CN113791897B - 一种农信***的服务器基线检测报告的展现方法及*** - Google Patents

一种农信***的服务器基线检测报告的展现方法及*** Download PDF

Info

Publication number
CN113791897B
CN113791897B CN202110972722.3A CN202110972722A CN113791897B CN 113791897 B CN113791897 B CN 113791897B CN 202110972722 A CN202110972722 A CN 202110972722A CN 113791897 B CN113791897 B CN 113791897B
Authority
CN
China
Prior art keywords
baseline detection
server
report
server baseline
priority
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110972722.3A
Other languages
English (en)
Other versions
CN113791897A (zh
Inventor
荣容容
杨建设
刘麟
付毅
柳诗敏
姚胜
刘尤亮
李康
胡华青
陈�胜
孙振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Rural Credit Cooperatives Network Information Center
Original Assignee
Hubei Rural Credit Cooperatives Network Information Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Rural Credit Cooperatives Network Information Center filed Critical Hubei Rural Credit Cooperatives Network Information Center
Priority to CN202110972722.3A priority Critical patent/CN113791897B/zh
Publication of CN113791897A publication Critical patent/CN113791897A/zh
Application granted granted Critical
Publication of CN113791897B publication Critical patent/CN113791897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及一种农信***的服务器基线检测报告的展现方法及***，该方法包括：定义各个种类的服务器基线检测报告对应的优先级别，所述优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；根据所述服务器基线检测报告的优先级别以及上传时间进行排序后展示。本发明提供的一种农信***的服务器基线检测报告的展现方法，考虑现有的农信***的服务器基线检测报告未体现重要***的检测情况，容易出现严重错误没有及时发现处理的情况，根据报告是否为异常报告以及异常的严重情况对报告建立优先级别，向运维人员进行显示时按照该优先级别和上传时间进行排序显示，使检查报告清晰明了，方便运维人员了解重点突出的问题。

Description

一种农信***的服务器基线检测报告的展现方法及***
技术领域
本发明涉及服务器领域，尤其涉及一种农信***的服务器基线检测报告的展现方法及***。
背景技术
农户信用信息***(简称“农信***”)是建立农村信用体系建设的基础，主要核心功能包括：农户基础数据录入，建立电子档案；农户数据查询；信用等级测评；信用报告等级查询。是一套具有可操作性、实用性强、操作简便的综合性农户信用信息共享***。
信息***的安全基线是一个信息***的最小安全保证，是信息***最基本需要满足的安全要求。信息***安全往往需要在付出成本与所能承受的安全风险之间进行平衡，而安全基线正是这个平衡的合理的分界线。若不满足***最基本的安全要求，也就无法承受由此带来的安全风险，因此，对信息***进行安全基线检测对保障信息***的安全运行非常重要。
因此对服务器的操作***进行安全检测，其基线检测是必不可少的安全检测，操作***的本身对互联网中的攻击和渗透有一定的防御方法和策略，要实现操作***有较高的安全性和防渗透性，仅仅知道开关***防火墙，安装杀毒软件是不够的，必须遵循科学有效的配置方法和标准，合理配置***安全选项才能保障***的安全可靠。
现有的农信***的服务器基线检测报告的展现方式中，通常只显示服务器列表及列表中详细检查情况，这种无差别根据列表显示检查结果，并未体现重要***的检测情况，容易出现严重错误没有及时发现处理的情况。
发明内容
本发明针对现有技术中存在的技术问题，提供一种农信***的服务器基线检测报告的展现方法及***，解决现有技术中未体现重要***的检测情况的问题。
本发明解决上述技术问题的技术方案如下：一种农信***的服务器基线检测报告的展现方法，包括：
步骤1，定义各个种类的服务器基线检测报告对应的优先级别，所述优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；
步骤2，根据所述服务器基线检测报告的优先级别以及上传时间进行排序后展示。
一种农信***的服务器基线检测报告的展现***，包括：优先级定义模块和展示模块；
优先级定义模块，用于定义各个种类的服务器基线检测报告对应的优先级别，所述优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；
展示模块，用于根据所述服务器基线检测报告的优先级别以及上传时间进行排序后展示。
本发明的有益效果是：本发明提供的一种农信***的服务器基线检测报告的展现方法，考虑现有的农信***的服务器基线检测报告未体现重要***的检测情况，容易出现严重错误没有及时发现处理的情况，根据服务器基线检测报告是否为异常报告以及异常的严重情况对服务器基线检测报告建立优先级别，向运维人员进行显示时按照该优先级别和上传时间进行排序显示，使检查报告清晰明了，方便运维人员了解重点突出的问题。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1还包括：定义各个服务器的优先级别；
所述步骤2中根据所述服务器基线检测报告的优先级别、上传时间以及服务器的优先级别进行排序后展示。
进一步，所述步骤1中的所述优先级别根据所述服务器产生异常报告时的服务器的各个性能参数确定；
所述性能参数包括：***内核的性能参数、CPU性能参数、内存性能参数、网络性能参数、中断***调用的性能参数、虚拟文件***的性能参数、动态文件***的性能参数、逻辑卷管理的性能参数、进程调度的性能参数、虚拟内存管理的性能参数和/或输入输出的性能参数；
各个性能参数的设定权重计算所述性能参数的总值，获取不同服务器产生同一个异常报告时所述性能参数的总值的平均值作为该异常报告对应的优先级别的确定指标。
进一步，所述步骤2还包括重复服务器基线检测报告的识别；所述重复服务器基线检测报告的识别的过程包括：
步骤201，训练词向量模型；所述词向量模型为用于在设定的2k+1的预测情境窗口内的周围的词的连续跳跃词模型，所述连续跳跃词模型的目标函数是当中间词存在时，最大化周围词出现的log概率的和：
Figure GDA0003650605450000031
其中，n表示输入句子的长度，
Figure GDA0003650605450000032
表示中间词wi出现时，某词wi+j出现在其周围的标准化概率；
步骤202,训练卷积神经网络模型，训练样本为标记为重复服务器基线检测报告或不是重复服务器基线检测报告的多对服务器基线检测报告；基于卷积神经网络模型输出值和真实值之间的最小化均方误差来对所述卷积神经网络模型进行参数调优；基于训练好的所述卷积神经网络模型识别所述服务器基线检测报告句子层面的含义；
步骤203，对于两个待识别的服务器基线检测报告，输入训练好的所述词向量模型后输出服务器基线检测报告中每个词语对应的词向量，识别句子层面的语义；再输入训练好的卷积神经网络模型，得到两个服务器基线检测报告的卷积特征向量，计算两个服务器基线检测报告的卷积特征向量之间的余弦相似性，所述余弦相似性为该两个服务器基线检测报告为重复服务器基线检测报告的概率。
进一步，所述步骤2还包括：训练服务器基线检测报告优先级预测模型，基于训练好的服务器基线检测报告优先级预测模型预测服务器基线检测报告属于各种优先级的概率，训练所述服务器基线检测报告优先级预测模型的过程包括：
步骤201’，抽取能够表达所述服务器基线检测报告异常的特征；
步骤202’，对各个服务器基线检测报告中的异常进行优先级人工标注，基于所述特征和人工标注的优先级对所述服务器基线检测报告优先级预测模型进行训练。
进一步，上传的所述服务器基线检测报告存储有其对应的服务器的ID；
所述步骤2中收到任一所述服务器上传的所述服务器基线检测报告时判断***内存在该ID对应的其它未处理的服务器基线检测报告时；将收到的所述服务器基线检测报告的优先级与该ID对应的其它未处理的服务器基线检测报告的优先级进行叠加处理生成新的优先级。
进一步，所述步骤2中将异常最严重时对应的优先级别以及上传时间最久的服务器基线检测报告在最上端或者突出颜色或大小进行展示。
采用上述进一步方案的有益效果是：还可以根据服务器的重要程度给该服务器人为定义优先级别例如对位于节点中心处的重点服务器设定高的优先级别，在该重点服务器出现异常时进行优先展示；考虑不同服务器性能不一样，因此对于某一种类的异常报告，采集多个不同服务器产生该异常报告的性能参数，取其平均值最为产生其优先级别的确定指标，使评判标准更加准确；考虑多个可更正的错误可能会造成严重错误，因此存在同一服务器上传的多个服务器基线检测报告时重新确定其优先级；可以将异常最严重时对应的优先级别以及上传时间最久的服务器基线检测报告在最上端或者突出颜色或大小进行展示，方便运维人员了解重点突出的问题。
附图说明
图1为本发明提供的一种农信***的服务器基线检测报告的展现方法的流程图；
图2为本发明提供的一种农信***的服务器基线检测报告的展现***的实施例的结构框图；
图3为本发明实施例提供的一种电子设备的实体结构示意图。
附图中，各标号所代表的部件列表如下：
101、优先级定义模块，102、展示模块，201、处理器，202、通信接口，203、存储器，204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1本发明提供的一种农信***的服务器基线检测报告的展现方法的流程图，由图1可知，该方法包括：
步骤1，定义各个种类的服务器基线检测报告对应的优先级别，优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置。
步骤2，根据服务器基线检测报告的优先级别以及上传时间进行排序后展示。
本发明提供的一种农信***的服务器的基线检测报告的展现方法的实施例中，定义各个种类的服务器报告对应的优先级别，所述优先级别根据服务器报告是否为异常报告以及异常的严重情况设置；根据所述服务器报告的优先级别以及上传时间进行排序后展示。提供的一种基于农信***的服务器报告的展现方法，考虑现有的***服务器报告未体现重要***的检测情况，容易出现严重错误没有被及时发现处理的情况，根据服务器报告是否为异常报告以及异常严重情况对服务器报告建立优先级别，显示时按照该优先级别和上传时间进行排序显示，检查报告清晰明了，方便运维人员了解重点突出的问题。
通过自动化基线检测平台集中管理和运维平台提供的基础功能，设计和建立集中管理和运维的共享中心机制，改变了原有管理模式、操作和流程，提升了省联社业务***的安全管控和服务水平。
安全访问，程序不直接被浏览器访问，而是通过反向代理,只开放某个接口，uWSGI本身是内网接口，这样运维人员在Nginx上加上安全性的限制，可以达到保护程序的作用。负载均衡，有了Nginx做代理，一个Nginx可以代理多台uWSGI完成负载均衡。静态文件，用Django或是uWSGI负责静态文件处理对文件的处理不如Nginx，所以整个静态文件的处理都直接由Nginx完成，静态文件的访问不用经过uWSGI，节省了资源的消耗，提高了处理效率。
安全可视化自主可控的“基线检查”集中管理平台软件，可以全面兼容市面上主流的平台和基础软件，通过基于django框架开发，建立全行统一的“基线检查”集中管理。大大提高省联社安全基线管理监测的效率、综合降低重复性运维相关成本。
自动化检测被检服务器上的基础软件基线，兼容各种基础软件类型，包括操作***和数据库***等；操作***如AIX***、Linux***等，数据库如DB2数据库和Oracle数据库等。根据所述基础软件类型自动匹配其对应的基线检测规则进行基线检测。***制定出每个被检服务器处理服务请求的顺序数据，并根据所述顺序数据将所有被检服务器从高到低对应匹配优先级。从而对高优先级的被检服务器先进行基线检测，依次类推，方便运维人员发现重点关注问题，提高了安全保障水平。
实施例1
本发明提供的实施例1为本发明提供的一种农信***的服务器基线检测报告的展现方法的实施例，该实施例包括：
步骤1，定义各个种类的服务器基线检测报告对应的优先级别，优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置。
优选的，步骤1还包括：定义各个服务器的优先级别。
步骤2中根据服务器基线检测报告的优先级别、上传时间以及服务器的优先级别进行排序后展示。
具体实施中，可以根据服务器的重要程度给该服务器人为定义优先级别例如对位于节点中心处的重点服务器设定高的优先级别，在该重点服务器出现异常时进行优先展示。
具体的，优先级别根据服务器产生异常报告时的服务器的各个性能参数确定。
性能参数包括：***内核的性能参数、CPU性能参数、内存性能参数、网络性能参数、中断***调用的性能参数、虚拟文件***的性能参数、动态文件***的性能参数、逻辑卷管理的性能参数、进程调度的性能参数、虚拟内存管理的性能参数和/或输入输出的性能参数。
各个性能参数的设定权重计算性能参数的总值，获取不同服务器产生同一个异常报告时性能参数的总值的平均值作为该异常报告对应的优先级别的确定指标。
该权重可以根据该性能的重要程度人为设置，考虑不同服务器性能不一样，因此对于某一种类的异常报告，采集多个不同服务器产生该异常报告的性能参数，取其平均值最为产生其优先级别的确定指标，使评判标准更加准确。
步骤2，根据服务器基线检测报告的优先级别以及上传时间进行排序后展示。
可以理解的是，在农信***的服务器基线检测报告中，常常存在大量的一个缺陷的重复服务器基线检测报告。这些重复服务器基线检测报告的存在给项目管理者带来额外的工作。将这些重复报告进行自动识别，以便能够对同一缺陷进行集中管理和修复对于节省时间和优化缺陷修复过程是非常必要的。
优选的，步骤2还包括重复服务器基线检测报告的识别；重复服务器基线检测报告的识别的过程包括：
步骤201，训练词向量模型；词向量模型为用于在设定的2k+1的预测情境窗口内的周围的词的连续跳跃词模型，连续跳跃词模型的目标函数是当中间词存在时，最大化周围词出现的log概率的和：
Figure GDA0003650605450000081
其中，n表示输入句子的长度，
Figure GDA0003650605450000082
表示中间词wi出现时，某词wi+j出现在其周围的标准化概率。
步骤202,训练卷积神经网络模型，训练样本为标记为重复服务器基线检测报告或不是重复服务器基线检测报告的多对服务器基线检测报告；基于卷积神经网络模型输出值和真实值之间的最小化均方误差来对卷积神经网络模型进行参数调优；基于训练好的卷积神经网络模型识别服务器基线检测报告句子层面的含义。
步骤203，对于两个待识别的服务器基线检测报告，输入训练好的词向量模型后输出服务器基线检测报告中每个词语对应的词向量，识别句子层面的语义；再输入训练好的卷积神经网络模型，得到两个服务器基线检测报告的卷积特征向量，计算两个服务器基线检测报告的卷积特征向量之间的余弦相似性，余弦相似性为该两个服务器基线检测报告为重复服务器基线检测报告的概率。
在本发明提供的一种实施例中，步骤2还包括：训练服务器基线检测报告优先级预测模型，基于训练好的服务器基线检测报告优先级预测模型预测服务器基线检测报告属于各种优先级的概率，训练服务器基线检测报告优先级预测模型的过程包括：
步骤201’，抽取能够表达服务器基线检测报告异常的特征。
步骤202’，对各个服务器基线检测报告中的异常进行优先级人工标注，基于特征和人工标注的优先级对服务器基线检测报告优先级预测模型进行训练。
优选的，上传的服务器基线检测报告存储有其对应的服务器的ID。
步骤2中收到任一服务器上传的服务器基线检测报告时判断***内存在该ID对应的其它未处理的服务器基线检测报告时。将收到的服务器基线检测报告的优先级与该ID对应的其它未处理的服务器基线检测报告的优先级进行叠加处理生成新的优先级。
由于多个可更正的错误可能会造成严重错误，因此存在同一服务器上传的多个服务器基线检测报告时，需要重新确定其优先级，例如有两个二级优先权的服务器基线检测报告时，可以将该服务器的报告的优先级定义为一级。
优选的，步骤2中将异常最严重时对应的优先级别以及上传时间最久的服务器基线检测报告在最上端或者突出颜色或大小进行展示。
实施例2
本发明提供的实施例2为本发明提供的一种农信***的服务器基线检测报告的展现***的实施例，如图2所示为本发明提供的一种农信***的服务器基线检测报告的展现***的实施例的结构框图，由图2可知，该***包括：优先级定义模块101和展示模块102。
优先级定义模块101，用于定义各个种类的服务器基线检测报告对应的优先级别，优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置。
展示模块102，用于根据服务器基线检测报告的优先级别以及上传时间进行排序后展示。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器201、通信接口202、存储器203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序，以执行上述各实施例提供的农信***的服务器基线检测报告的展现方法，例如包括：定义各个种类的服务器基线检测报告对应的优先级别，优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；根据服务器基线检测报告的优先级别以及上传时间进行排序后展示。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的农信***的服务器基线检测报告的展现方法，例如包括：定义各个种类的服务器基线检测报告对应的优先级别，优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；根据服务器基线检测报告的优先级别以及上传时间进行排序后展示。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种农信***的服务器基线检测报告的展现方法，其特征在于，所述方法包括：
步骤1，定义各个种类的服务器基线检测报告对应的优先级别，所述优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；
步骤2，根据所述服务器基线检测报告的优先级别以及上传时间进行排序后展示；
所述步骤2还包括重复服务器基线检测报告的识别；所述重复服务器基线检测报告的识别的过程包括：
步骤201，训练词向量模型；所述词向量模型为用于在设定的2k+1的预测情境窗口内的周围的词的连续跳跃词模型，所述连续跳跃词模型的目标函数是当中间词存在时，最大化周围词出现的log概率的和：
Figure FDA0003681284000000011
其中，n表示输入句子的长度，
Figure FDA0003681284000000012
表示中间词wi出现时，某词wi+j出现在其周围的标准化概率；
步骤202,训练卷积神经网络模型，训练样本为标记为重复服务器基线检测报告或不是重复服务器基线检测报告的多对所述服务器基线检测报告；基于卷积神经网络模型输出值和真实值之间的最小化均方误差来对所述卷积神经网络模型进行参数调优；基于训练好的所述卷积神经网络模型识别所述服务器基线检测报告句子层面的含义；
步骤203，对于两个待识别的服务器基线检测报告，输入训练好的所述词向量模型后输出服务器基线检测报告中每个词语对应的词向量，识别句子层面的语义；再输入训练好的卷积神经网络模型，得到两个服务器基线检测报告的卷积特征向量，计算两个服务器基线检测报告的卷积特征向量之间的余弦相似性，所述余弦相似性为该两个服务器基线检测报告为重复服务器基线检测报告的概率；
所述步骤2还包括：训练服务器基线检测报告优先级预测模型，基于训练好的服务器基线检测报告优先级预测模型预测服务器基线检测报告属于各种优先级的概率，训练所述服务器基线检测报告优先级预测模型的过程包括：
步骤201’，抽取能够表达所述服务器基线检测报告异常的特征；
步骤202’，对各个服务器基线检测报告中的异常进行优先级人工标注，基于所述特征和人工标注的优先级对所述服务器基线检测报告优先级预测模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述步骤1还包括：定义各个服务器的优先级别；
所述步骤2中根据所述服务器基线检测报告的优先级别、上传时间以及服务器的优先级别进行排序后展示。
3.根据权利要求1所述的方法，其特征在于，所述步骤1中的所述优先级别根据所述服务器产生异常报告时的服务器的各个性能参数确定；所述性能参数包括：***内核的性能参数、CPU性能参数、内存性能参数、网络性能参数、中断***调用的性能参数、虚拟文件***的性能参数、动态文件***的性能参数、逻辑卷管理的性能参数、进程调度的性能参数、虚拟内存管理的性能参数和/或输入输出的性能参数；
基于各个性能参数的设定权重计算所述性能参数的总值，获取不同服务器产生同一个异常报告时所述性能参数的总值的平均值作为该异常报告对应的优先级别的确定指标。
4.根据权利要求1所述的方法，其特征在于，上传的所述服务器基线检测报告存储有其对应的服务器的ID；
所述步骤2中收到任一所述服务器上传的所述服务器基线检测报告时，判断***内存在该ID对应的其它未处理的服务器基线检测报告时，将收到的所述服务器基线检测报告的优先级与该ID对应的其它未处理的服务器基线检测报告的优先级进行叠加处理生成新的优先级。
5.根据权利要求1所述的方法，其特征在于，所述步骤2中将对应的优先级别以及上传时间最久的服务器基线检测报告在最上端或者突出颜色或大小进行展示。
6.一种农信***的服务器基线检测报告的展现***，其特征在于，所述***包括：优先级定义模块和展示模块；
优先级定义模块，用于定义各个种类的服务器基线检测报告对应的优先级别，所述优先级别根据服务器基线检测报告是否为异常报告以及异常的严重情况设置；
展示模块，用于根据所述服务器基线检测报告的优先级别以及上传时间进行排序后展示；
所述展示模块还用于重复服务器基线检测报告的识别；所述重复服务器基线检测报告的识别的过程包括：
步骤201，训练词向量模型；所述词向量模型为用于在设定的2k+1的预测情境窗口内的周围的词的连续跳跃词模型，所述连续跳跃词模型的目标函数是当中间词存在时，最大化周围词出现的log概率的和：
Figure FDA0003681284000000031
其中，n表示输入句子的长度，
Figure FDA0003681284000000032
表示中间词wi出现时，某词wi+j出现在其周围的标准化概率；
步骤202,训练卷积神经网络模型，训练样本为标记为重复服务器基线检测报告或不是重复服务器基线检测报告的多对所述服务器基线检测报告；基于卷积神经网络模型输出值和真实值之间的最小化均方误差来对所述卷积神经网络模型进行参数调优；基于训练好的所述卷积神经网络模型识别所述服务器基线检测报告句子层面的含义；
步骤203，对于两个待识别的服务器基线检测报告，输入训练好的所述词向量模型后输出服务器基线检测报告中每个词语对应的词向量，识别句子层面的语义；再输入训练好的卷积神经网络模型，得到两个服务器基线检测报告的卷积特征向量，计算两个服务器基线检测报告的卷积特征向量之间的余弦相似性，所述余弦相似性为该两个服务器基线检测报告为重复服务器基线检测报告的概率；
所述展示模块还用于训练服务器基线检测报告优先级预测模型，基于训练好的服务器基线检测报告优先级预测模型预测服务器基线检测报告属于各种优先级的概率，训练所述服务器基线检测报告优先级预测模型的过程包括：
步骤201’，抽取能够表达所述服务器基线检测报告异常的特征；
步骤202’，对各个服务器基线检测报告中的异常进行优先级人工标注，基于所述特征和人工标注的优先级对所述服务器基线检测报告优先级预测模型进行训练。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述农信***的服务器基线检测报告的展现方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述农信***的服务器基线检测报告的展现方法的步骤。
CN202110972722.3A 2021-08-23 2021-08-23 一种农信***的服务器基线检测报告的展现方法及*** Active CN113791897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972722.3A CN113791897B (zh) 2021-08-23 2021-08-23 一种农信***的服务器基线检测报告的展现方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972722.3A CN113791897B (zh) 2021-08-23 2021-08-23 一种农信***的服务器基线检测报告的展现方法及***

Publications (2)

Publication Number Publication Date
CN113791897A CN113791897A (zh) 2021-12-14
CN113791897B true CN113791897B (zh) 2022-09-06

Family

ID=78876312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972722.3A Active CN113791897B (zh) 2021-08-23 2021-08-23 一种农信***的服务器基线检测报告的展现方法及***

Country Status (1)

Country Link
CN (1) CN113791897B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113873006A (zh) * 2021-08-23 2021-12-31 湖北省农村信用社联合社网络信息中心 一种基于优先级的基线检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188047A (zh) * 2019-06-20 2019-08-30 重庆大学 一种基于双通道卷积神经网络的重复缺陷报告检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11017177B2 (en) * 2019-06-27 2021-05-25 Conduent Business Services, Llc Neural network systems and methods for target identification from text

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188047A (zh) * 2019-06-20 2019-08-30 重庆大学 一种基于双通道卷积神经网络的重复缺陷报告检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《湖北农信：自动化基础软件基线测量》http://www.sohu.com/a/453503609_100278905;雷智;《互联网》;20210302;正文"（二）技术应用上的创新" *
雷智.《湖北农信：自动化基础软件基线测量》http://www.sohu.com/a/453503609_100278905.《互联网》.2021,正文"（二）技术应用上的创新". *

Also Published As

Publication number Publication date
CN113791897A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN110708204B (zh) 一种基于运维知识库的异常处理方法、***、终端及介质
WO2021217855A1 (zh) 异常根因定位方法、装置、电子设备及存储介质
US11556640B1 (en) Systems and methods for automated cybersecurity analysis of extracted binary string sets
CN115396289B (zh) 一种故障告警确定方法、装置、电子设备及存储介质
CN115529595A (zh) 一种日志数据的异常检测方法、装置、设备及介质
CN115204733A (zh) 数据审计方法、装置、电子设备及存储介质
CN113791897B (zh) 一种农信***的服务器基线检测报告的展现方法及***
CN116414717A (zh) 基于流量回放的自动测试方法、装置、设备、介质及产品
CN116010220A (zh) 一种告警诊断方法、装置、设备及存储介质
CN114298558A (zh) 电力网络安全研判***及其研判方法
CN117499148A (zh) 一种网络访问控制方法、装置、设备及存储介质
CN116915463B (zh) 一种调用链数据安全分析方法、装置、设备及存储介质
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
CN116244146A (zh) 日志异常检测方法、日志异常检测模型的训练方法及装置
CN115269315A (zh) 一种异常检测方法、装置、设备、介质
CN116155541A (zh) 面向网络安全应用的自动化机器学习平台以及方法
CN113656452B (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN115185768A (zh) ***的故障识别方法、***、电子设备和存储介质
CN114706856A (zh) 故障处理方法及装置、电子设备和计算机可读存储介质
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN114189585A (zh) 骚扰电话异常检测方法、装置及计算设备
CN114124526B (zh) 一种结合多层次和熵权法的威胁复杂性分析方法
CN117714193A (zh) 一种诊断方法、装置、电子设备和存储介质
CN117493060A (zh) 数据库组件异常检测方法、装置、设备及介质
CN115859151A (zh) 一种识别恶意网站的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant