[发明专利]基于大数据漏洞挖掘的挖掘评估方法及AI漏洞挖掘系统

权利要求书

1.一种基于大数据漏洞挖掘的挖掘评估方法，其特征在于，应用于AI漏洞挖掘系统，所述方法包括：

结合指定大数据服务页面的漏洞挖掘数据对所述指定大数据服务页面的页面数据服务器进行漏洞修复，而后搜寻漏洞修复后的模拟攻击事件数据中的模拟攻击事件的目标攻击拦截情报；

结合所述目标攻击拦截情报解析出所述模拟攻击事件数据中的各个攻击拦截路径和相关的攻击拦截调度信息，所述攻击拦截路径包括目标攻击拦截情报具有调度关系的多个模拟攻击事件，所述攻击拦截调度信息被配置于表达多个模拟攻击事件的目标攻击拦截情报之间的调度关系变量；

结合各个所述攻击拦截路径和相关的攻击拦截调度信息输出对于漏洞修复的修复效果评估数据；

所述指定大数据服务页面的漏洞挖掘数据的具体确定步骤包括：

获取指定大数据服务页面的异常业务活动数据，将所述异常业务活动数据加载至漏洞分析模型中；其中，依据将模板异常业务活动数据集加载至第一模板漏洞输出模型中进行模型迭代开发更新，输出第二漏洞输出模型，第二漏洞输出模型包括前向开发漏洞分析分支和后向开发漏洞分析分支，结合前向开发漏洞分析分支中成员漏洞分析层的前向成员漏洞分析评估值获得模糊成员漏洞分析层，结合后向开发漏洞分析分支中成员漏洞分析层的后向成员漏洞分析评估值，获得标的成员漏洞分析层，结合标的成员漏洞分析层的漏洞分析配置参数对模糊成员漏洞分析层的漏洞分析配置参数进行更新，输出模糊成员漏洞分析层的更新漏洞分析配置参数，结合模糊成员漏洞分析层的更新漏洞分析配置参数得到目标第二漏洞输出模型，将目标第二漏洞输出模型作为第一模板漏洞输出模型，而后继续迭代模型开发更新，直到匹配模型部署要求时，输出第三漏洞输出模型，结合第三漏洞输出模型中的前向漏洞分析分支得到漏洞分析模型；其中，异常业务活动数据是指需要进行漏洞分析的模板异常业务活动数据；依据将模板异常业务活动数据集加载至第一模板漏洞输出模型中进行模型迭代开发更新，输出第二漏洞输出模型，第二漏洞输出模型包括前向开发漏洞分析分支和后向开发漏洞分析分支，结合前向开发漏洞分析分支中成员漏洞分析层的前向成员漏洞分析评估值获得模糊成员漏洞分析层，结合后向开发漏洞分析分支中成员漏洞分析层的后向成员漏洞分析评估值，获得标的成员漏洞分析层，结合标的成员漏洞分析层的漏洞分析配置参数对模糊成员漏洞分析层的漏洞分析配置参数进行更新，输出模糊成员漏洞分析层的更新漏洞分析配置参数，结合模糊成员漏洞分析层的更新漏洞分析配置参数得到目标第二漏洞输出模型，将目标第二漏洞输出模型作为第一模板漏洞输出模型，而后继续迭代模型开发更新，直到匹配模型部署要求时，输出第三漏洞输出模型，结合第三漏洞输出模型中的前向漏洞分析分支得到漏洞分析模型，然后将漏洞分析模型部署后进行使用；

基于漏洞分析模型对异常业务活动数据进行漏洞分析，获得漏洞挖掘数据；

所述漏洞分析模型的训练流程包括：

获取模板异常业务活动数据集；

将模板异常业务活动数据集加载至第一模板漏洞输出模型中进行模型迭代开发更新，输出第二漏洞输出模型；

计算前向开发漏洞分析分支中成员漏洞分析层的前向成员漏洞分析评估值，结合前向成员漏洞分析评估值从前向开发漏洞分析分支的成员漏洞分析层中获得模糊成员漏洞分析层；

结合标的成员漏洞分析层的漏洞分析配置参数对模糊成员漏洞分析层的漏洞分析配置参数进行更新，输出模糊成员漏洞分析层的更新漏洞分析配置参数，结合模糊成员漏洞分析层的更新漏洞分析配置参数得到目标前向开发漏洞分析分支，结合目标前向开发漏洞分析分支得到目标第二漏洞输出模型；

判断是否满足模型部署要求，当满足模型部署要求时，输出第三漏洞输出模型，结合第三漏洞输出模型中的前向漏洞分析分支得到漏洞分析模型，漏洞分析模型用于对加载的目标大数据服务页面的异常活动数据进行漏洞分析，当未满足模型部署要求时，将目标第二漏洞输出模型作为第一模板漏洞输出模型，而后返回将模板异常业务活动数据集加载至第一模板漏洞输出模型中进行模型迭代开发更新，输出第二漏洞输出模型的步骤迭代模型开发更新；

所述将模板异常业务活动数据集加载至第一模板漏洞输出模型中进行模型迭代开发更新，输出第二漏洞输出模型的步骤，包括：

将模板异常业务活动数据集加载至第一模板漏洞输出模型中，第一模板漏洞输出模型依据初始化前向漏洞分析分支和初始化后向漏洞分析分支进行漏洞分析，输出模板异常业务活动数据集相关的初始化前向异常知识点变量簇和初始化后向异常知识点变量簇，其中，初始化前向异常知识点变量簇中包括各个初始化前向异常知识点变量，初始化前向异常知识点变量是指第一模板漏洞输出模型中的初始化前向漏洞分析分支生成的漏洞挖掘数据；模板异常业务活动数据集中各个模板异常业务活动数据都对应有初始化前向异常知识点变量；初始化后向异常知识点变量簇中包括各个初始化后向异常知识点变量，初始化后向异常知识点变量是指第一模板漏洞输出模型中的初始化后向漏洞分析分支生成的漏洞挖掘数据，其中，AI漏洞挖掘系统将模板异常业务活动数据集加载至第一模板漏洞输出模型中，该第一模板漏洞输出模型依据联合漏洞分析分支进行联合训练，即依据初始化前向漏洞分析分支进行漏洞分析，输出模板异常业务活动数据集相关的初始化前向异常知识点变量簇，依据初始化后向漏洞分析分支进行漏洞分析，输出模板异常业务活动数据集相关的初始化后向异常知识点变量簇；

结合模板异常业务活动数据集相关的初始化前向异常知识点变量簇和初始化后向异常知识点变量簇进行分析错误率计算，输出初始化分析错误率，其中，初始化分析错误率是指模板异常业务活动数据提取的初始化的漏洞挖掘数据相关的错误学习率数值；

结合初始化分析错误率更新第一模板漏洞输出模型的漏洞分析配置参数，输出第二漏洞输出模型；

其中，第一模板漏洞输出模型还包括初始化漏洞知识点特征变量挖掘分支和初始化漏洞输出分支；

所述将模板异常业务活动数据集加载至第一模板漏洞输出模型中，第一模板漏洞输出模型依据初始化前向漏洞分析分支和初始化后向漏洞分析分支进行漏洞分析，输出模板异常业务活动数据集相关的初始化前向异常知识点变量簇和初始化后向异常知识点变量簇，具体包括以下步骤：

将模板异常业务活动数据集加载至第一模板漏洞输出模型中，第一模板漏洞输出模型将模板异常业务活动数据集中模板异常业务活动数据输入初始化漏洞知识点特征变量挖掘分支中进行漏洞知识点特征变量解析，输出模板初始化漏洞知识点特征变量，其中，初始化漏洞知识点特征变量挖掘分支是指第一模板漏洞输出模型中初始化的漏洞知识点特征变量挖掘分支，漏洞知识点特征变量挖掘分支用于对模板异常业务活动数据进行漏洞知识点特征变量解析；模板初始化漏洞知识点特征变量是指模板异常业务活动数据使用初始化漏洞知识点特征变量挖掘分支进行挖掘得到的漏洞知识点特征变量；其中，AI漏洞挖掘系统预先使用模板异常业务活动数据集进行漏洞知识点特征变量挖掘分支的模型开发更新，当预满足模型部署要求时，将预符合模型部署要求的漏洞知识点特征变量挖掘分支作为初始化漏洞知识点特征变量挖掘分支；AI漏洞挖掘系统也获取到预训练漏洞知识点特征变量挖掘分支作为初始化漏洞知识点特征变量挖掘分支；AI漏洞挖掘系统也建立漏洞知识点特征变量挖掘分支并进行函数配置，输出初始化漏洞知识点特征变量挖掘分支；使用初始化漏洞知识点特征变量挖掘分支来建立第一模板漏洞输出模型，进行第一模板漏洞输出模型的模型开发更新时，将模板异常业务活动数据集加载至第一模板漏洞输出模型中，第一模板漏洞输出模型将模板异常业务活动数据集中模板异常业务活动数据输入初始化漏洞知识点特征变量挖掘分支中进行漏洞知识点特征变量解析，输出模板初始化漏洞知识点特征变量；

将模板初始化漏洞知识点特征变量加载至初始化漏洞输出分支中进行线性变换，输出模板线性变换变量，其中，初始化漏洞输出分支是指函数配置的漏洞输出分支，漏洞输出分支用于将模板初始化漏洞知识点特征变量进行线性变换，模板线性变换变量是指模板初始化漏洞知识点特征变量进行线性变换的变量；其中，AI漏洞挖掘系统将模板初始化漏洞知识点特征变量加载至初始化漏洞输出分支中进行线性变换，输出模板线性变换变量；

将模板线性变换变量分别加载至初始化前向漏洞分析分支和初始化后向漏洞分析分支进行融合，输出模板异常业务活动数据相关的初始化前向异常知识点变量和初始化后向异常知识点变量，而后遍历模板异常业务活动数据集中各个模板异常业务活动数据，输出模板异常业务活动数据集相关的初始化前向异常知识点变量簇和初始化后向异常知识点变量簇；

其中，模板异常业务活动数据集中包括各个正模板异常业务活动数据对；

所述结合模板异常业务活动数据集相关的初始化前向异常知识点变量簇和初始化后向异常知识点变量簇进行分析错误率计算，输出初始化分析错误率，具体包括以下步骤：

结合各个正模板异常业务活动数据对进行负模板异常业务活动数据筛选，输出各个正模板异常业务活动数据对相关的负模板异常业务活动数据，结合各个正模板异常业务活动数据对和相关的负模板异常业务活动数据得到各个模板异常业务活动数据联合集，其中，正模板异常业务活动数据对是指具有相同漏洞字段分布的模板异常业务活动数据对；正模板异常业务活动数据对也是相同的模板异常业务活动数据对；模板异常业务活动数据集中包括不同的正模板异常业务活动数据对；负模板异常业务活动数据是指与相关的正模板异常业务活动数据对中的模板异常业务活动数据具有差异的模板异常业务活动数据，其中，当正模板异常业务活动数据对是一类模板异常业务活动数据时，负模板异常业务活动数据是另一类模板异常业务活动数据；当正模板异常业务活动数据对是相同的两个模板异常业务活动数据，负模板异常业务活动数据是与正模板异常业务活动数据相似的模板异常业务活动数据；模板异常业务活动数据联合集是指包括正模板异常业务活动数据对和负模板异常业务活动数据的联合；其中，AI漏洞挖掘系统从模板异常业务活动数据集中筛选每个正模板异常业务活动数据对相关的负模板异常业务活动数据，其中，依据计算正模板异常业务活动数据对中模板异常业务活动数据与模板异常业务活动数据集模板异常业务活动数据的特征距离来筛选负模板异常业务活动数据；然后结合每个正模板异常业务活动数据对和相关的负模板异常业务活动数据得到各个模板异常业务活动数据联合集；

从初始化前向异常知识点变量簇和初始化后向异常知识点变量簇中查找各个模板异常业务活动数据联合集相关的初始化前向异常知识点变量和各个模板异常业务活动数据联合集相关的初始化后向异常知识点变量；其中，AI漏洞挖掘系统从已有的初始化前向异常知识点变量簇中查找各个模板异常业务活动数据联合集中各个模板异常业务活动数据相关的初始化前向异常知识点变量，而后从已有的初始化后向异常知识点变量簇中查找各个模板异常业务活动数据联合集中各个模板异常业务活动数据相关的初始化后向异常知识点变量；

结合各个模板异常业务活动数据联合集相关的初始化前向异常知识点变量和各个模板异常业务活动数据联合集相关的初始化后向异常知识点变量进行模板异常业务活动数据联合集的分析错误率计算，输出初始化分析错误率；其中，初始化分析错误率是指使用模板异常业务活动数据联合集计算得到的分析错误率；其中，AI漏洞挖掘系统使用各个模板异常业务活动数据联合集相关的初始化前向异常知识点变量进行模板异常业务活动数据联合集的分析错误率计算，然后使用各个模板异常业务活动数据联合集相关的初始化后向异常知识点变量进行模板异常业务活动数据联合集的分析错误率计算，最终计算分析错误率之和得到初始化分析错误率。