人时可以较好的完成任务。但当今的系统复杂度日益提高，特征向量的长度也大幅提升，此时传统的机器学习方法并不能很好的应对。

因此，迫切需要一种进一步利用深度学习的系统安全状态评级能力，在满足对系统安全状态进行有效评级的情况下，解决手工规则书写困难，更新换代慢的问题。本发明正式为满足这个现实需求而产生的。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种基于深度学习的系统安全状态评级方法，以解决传统手工规则构建时效性差，覆盖率低、效率低的问题，也解决了传统机器学习方法支持维度低的劣势。

(二)技术方案

为了解决上述技术问题，本发明提出一种基于深度学习的系统安全状态评级方法，该方法包括如下步骤：

S1、通过收集当前系统的各方面状态数据，构建系统状态特征向量；

S2、将上一步的特征向量输入到深度模型中，通过深度学习技术计算输出分析判别向量；

S3、将分析判别向量输入到Logistic多分类回归模型中，通过Logistic多分类回归分析模型最终得到系统安全状态的分类评级。

进一步地，所述步骤S1具体包括：首先应该制定一个特征向量表，然后收集当前系统状态的特征，将特定的系统状态特征通过特征向量表编码成对应的取值，最终每一个时刻的系统状态特征通过特征向量表被编码成一个固定长度的特征向量{x₁,x₂,x₃..,x_n}其中n为特征向量的维度。