[发明专利]漏洞扫描策略匹配模型的训练方法、装置及设备

权利要求书

1.一种漏洞扫描策略匹配模型的训练方法，其特征在于，所述方法包括：

获取漏洞扫描设备上传的网络设备的漏洞扫描记录，其中，所述漏洞扫描记录包括：所述网络设备的属性信息、所述漏洞扫描设备扫描所述网络设备所采用的漏洞扫描策略参数，以及所述扫描策略参数对应的漏洞扫描结果；

根据所述漏洞扫描设备扫描所述网络设备所采用的漏洞扫描策略参数及其对应的漏洞扫描结果，确定所述网络设备对应的漏洞扫描策略目标参数；

根据所述网络设备的属性信息，生成设备属性样本，并根据所述网络设备对应的漏洞扫描策略目标参数，生成所述设备属性样本对应的标签；根据生成的设备属性样本及其对应的标签，生成漏洞扫描策略训练集；

采用所述漏洞扫描策略训练集对预设的漏洞扫描策略匹配模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述根据所述漏洞扫描设备扫描所述网络设备所采用的漏洞扫描策略参数及其对应的漏洞扫描结果，确定所述网络设备对应的漏洞扫描策略目标参数，包括：

根据扫描所述网络设备所采用的每组漏洞扫描策略参数以及每组漏洞扫描策略参数对应的漏洞扫描结果，构建漏洞扫描策略参数与漏洞扫描结果的拟合函数；

采用遗传算法对所述拟合函数求最优解，得到所述网络设备对应的漏洞扫描策略目标参数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述漏洞扫描记录中的属性信息，生成设备属性样本，包括：

计算所述属性信息中的属性字段与对应的漏洞扫描策略目标参数的相关系数；

删除所述属性信息中相关系数低于或等于预设阈值的属性字段；

根据删除属性字段后的属性信息，生成设备属性样本。

4.根据权利要求1所述的方法，其特征在于，所述预设漏洞扫描策略匹配模型为卷积神经网络；

所述采用所述漏洞扫描策略训练集对预设的漏洞扫描策略匹配模型进行训练，包括：

所述卷积神经网络的输入层接收所述漏洞扫描策略训练集中的设备属性样本；

所述卷积神经网络的隐含层提取接收的设备属性样本的样本特征；

所述卷积神经网络的输出层基于提取的样本特征对接收的设备属性样本进行分类，得到接收的设备属性样本对应的漏洞扫描策略参数；

根据接收的设备属性样本对应的漏洞扫描策略参数与标签对所述卷积神经网络的模型参数进行迭代更新，直至满足训练停止条件，得到训练完成的漏洞扫描策略匹配模型。

5.根据权利要求4所述的方法，其特征在于，所述根据接收的设备属性样本对应的漏洞扫描策略参数与标签对所述卷积神经网络的参数进行迭代更新，直至满足训练停止条件，得到训练完成的漏洞扫描策略匹配模型，包括：

根据接收的设备属性样本对应的漏洞扫描策略参数与标签计算所述漏洞扫描策略匹配模型的损失值；

若所述漏洞扫描策略匹配模型的损失值大于或等于预设阈值，则对所述漏洞扫描策略匹配模型的模型参数进行迭代更新，直至所述漏洞扫描策略匹配模型的损失值小于所述预设阈值，得到训练完成的漏洞扫描策略匹配模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述漏洞扫描策略参数包括以下选项：扫描任务项、扫描任务项对应的扫描工具、扫描任务项的扫描顺序、扫描周期。

7.一种漏洞扫描策略匹配方法，其特征在于，所述方法包括：

向每个漏洞扫描设备发送训练完成的漏洞扫描策略匹配模型的模型参数，以使每个漏洞扫描设备根据所述模型参数，构建漏洞扫描策略匹配模型，用于对待扫描网络设备的属性信息进行匹配，确定所述待扫描网络设备对应的漏洞扫描策略参数；

其中，所述漏洞扫描策略匹配模型基于权利要求1-6中任一项所述的漏洞扫描策略匹配模型的训练方法得到。