CN115022098B - 人工智能安全靶场内容推荐方法、装置及存储介质 - Google Patents

人工智能安全靶场内容推荐方法、装置及存储介质 Download PDF

Info

Publication number
CN115022098B
CN115022098B CN202210949803.6A CN202210949803A CN115022098B CN 115022098 B CN115022098 B CN 115022098B CN 202210949803 A CN202210949803 A CN 202210949803A CN 115022098 B CN115022098 B CN 115022098B
Authority
CN
China
Prior art keywords
data
page
user
recommended
shooting range
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
CN202210949803.6A
Other languages
English (en)
Other versions
CN115022098A (zh
Inventor
不公告发明人
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.)
Beijing Real AI Technology Co Ltd
Original Assignee
Beijing Real AI Technology Co Ltd
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 Beijing Real AI Technology Co Ltd filed Critical Beijing Real AI Technology Co Ltd
Priority to CN202210949803.6A priority Critical patent/CN115022098B/zh
Publication of CN115022098A publication Critical patent/CN115022098A/zh
Application granted granted Critical
Publication of CN115022098B publication Critical patent/CN115022098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例涉及人工智能安全领域，并提供人工智能安全靶场内容推荐方法、装置及存储介质，方法包括当服务端接收到用户端发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。本方案使得用户登录服务端时即可由服务端基于用户登录信息确定第一推荐页面数据并发送至用户端，避免了向用户端推荐统一的页面数据，而且所推荐的页面数据可对人工智能模型的安全攻防演练或基础知识学习。

Description

人工智能安全靶场内容推荐方法、装置及存储介质
技术领域
本申请涉及人工智能安全技术领域，尤其涉及一种人工智能安全靶场内容推荐方法、装置及存储介质。
背景技术
网络安全靶场***是一种可提供实际攻防环境的在线部署应用，能够为使用者提供多功能、多样化的网络安全实战场景；使用者则通过不同层次的安全攻防演练靶场环境，加深对网络安全的认识，提升网络安全防护水平。在对现有技术的研究和实践过程中，本申请实施例的发明人发现，现有的网络安全靶场***中一般从***搭建、安全攻防演练均是针对传统的***代码，不仅对使用者推送统一的用户页面，而且现有的网络安全靶场***并不适用于人工智能安全场景下对人工智能模型的安全攻防演练或基础知识学习。
发明内容
本申请实施例提供了一种人工智能安全靶场内容推荐方法、装置及存储介质，能够快速登录人工智能安全靶场平台，并基于第一推荐页面数据进行AI安全靶场学***台数进行页面内容推荐的数据集基础，使得用户能基于人工智能安全靶场平台更容易进行AI安全靶场学习或练习。
第一方面中，从服务端的角度介绍本申请实施例提供的一种人工智能安全靶场内容推荐方法，所述方法包括：
接收用户端发送的用户登录信息；
根据接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；
获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；
若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；
若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
第二方面中，具有实现对应于上述第一方面提供的人工智能安全靶场内容推荐方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
收发模块和处理模块；
所述收发模块，用于接收用户端发送的用户登录信息；
所述处理模块，用于根据所述收发模块接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
所述处理模块，还用于根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
本申请实施例又一方面提供了一种人工智能安全靶场内容推荐装置，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面中提供的方法。
本申请实施例又一方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面中提供的方法。
本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面中提供的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面中提供的方法。
相较于现有技术，本申请实施例提供的方案中，一方面，由于用户登录信息具有各用户各不相同的特点，当用户登录人工智能安全靶场的服务端时，服务端能够基于用户登录信息为用户确定有针对性、与用户需求匹配的第一推荐页面数据，所以每一用户得到的第一推荐页面数据存在差异，实现个性化推荐人工智能安全靶场的具体内容，因此能够避免向用户端推荐统一的页面数据，而且所推荐的页面数据可对人工智能模型的安全攻防演练或基础知识学习。另一方面，基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。
附图说明
图1为本申请实施例提供的一种人工智能安全靶场内容推荐***的应用场景示意图；
图2a为本申请实施例中人工智能安全靶场内容推荐方法的一种流程示意图；
图2b为本申请实施例中人工智能安全靶场内容推荐方法的另一种流程示意图；
图3a为本申请实施例提供的人工智能安全靶场内容推荐方法中的第一推荐页面数据的示意图；
图3b为本申请实施例提供的人工智能安全靶场内容推荐方法中的历史推荐页面数据的示意图；
图4为本申请实施例中人工智能安全靶场内容推荐装置的一种结构示意图；
图5为本申请实施例中服务器的一种结构示意图；
图6为本申请实施例中服务终端的一种结构示意图；
图7为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个***中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种人工智能安全靶场内容推荐方法、装置及存储介质，可用于服务端，当服务端接收到用户端发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。本申请实施例以服务端（即服务器）为例，当应用于服务终端侧，可参考服务器的实施例，不作赘述。
本申请实施例的方案可基于人工智能技术实现，具体来说涉及人工智能技术中的计算机视觉技术技术领域和云技术中的云计算、云存储和数据库等领域，下面将分别进行介绍。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision, CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、人脸识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例的方案可基于云技术实现，具体来说涉及云技术中的云计算、云存储和数据库等技术领域，下面将分别进行介绍。
云技术（Cloud technology）是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术（Cloudtechnology）基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络***的后台服务需要大量的计算、存储资源，如视频网站、图像类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台***进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的***后盾支撑，只能通过云计算来实现。本申请实施例可通过云技术对用户登录信息和当前倾向度矩阵进行保存。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储*** (以下简称存储***）是指通过集群应用、网格技术以及分布存储文件***等功能，将网络中大量各种不同类型的存储设备（存储设备也称之为存储节点）通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储***。在本申请实施例中，可将网络配置等信息均保存在该存储***中，便于服务器调取。
目前，存储***的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件***上，文件***将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识（ID，ID entity)等额外的信息，文件***将每个对象分别写入该逻辑卷的物理存储空间，且文件***会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件***能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储***为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量（该估量往往相对于实际要存储的对象的容量有很大余量）和独立冗余磁盘阵列（RAID，Redundant Array of Independent Disk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。
数据库(Database)，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。
数据库管理***（英语：Database Management System，简称DBMS）是为管理数据库而设计的电脑软件***，一般具有存储、截取、安全保障、备份等基础功能。数据库管理***可以依据它所支持的数据库模型来作分类，例如关系式、XML（Extensible MarkupLanguage,即可扩展标记语言）；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如SQL（结构化查询语言(Structured QueryLanguage)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。在本申请实施例中，可将用户登录信息和当前倾向度矩阵存储在该数据库管理***中，便于服务器调取。
其中，需要特别说明的是，本申请实施例涉及的服务终端，可以是指向服务终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话（或称为“蜂窝”电话）和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务（英文全称：Personal Communication Service，英文简称：PCS）电话、无绳电话、会话发起协议（SIP）话机、无线本地环路（Wireless LocalLoop，英文简称：WLL）站、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）等设备。
在服务终端进行第一推荐页面数据的生成时，服务终端还需要接收到用户端发送的用户登录信息。具体来说，服务终端用于接收用户端发送的用户登录信息，并根据用户登录信息确定第一推荐页面数据并发送至用户端。
一些实施方式中，本申请实施例可应用于如图1所示的一种人工智能安全靶场内容推荐***1，所述人工智能安全靶场内容推荐***1包括服务端10和至少一个用户端20，所述服务端10和用户端20之间可以进行数据交互。其中，所述服务端10接收到用户端20发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端20，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。
其中，需要特别说明的是，本申请涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例涉及的服务终端，该服务终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视、智能音箱、个人数字助理（英文全称：Personal DigitalAssistant，英文简称：PDA）、台式计算机、智能手表等携带多媒体数据处理功能（例如，视频数据播放功能、音乐数据播放功能）的智能终端，但并不局限于此。
本申请实施例主要提供以下技术方案：
当服务端接收到用户端发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。所得到的当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。
参照图2a， 以下介绍本申请实施例所提供的一种人工智能安全靶场内容推荐方法，本申请实施例包括：
201、服务端接收用户端发送的用户登录信息。
在本申请实施例中，用户需登录服务端以进入人工智能安全靶场平台进行人工智能算法模型的攻击和保护等学***台。
202、服务端根据接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端。
其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据。
在本申请实施例中，当用户成功登录人工智能安全靶场平台后，服务端可基于所述登录信息确定第一推荐页面数据。在用户登录信息中包括的详细信息中，服务端可以判断该用户是否为初次注册并登录人工智能安全靶场平台。若判断用户非初次登录人工智能安全靶场平台，则可由服务端对用户登录信息中的历史使用数据（可理解为历史人工智能安全靶场使用数据）进行第一推荐页面数据的生成。若判断用户初次登录人工智能安全靶场平台，则可由用户登录信息和基于用户回答平台推送问题得到的用户录入信息共同生成第一推荐页面数据。可见，无论用户是否为初次登录人工智能安全靶场平台，均会在服务器中基于所述用户登录信息生成第一推荐页面数据，以及时的推送至用户端进行页面数据展示。
方式1：用户初次登录场景下，基于用户登录信息和基于用户回答平台推送问题得到的用户录入信息共同生成第一推荐页面数据
一些实施方式中，所述服务端根据接收的所述用户登录信息确定第一推荐页面数据，包括：
若确定所述用户登录信息对应的累计登录次数为零时，则获取用户兴趣信息数据；
获取预先存储的推送问题集并发送至用户端；
接收所述用户端发送的与所述推送问题集对应的回复数据集；
根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集；其中，所述第一推荐内容集中包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
将所述第一推荐内容数据填充至预设的页面容器中生成所述第一推荐页面数据。
在本申请实施例中，服务端基于用户登录信息中除了可获取用户的登录账号和密码等信息进行验证，还可以获取累计登录次数，若确定所述用户登录信息对应的累计登录次数为零时，则表示用户是初次注册并登录人工智能安全靶场平台。因服务端之前未对该用户进行任何内容的推荐，故为了在用户端本次登录后更加准确的进行AI安全靶场的内容推荐，需要先由服务端获取用户在用户端录入的用户兴趣信息数据，再由服务端获取在其本地预先存储的推送问题集，之后将该推送问题集至用户端以由用户端对应的用户进行回答后从而由回复数据集确定第一推荐内容集。
例如，在推送问题集中至少包括如下推送问题：
A1）是否有算法基础；
A2）是否关注技术伦理；
A3）是否偏重商用；
A4）是否自己训练模型；
当用户回答上述4个推送问题时，针对每一推送问题都是选择“是”或“否”其中一个，当回答完成后所得到的4个答案按题号顺序依序组成了回复数据集。而且在获取回复数据集之前，用户还录入了由若干个兴趣关键词组成的用户兴趣信息数据（如图像分类、目标检测、人脸、语音、文本等多个方向的兴趣关键词），或是由整段描述文本组成的用户兴趣信息数据。在服务端中还可基于用户兴趣信息数据提取与用户对应的若干个兴趣关键词，之后由服务端根据所述用户兴趣信息数据和所述回复数据集共同确定第一推荐内容集。可见，基于用户录入的所述用户兴趣信息数据和所述回复数据集，能作为服务端快速确定推荐内容的基础录入数据。
一些实施方式中，所述根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集，包括：
获取所述用户兴趣信息数据对应的第一语义向量；
获取所述回复数据集对应的为第二语义向量；
将所述第一语义向量与所述第二语义向量连接，得到综合语义向量；
基于所述综合语义向量在内容库中获取第一推荐内容集。
在本申请实施例中，根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集时，第一种实施方式是先将所述用户兴趣信息数据转换为第一语义向量（本质上是将文本或关键词集合转换为语义向量），再将所述回复数据集转化为第二语义向量（其中，回答数据为“是”则对应转换为取值1，回答数据为“否”则对应转换为取值0，4个回答数据依序连接后即可转换为第二语义向量），之后将所述第一语义向量和所述第二语义向量基于连接函数（如concat连接函数）进行连接后得到综合语义向量，最后在服务端的内容库中获取与所述综合语义向量具有最大向量相似度的推荐内容集合作为第一推荐内容集。由于在服务端的内容库中，针对每一个推荐内容集合都预先计算并设置了内容语义向量，在已知了综合语义向量后，即可计算综合语义向量与内容库中各推荐内容集合的内容语义向量之间的相似度，当综合语义向量与其中一个推荐内容集合的内容语义向量具有最大向量相似度，则获取该推荐内容集合作为第一推荐内容集。
一些实施方式中，所述根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集，包括：
获取所述用户兴趣信息数据中兴趣关键词组成第一筛选条件；
根据所述第一筛选条件在内容库中获取初始推荐内容集；
基于所述回复数据集中各回复问题组成第二筛选条件；
根据所述第二筛选条件在所述初始推荐内容集中获取第一推荐内容集。
在本申请实施例中，根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集时，第二种实施方式是先由所述用户兴趣信息数据中提取的若干个兴趣关键词作为第一筛选条件（其本质上是关键词集合），在服务端的内容库中获取满足所述第一筛选条件的推荐内容集合作为初始推荐内容集。由于在初始推荐内容集中各初始推荐内容还具有与回复数据集中各回复问题相对应的内容标签，例如初始推荐内容A具有“不是偏重商用”的标签，此时可以回复数据集中各回复问题组成第二筛选条件（其本质上是肯定词或否定词+关键词的组合，如是不是偏重商用”中具有否定词“不是”，还具有关键词“偏重商用”），然后在初始推荐内容集中获取满足所述第二筛选条件的推荐内容集合作为第一推荐内容集。由于在服务端的内容库中，针对每一个推荐内容集合都预先设置了多个兴趣关键词标签，以及至少四个由肯定词或否定词+关键词的组合形成的组合标签，故当已知了第一筛选条件可以筛选出初始推荐内容集，然后再初始推荐内容集基于第二筛选条件筛选出第一推荐内容集。
基于上述方式获取到了第一推荐内容集后，由于还是比较分散的内容数据，故需要由服务端将其集中在一个预先设置的页面容器中生成所述第一推荐页面数据，具体可参考图3a。其中，是可统计获取所述第一推荐内容集中所包括第一推荐内容的总个数，然后在页面容器中基于该总个数创建相同个数的页面子容器，且将第一推荐内容集中每一推荐内容对应填充至一个页面子容器中，从而得到了第一推荐页面数据。可见，基于用户录入的所述用户兴趣信息数据和所述回复数据集，能辅助服务器快速确定推荐内容并填充至页面容器中形成第一推荐页面数据，并推送至用户端进行直观显示、
方式2：用户非初次登录场景下，基于用户登录信息生成第一推荐页面数据
一些实施方式中，所述根据接收的所述用户登录信息确定第一推荐页面数据，包括：
若确定所述用户登录信息对应的累计登录次数大于零时，则获取历史使用数据；
根据所述历史使用数据确定历史倾向度矩阵；其中，所述历史倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定；
根据所述历史倾向度矩阵确定偏好值降序排序号未超出预设排序阈值的目标偏好值，并将各目标偏好值对应的页面标签组成筛选页面标签集；
根据所述筛选页面标签集确定第一推荐内容集；其中，所述第一推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
将所述第一推荐内容数据填充至预设的页面容器中生成所述第一推荐页面数据。
在本申请实施例中，服务端基于用户登录信息中除了可获取用户的登录账号和密码等信息进行验证，还可以获取累计登录次数，若确定所述用户登录信息对应的累计登录次数大于零时，则表示用户不是初次注册并登录人工智能安全靶场平台，而是已经有历史登录记录及历史使用数据的用户。此时服务端在生成第一推荐页面数据时，不再参考用户的录入的用户兴趣信息数据和所述回复数据集，而是主要参考历史使用数据。
在基于历史使用数据确定第一推荐内容集时，是先将所述历史使用数据转换为历史倾向度矩阵，例如用户在浏览历史推荐页面数据时，具体可参考图3b，在历史推荐页面数据对应的页面中包括若干个页面子容器，每一页面子容器中容纳有相应推荐内容（即每一页面子容器对应至少一个页面标签），而且每一页面子容器中设置有埋点以对用户对页面子容器的点击次数和页面驻留时长作出统计。当用户完成了对该历史推荐页面数据的查看或操作后，可由各页面子容器的埋点统计出各页面子容器的点击次数和页面驻留时长，从而基于预设的关注程度转换策略将各页面子容器的点击次数和页面驻留时长转换为各页面子容器的偏好值。
例如将关注程度转换策略设置为统计点击次数所属第一档数，且统计页面驻留时长所属第二档数，将第一档数对应的第一档数区间值及第二档数对应的第二档数区间值求和，即可得到偏好值。其中，更具体可将点击次数划分为5个档数，例如点击次数为[0,5)则为点击次数第一档区间（其对应一个点击次数第一档区间值0.1），点击次数为[5,10)则为点击次数第二档区间（其对应一个点击次数第二档区间值0.2），点击次数为[10,15)则为点击次数第三档区间（其对应一个点击次数第三档区间值0.3），点击次数为[15,20)则为点击次数第四档区间（其对应一个点击次数第四档区间值0.4），点击次数为[20,+∞)则为点击次数第五档区间（其对应一个点击次数第一档区间值0.5），若历史推荐页面数据中页面子容器B点击次数实际为8次，其属于点击次数第二档区间（也即8次点击次数确定的第一档数），具体转化为点击次数第二档区间的点击次数第二档区间值0.2，以点击次数第二档区间值0.2作为与第一档数对应的第一档数区间值。当然，具体实施时并不局限于将点击次数划分为5个档数，可以根据实际需求将其划分为其他数值的档数。
同样的，将页面驻留时长划分为5个档数，例如页面驻留时长为[0,30s)则为页面驻留时长第一档区间（其对应一个页面驻留时长第一档区间值0.1），页面驻留时长为[30s,60s)则为页面驻留时长第二档区间（其对应一个页面驻留时长第二档区间值0.2），页面驻留时长为[60s,90s)则为页面驻留时长第三档区间（其对应一个页面驻留时长第三档区间值0.3），页面驻留时长为[90s,120s)则为页面驻留时长第四档区间（其对应一个页面驻留时长第四档区间值0.4），页面驻留时长为[120s,+∞)则为页面驻留时长第五档区间（其对应一个页面驻留时长第一档区间值0.5），若历史推荐页面数据中页面子容器B页面驻留时长实际为200s，其属于页面驻留时长第五档区间（也即200s页面驻留时长确定的第二档数），具体转化为页面驻留时长第五档区间的页面驻留时长第五档区间值0.5，以页面驻留时长第五档区间值0.5作为与第二档数对应的第二档数区间值。当然，具体实施时并不局限于将页面驻留时长划分为5个档数，可以根据实际需求将其划分为其他数值的档数。
在已知了历史推荐页面数据中各页面子容器对应的偏好值后，以行向量auser1，itemi来表示该用户user1对历史推荐页面数据中第i个页面子容器itemi的偏好值，若itemi中i的取值范围为[1,n1]则表示历史推荐页面数据中共有n1个页面子容器，由行向量auser1，item1至行向量auser1，itemn1从上至下依次排列组成历史倾向度矩阵。因所述历史倾向度矩阵中每一行只有一个非零取值作为偏好值，故将所述历史倾向度矩阵中各行向量所确定的偏好值降序排序后，可选取未超出预设排序阈值（如设置预设排序阈值为5）的目标偏好值，并将各目标偏好值对应的页面子容器所具有页面标签组成筛选页面标签集。可见，基于历史使用数据确定用户的筛选页面标签集，可作为用户下次进入人工智能安全靶场平台后初始页面填充内容的依据，而不是由人工智能安全靶场平台向所有用户统一推荐相同页面内容，实现了基于用户历史标签的个性化内容推荐。
203、服务端获取与所述第一推荐页面数据对应的服务端使用数据。
其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据。
在本申请实施例中，当用户端接收到了所述第一推荐页面数据后，会选择其中至少一个人工智能安全靶场的推荐数据进行本地的学习或练习。其中，为了更清楚的了解人工智能安全靶场相关推荐数据的学习过程，以及人工智能安全靶场相关推荐数据的练习过程之间的区别，下面对上述学习过程及练习过程分别进行说明。
对人工智能安全靶场相关推荐数据进行学***台更多倾向于推荐AI安全靶场的技术手段、技术手段的具体攻击代码、具体攻击代码所针对的攻击目标AI算法模型、技术手段的具体使用说明及技术手段的教学视频等类型的内容。这一类型的内容更偏重于向用户展示人工智能安全靶场相关基础学习数据，用户端接收所述第一推荐页面数据后，用户以选择所述第一推荐页面数据中内容查看内容为主。因学习过程中，无需针对攻击目标AI算法模型进行任何重新训练或加固，故对服务端的资源消耗较小。且因学习过程中是用户端在线观看或查看人工智能安全靶场相关推荐数据，过程中涉及到频繁的数据传输，故对带宽占用较大。
对人工智能安全靶场相关推荐数据进行练***台更多倾向于推荐攻击目标AI算法模型，之后用户基于其具备的专业进行进行操作以对推荐攻击目标AI算法模型编写具体攻击代码，完成具体攻击代码编写后得到具体对推荐攻击目标AI算法模型的攻击结果，攻击过程评分，模型攻击报告等。因练习过程中，涉及到针对攻击目标AI算法模型进行重新训练或加固，故对服务端的资源消耗较大。且因练习过程中是用户端对攻击目标AI算法模型完成算法加固重新发送至服务端进行训练或加固，过程中未涉及到频繁的数据传输，故对带宽占用较小。
可见，当用户具体对所述第一推荐页面数据进行查看或操作后，对服务端使用数据准确判断用户是如何具体在对第一推荐页面数据进行操作，也即能获取准确的操作类型。
204、服务端若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据。
在本申请实施例中，在服务端中若根据所述服务端使用数据确定用户针对人工智能安全靶场平台的使用模式是AI安全靶场学习模式时，则表示服务端要分配更多的网络带宽与用户端进行数据交互，以传输AI安全靶场学习模式下所述第一推荐页面数据对应的具体页面数据。
其中，在AI安全靶场学习模式下，所述第一推荐页面数据中包括的AI安全靶场教程数据先是以数据链接地址的方式存储在各页面子容器中，当用户先选择了第一推荐页面数据中其中一个页面子容器并点击进入后，之后才会由服务端获取与该页面子容器对应的数据链接地址，并根据该数据链接地址获取原始数据内容，最后由服务端将原始数据内容传输至用户端。例如，数据链接地址获取原始数据内容可为AI安全靶场的教学视频，则服务端以流媒体数据方式将AI安全靶场的教学视频传输至用户端；数据链接地址获取原始数据内容可为AI安全靶场的教学文本，则服务端以超文本传输协议方式将AI安全靶场的教学文本传输至用户端。
可见，在AI安全靶场学习模式下，用户针对所述第一推荐页面数据进行查看或操作后，先是各页面子容器基于其内置的埋点可以检测到各页面子容器的具体点击及查看页面驻留时长等数据，之后再由各页面子容器的具体点击及查看页面驻留时长等数据组成该用户在AI安全靶场学习模式下针对所述第一推荐页面数据的第一使用数据。在获取到了第一使用数据后，可以进一步准确分析初学者用户的内容查看或使用喜好，以作为后续再次分析推荐页面数据的历史数据基础。而且，在AI安全靶场学习模式下，充分实现了对专业度较低的初学者用户进行学习内容推送的效果。
205、服务端若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据。
在本申请实施例中，在服务端中若根据所述服务端使用数据确定用户针对人工智能安全靶场平台的使用模式是AI安全靶场练习模式时，则表示服务端要分配更多的本地资源（如CPU算力、内存等）以供用户端调用，从而完成在AI安全靶场练习模式对AI算法模型的攻击、防御、重新训练等操作。
其中，在AI安全靶场练习模式下，所述第一推荐页面数据中包括的AI安全靶场练习数据先是将AI算法模型的原始数据（如原始代码、模型名称等）存储在在各页面子容器中。例如页面子容器1中存储目标检测模型的原始局部代码（原始局部代码相对于原始完整代码隐藏了部分模型关键参数或模型代码），页面子容器2中存储人脸识别模型的模型名称（仅仅只显示了模型名称，需要用户后续自行补充完整的人脸识别模型的模型参数和模型代码），当用户选择了其中一个页面子容器后，需要将页面子容器中的原始数据补充完整后得到一个完整的AI算法模型再发送至服务端，服务端接收到了完整的AI算法模型后调用本地的服务器资源进行AI算法模型的重新训练或加固等操作，从而实现AI安全靶场中练习的效果。
可见，在AI安全靶场练习模式下，用户可以针对各AI算法模型的原始数据进行分析后再补充完整，补充完整的AI算法模型再发送至服务端进行验证，充分实现了对专业度较高的用户进行考核的效果。在获取到了第二使用数据后，可以进一步准确分析专业用户的AI算法模型练习喜好，以作为后续再次分析推荐页面数据的历史数据基础。
206、服务端根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。
其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
在本申请实施例中，用户在浏览第一推荐页面数据时，具体可参考图3a，在第一推荐页面数据对应的页面中包括若干个页面子容器，每一页面子容器中容纳有相应推荐内容（即每一页面子容器对应至少一个页面标签），而且每一页面子容器中设置有埋点以对用户对页面子容器的点击次数和页面驻留时长作出统计。当用户完成了对该第一推荐页面数据的查看或操作，并得到所述第一使用数据或所述第二使用数据后，可由所述第一使用数据或所述第二使用数据中得到各页面子容器的埋点统计出各页面子容器的点击次数和页面驻留时长，从而基于所述关注程度转换策略将各页面子容器的点击次数和页面驻留时长转换为各页面子容器的偏好值。
在已知了第一推荐页面数据中各页面子容器对应的偏好值后，以行向量auserj，itemk来表示该用户userj对第一推荐页面数据中第k个页面子容器itemk的偏好值，若itemk中k的取值范围为[1,n2]则表示第一推荐页面数据中共有n2个页面子容器，由行向量auserj，item1至行向量auser1，itemn2从上至下依次排列组成当前倾向度矩阵。
一些实施方式中，如图2a所示，作为获取当前倾向度矩阵进行用户下一次登录后推荐数据的第一获取方式，所述根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵之后，所述方法还包括：
2071、服务端基于所述当前倾向度矩阵确定偏好值降序排序号未超出预设排序阈值的当前目标偏好值，并将各当前目标偏好值对应的页面标签组成当前筛选页面标签集。
在本申请实施例中，因所述当前倾向度矩阵中每一行只有一个非零取值作为偏好值，故将所述当前倾向度矩阵中各行向量所确定的偏好值降序排序后，可选取未超出预设排序阈值（如设置预设排序阈值为5）的当前目标偏好值，并将各当前目标偏好值对应的页面子容器所具有页面标签组成当前筛选页面标签集。可见，基于第一使用数据或第二使用数据确定用户的筛选页面标签集，可作为用户下次进入人工智能安全靶场平台后页面填充推荐内容的依据，而不是由人工智能安全靶场平台向所有用户统一推荐相同页面内容，实现了基于历史使用情况的个性化内容推荐。
例如，所述当前倾向度矩阵中第一行的行向量表示对第一推荐页面数据中第1个页面子容器item1的偏好值，在item1中容纳有AI算法模型攻击/防御的学习内容；所述当前倾向度矩阵中第二行的行向量表示对第一推荐页面数据中第2个页面子容器item2的偏好值，在item2中容纳有AI算法模型安全问题的学习内容；所述当前倾向度矩阵中第三行的行向量表示对第一推荐页面数据中第3个页面子容器item3的偏好值，在item3中容纳有AI算法模型白盒/黑盒问题的学习内容；所述当前倾向度矩阵中第四行的行向量表示对第一推荐页面数据中第4个页面子容器item4的偏好值，在item4中容纳有AI算法模型组件/非组件问题的学习内容等。所述当前倾向度矩阵中第一行的行向量即确定了用户对AI算法模型攻击/防御的学习内容的偏好值，所述当前倾向度矩阵中第二行的行向量即确定了用户对AI算法模型安全问题的学习内容的偏好值，所述当前倾向度矩阵中第三行的行向量即确定了用户对AI算法模型白盒/黑盒问题的学习内容的偏好值，所述当前倾向度矩阵中第四行的行向量即确定了用户对AI算法模型组件/非组件问题的学习内容的偏好值。
2081、服务端根据所述当前筛选页面标签集从内容库中确定第二推荐内容集。
其中，所述第二推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种。
在本申请实施例中，由于服务端的内容库中每一推荐内容均设置了内容标签，当以所述当前筛选页面标签集中包括的若干个页面标签组合成标签筛选条件时，则以所述标签筛选条件在所述内容库中检索并确定第二推荐内容集，该第二推荐内容集是用户下一次再登录人工智能安全靶场平台后页面填充推荐内容的依据。具体是，将所述第二推荐内容数据填充至预设的页面容器中生成第二推荐页面数据。可见，用户每一次登录人工智能安全靶场平台，均可得到与基于其历史使用情况得到的推荐数据，无需接收平台推送的统一数据。
一些实施方式中，如图2b所示，作为获取当前倾向度矩阵进行用户下一次登录后推荐数据的第二获取方式，所述根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵之后，所述方法还包括：
2072、服务端基于所述当前倾向度矩阵确定当前倾向度向量。
在本申请实施例中，因所述当前倾向度矩阵中每一行只有一个非零取值作为偏好值，故可以将所述当前倾向度矩阵中各行向量求和之后，即可得到维度更低的当前倾向度向量，以通过当前倾向度向量表示该用户对各页面子容器的偏好值。例如，当前倾向度向量中以aitemi来表示用户对第一推荐页面数据中第i个页面子容器itemi的偏好值。
2082、服务端基于所述当前倾向度向量从倾向度向量集中获取相似倾向度向量，组成相似倾向度向量集。
其中，所述相似倾向度向量与所述当前倾向度向量的向量相似度均超过预设的向量相似度阈值。
在本申请实施例中，因服务端还存储了其他用户登录人工智能安全靶场平台后得到用户倾向度向量所组成的倾向度向量集，其中需要说明的是为了确保数据安全，一般获取隶属于同一组织（如属于同一公司）的用户登录人工智能安全靶场平台后得到的用户倾向度向量（这些用户倾向度向量组成倾向度向量集）来分析获取所述当前倾向度向量的相似倾向度向量。
此时，服务端可以分析获取所述倾向度向量集中与所述当前倾向度向量的向量相似度超过所述向量相似度阈值的目标用户倾向度向量（即相似倾向度向量），以组成相似倾向度向量集。而其中每一个目标用户倾向度向量对应一个具体的用户，且每一用户具有使用人工智能安全靶场平台得到的用户倾向度向量，在获取到所述当前倾向度向量对应用户的相似用户后，即可进一步基于相似用户查看和使用页面子容器的综合情况来确定第二推荐内容集。
2092、服务端基于所述相似倾向度向量集从内容库中确定第二推荐内容集。
其中，所述第二推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种。
在本申请实施例中，所述相似倾向度向量集每一相似倾向度向量中均能选取到向量值排序前K位的目标向量值，而向量值排序前K位的目标向量值分别对应一个页面子容器中页面标签下具体内容的偏好值。故基于相似倾向度向量集获取了各相似用户topK的页面标签后，即可统计这些相似用户topK的页面标签综合后整体排名topK的页面标签作为另一筛选页面标签集。之后根据所述另一筛选页面标签集从内容库中确定第二推荐内容集。
由于服务端的内容库中每一推荐内容均设置了内容标签，当以所述另一筛选页面标签集中包括的若干个页面标签组合成另一标签筛选条件时，则以所述另一标签筛选条件在所述内容库中检索并确定第二推荐内容集，该第二推荐内容集是用户下一次再登录人工智能安全靶场平台后页面填充推荐内容的依据。具体是，将所述第二推荐内容数据填充至预设的页面容器中生成第二推荐页面数据。可见，用户每一次登录人工智能安全靶场平台，可得到与基于其历史使用情况得到的推荐数据，无需接收平台推送的统一数据。
可见，通过本方案，在人工智能安全靶场等场景，先是当服务端接收到用户端发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。由于用户登录服务端时即可由服务端基于用户登录信息确定第一推荐页面数据并发送至用户端，因此避免了向用户端推荐统一的页面数据，而且所推荐的页面数据可对人工智能模型的安全攻防演练或基础知识学习。
参阅图4，图4为本申请实施例中人工智能安全靶场内容推荐装置的一种结构示意图。如图4所示的一种人工智能安全靶场内容推荐装置的结构示意图（图1中的服务端10也可以理解为人工智能安全靶场内容推荐装置），其可应用于人工智能安全靶场等场景。本申请实施例中的人工智能安全靶场内容推荐***中的服务器能够实现对应于上述图2a或图2b所对应的实施例中服务器所执行的人工智能安全靶场内容推荐方法的步骤。人工智能安全靶场内容推荐装置实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图4所示所述人工智能安全靶场内容推荐装置具体包括收发模块11和处理模块12，收发模块11和处理模块12功能实现可参考图2a或图2b所对应的实施例中所执行的操作，此处不作赘述。
一些实施方式中，所述人工智能安全靶场内容推荐装置（即服务端10）包括收发模块11和处理模块12；
所述收发模块11，用于接收用户端发送的用户登录信息；
所述处理模块12，用于根据所述收发模块11接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
所述处理模块12，还用于根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
可见，通过本方案，在人工智能安全靶场等场景，先是当服务端接收到用户端发送的用户登录信息时，根据用户登录信息确定第一推荐页面数据并发送至用户端，之后基于与第一推荐页面数据对应的服务端使用数据确定是AI安全靶场学习模式或是AI安全靶场练习模式，并获取对应的第一使用数据或第二使用数据，最后根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵。由于用户登录服务端时即可由服务端基于用户登录信息确定第一推荐页面数据并发送至用户端，因此避免了向用户端推荐统一的页面数据，而且所推荐的页面数据可对人工智能模型的安全攻防演练或基础知识学习。
上面从模块化功能实体的角度对本申请实施例中的人工智能安全靶场内容推荐装置进行了描述，下面从硬件处理的角度分别对本申请实施例中的人工智能安全靶场内容推荐装置进行描述。
需要说明的是，在本申请实施例各实施例（包括图4所示的各实施例）中所有的收发模块对应的实体设备可以为收发器，所有的处理模块对应的实体设备可以为处理器。当其中一种装置具有如图4所示的结构时，处理器、收发器和存储器实现前述对应该装置的装置实施例提供的所述收发模块和所述处理模块相同或相似的功能，图5中的存储器存储处理器执行上述人工智能安全靶场内容推荐方法时需要调用的计算机程序。
当图4所示的装置具有如图5所示的结构时，图5中的处理器能够实现前述对应该装置的装置实施例提供的所述处理模块相同或相似的功能，图5中的收发器能够实现前述对应该装置的装置实施例提供的所述收发模块相同或相似的功能，图5中的存储器存储处理器执行上述人工智能安全靶场内容推荐方法时需要调用的计算机程序。在本申请实施例图4所示的实施例中的所述收发模块所对应的实体设备可以为输入输出接口，所述处理模块对应的实体设备可以为处理器。
本申请实施例还提供了另一种终端设备，如图6所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）、销售终端（英文全称：Point of Sales，英文简称：POS）、车载电脑等任意终端设备，以终端为手机为例：
图6示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图6，手机包括：射频（英文全称：Radio Frequency，英文简称：RF）电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真（英文全称：wirelessfidelity，英文简称：WiFi）模块670、处理器680、以及电源690等部件。本领域技术人员可以理解，图6中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图6对手机的各个构成部件进行具体的介绍：
RF电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器680处理；另外，将设计上行的数据发送给基站。通常，RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器（英文全称：LowNoise Amplifier，英文简称：LNA）、双工器等。此外，RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯*** （英文全称：Global System of Mobile communication，英文简称：GSM）、通用分组无线服务（英文全称：General Packet Radio Service，英文简称：GPRS）、码分多址（英文全称：Code Division Multiple Access，英文简称：CDMA）、宽带码分多址（英文全称：Wideband Code Division Multiple Access, 英文简称：WCDMA）、长期演进 （英文全称：Long Term Evolution，英文简称：LTE）、电子邮件、短消息服务（英文全称：ShortMessaging Service，英文简称：SMS）等。
存储器620可用于存储软件程序以及模块，处理器680通过运行存储在存储器620的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器680，并能接收处理器680发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器（英文全称：LiquidCrystal Display，英文简称：LCD）、有机发光二极管（英文全称：Organic Light-EmittingDiode, 英文简称：OLED）等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器680以确定触摸事件的类型，随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图6中，触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板641的亮度，接近传感器可在手机移动到耳边时，关闭显示面板641和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路660、扬声器661，传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号，传输到扬声器661，由扬声器661转换为声音信号输出；另一方面，传声器662将收集的声音信号转换为电信号，由音频电路660接收后转换为音频数据，再将音频数据输出处理器680处理后，经RF电路610以发送给比如另一手机，或者将音频数据输出至存储器620以便进一步处理。
Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了W-iFi模块670，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器680是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器680可包括一个或多个处理单元；优选的，处理器680可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器680中。
手机还包括给各个部件供电的电源690（比如电池），电源可以通过电源管理***与处理器680逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该手机所包括的处理器680还具有控制执行以上由图2a或图2b所示的人工智能安全靶场内容推荐方法的流程图。
图7是本申请实施例提供的一种服务器结构示意图，该服务器720可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器（英文全称：centralprocessing units，英文简称：CPU）722（例如，一个或一个以上处理器）和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730（例如一个或一个以上海量存储设备）。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器720上执行存储介质730中的一系列指令操作。
服务器720还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作***741，例如Windows Server，Mac OS X，Unix, Linux，FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图7所示的服务器720的结构。例如上述实施例中由图2所示的服务器的步骤可以基于该图7所示的服务器结构。例如，所述中央处理器722通过调用存储器732中的指令，执行以下操作：
通过输入输出接口758接收用户端发送的用户登录信息；
根据接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质（例如固态硬盘Solid State Disk(SSD)）等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (9)

1.一种人工智能安全靶场内容推荐方法，其特征在于，所述方法包括：
接收用户端发送的用户登录信息；
根据接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；
获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；
若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；
若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集；
其中，在所述第一推荐页面数据对应的页面中包括若干个页面子容器，每一所述页面子容器中容纳有相应推荐内容；
其中，所述服务端使用数据包括所述第一使用数据和所述第二使用数据；
其中，在所述AI安全靶场学习模式下，所述第一推荐页面数据中包括的AI安全靶场教程数据先是以数据链接地址的方式存储在所述页面子容器中，用户选择其中一个页面子容器并点击进入后，由服务端获取与该页面子容器对应的数据链接地址，并根据所述数据链接地址获取原始数据内容，再由服务端将原始数据内容传输至用户端；
其中，在所述AI安全靶场练习模式下，所述第一推荐页面数据中包括的AI安全靶场练习数据先是将AI算法模型的原始数据存储在所述页面子容器中，用户选择其中一个页面子容器后，将所述页面子容器中的原始数据补充完整，得到完整的AI算法模型，再发送至服务端，服务端接收到所述完整的AI算法模型后，调用本地的服务器资源进行AI算法模型的重新训练或加固；
其中，所述根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵之后，所述方法还包括：
基于所述当前倾向度矩阵确定偏好值降序排序号未超出预设排序阈值的当前目标偏好值，并将各当前目标偏好值对应的页面标签组成当前筛选页面标签集；
根据所述当前筛选页面标签集从内容库中确定第二推荐内容集；其中，所述第二推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
其中，在所述AI安全靶场学习模式下，所述人工智能安全靶场的推荐数据，包括AI安全靶场的技术手段、技术手段的具体攻击代码、具体攻击代码所针对的攻击目标AI算法模型、技术手段的具体使用说明以及技术手段的教学视频；
其中，在所述AI安全靶场练习模式下，所述人工智能安全靶场的推荐数据，包括攻击目标AI算法模型，用户再进行操作以对所述攻击目标AI算法模型编写具体攻击代码，完成具体攻击代码编写后得到具体对所述攻击目标AI算法模型的攻击结果、攻击过程评分以及模型攻击报告。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵之后，所述方法还包括：
基于所述当前倾向度矩阵确定当前倾向度向量；
基于所述当前倾向度向量从倾向度向量集中获取相似倾向度向量，组成相似倾向度向量集；其中，所述相似倾向度向量与所述当前倾向度向量的向量相似度均超过预设的向量相似度阈值，所述倾向度向量集为服务端存储且用于表示多个用户分别对应的用户倾向度向量；
基于所述相似倾向度向量集从内容库中确定第二推荐内容集；其中，所述第二推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述根据接收的所述用户登录信息确定第一推荐页面数据，包括：
若确定所述用户登录信息对应的累计登录次数为零时，则获取用户兴趣信息数据；
获取预先存储的推送问题集并发送至用户端；
接收所述用户端发送的与所述推送问题集对应的回复数据集；
根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集；其中，所述第一推荐内容集中包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
将所述第一推荐内容数据填充至预设的页面容器中生成所述第一推荐页面数据。
4.根据权利要求1-2任一项所述的方法，其特征在于，所述根据接收的所述用户登录信息确定第一推荐页面数据，包括：
若确定所述用户登录信息对应的累计登录次数大于零时，则获取历史使用数据；
根据所述历史使用数据确定历史倾向度矩阵；其中，所述历史倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定；
根据所述历史倾向度矩阵确定偏好值降序排序号未超出预设排序阈值的目标偏好值，并将各目标偏好值对应的页面标签组成筛选页面标签集；
根据所述筛选页面标签集确定第一推荐内容集；其中，所述第一推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
将所述第一推荐内容数据填充至预设的页面容器中生成所述第一推荐页面数据。
5.根据权利要求3所述的方法，其特征在于，所述根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集，包括：
获取所述用户兴趣信息数据对应的第一语义向量；
获取所述回复数据集对应的为第二语义向量；
将所述第一语义向量与所述第二语义向量连接，得到综合语义向量；
基于所述综合语义向量在内容库中获取第一推荐内容集。
6.根据权利要求3所述的方法，其特征在于，所述根据所述用户兴趣信息数据和所述回复数据集确定第一推荐内容集，包括：
获取所述用户兴趣信息数据中兴趣关键词组成第一筛选条件；
根据所述第一筛选条件在内容库中获取初始推荐内容集；
基于所述回复数据集中各回复问题组成第二筛选条件；
根据所述第二筛选条件在所述初始推荐内容集中获取第一推荐内容集。
7.一种人工智能安全靶场内容推荐装置，其特征在于，所述人工智能安全靶场内容推荐装置包括收发模块及处理模块；
所述收发模块，用于接收用户端发送的用户登录信息；
所述处理模块，用于根据所述收发模块接收的所述用户登录信息确定第一推荐页面数据，并将所述第一推荐页面数据发送至用户端；其中，所述第一推荐页面数据中包括多个人工智能安全靶场的推荐数据；获取与所述第一推荐页面数据对应的服务端使用数据；其中，所述服务端使用数据包括服务端资源消耗数据和服务端带宽使用数据；若确定所述服务端使用数据中所述服务端带宽使用数据大于带宽阈值，则确定是AI安全靶场学习模式，获取与所述第一推荐页面数据对应的第一使用数据；若确定所述服务端使用数据中所述服务端资源消耗数据大于资源消耗阈值，则确定是AI安全靶场练习模式，获取与所述第一推荐页面数据对应的第二使用数据；
所述处理模块，还用于根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵；其中，所述当前倾向度矩阵中每一行向量表示用户对相应页面标签的偏好值，且每一页面标签的偏好值基于页面标签的访问操作和页面驻留时长确定，所述当前倾向度矩阵用于筛选向用户端下一次登录服务端所发送的推荐内容集；
其中，在所述第一推荐页面数据对应的页面中包括若干个页面子容器，每一所述页面子容器中容纳有相应推荐内容；
其中，所述服务端使用数据包括所述第一使用数据和所述第二使用数据；
其中，在所述AI安全靶场学习模式下，所述第一推荐页面数据中包括的AI安全靶场教程数据先是以数据链接地址的方式存储在所述页面子容器中，用户选择其中一个页面子容器并点击进入后，由服务端获取与该页面子容器对应的数据链接地址，并根据所述数据链接地址获取原始数据内容，再由服务端将原始数据内容传输至用户端；
其中，在所述AI安全靶场练习模式下，所述第一推荐页面数据中包括的AI安全靶场练习数据先是将AI算法模型的原始数据存储在所述页面子容器中，用户选择其中一个页面子容器后，将所述页面子容器中的原始数据补充完整，得到完整的AI算法模型，再发送至服务端，服务端接收到所述完整的AI算法模型后，调用本地的服务器资源进行AI算法模型的重新训练或加固；
其中，所述根据所述第一使用数据或所述第二使用数据确定当前倾向度矩阵之后，还包括：
基于所述当前倾向度矩阵确定偏好值降序排序号未超出预设排序阈值的当前目标偏好值，并将各当前目标偏好值对应的页面标签组成当前筛选页面标签集；
根据所述当前筛选页面标签集从内容库中确定第二推荐内容集；其中，所述第二推荐内容集包括AI安全靶场教程数据、AI安全靶场练习数据中的其中一种；
其中，在所述AI安全靶场学习模式下，所述人工智能安全靶场的推荐数据，包括AI安全靶场的技术手段、技术手段的具体攻击代码、具体攻击代码所针对的攻击目标AI算法模型、技术手段的具体使用说明以及技术手段的教学视频；
其中，在所述AI安全靶场练习模式下，所述人工智能安全靶场的推荐数据，包括攻击目标AI算法模型，用户再进行操作以对所述攻击目标AI算法模型编写具体攻击代码，完成具体攻击代码编写后得到具体对所述攻击目标AI算法模型的攻击结果、攻击过程评分以及模型攻击报告。
8.一种人工智能安全靶场内容推荐装置，其特征在于，所述装置包括：
至少一个处理器、存储器和收发器；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6中任一项所述的方法。
CN202210949803.6A 2022-08-09 2022-08-09 人工智能安全靶场内容推荐方法、装置及存储介质 Active CN115022098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210949803.6A CN115022098B (zh) 2022-08-09 2022-08-09 人工智能安全靶场内容推荐方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210949803.6A CN115022098B (zh) 2022-08-09 2022-08-09 人工智能安全靶场内容推荐方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115022098A CN115022098A (zh) 2022-09-06
CN115022098B true CN115022098B (zh) 2022-11-18

Family

ID=83065808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210949803.6A Active CN115022098B (zh) 2022-08-09 2022-08-09 人工智能安全靶场内容推荐方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115022098B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522002B (zh) * 2023-06-27 2023-09-08 交通运输部水运科学研究所 一种基于机器学习的通航服务***的容器推荐方法及***
CN117688250B (zh) * 2024-02-04 2024-04-16 国网湖北省电力有限公司信息通信公司 适用于电力全场景的统一数据动态服务管理***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279206A (zh) * 2014-07-25 2016-01-27 北京龙源创新信息技术有限公司 一种智能推荐方法和***
CN109712460A (zh) * 2019-02-27 2019-05-03 浙江机电职业技术学院 电子实训云平台***
CN111209474A (zh) * 2019-12-27 2020-05-29 广东德诚科教有限公司 在线课程的推荐方法、装置、计算机设备和存储介质
CN113872960A (zh) * 2021-09-24 2021-12-31 南方电网科学研究院有限责任公司 一种面向电力行业的网络安全靶场及其运行方法
CN114422201A (zh) * 2021-12-28 2022-04-29 北京永信至诚科技股份有限公司 一种网络靶场大规模用户远程接入方法和***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589905B (zh) * 2014-12-26 2019-06-18 ***股份有限公司 用户兴趣数据分析和收集***及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279206A (zh) * 2014-07-25 2016-01-27 北京龙源创新信息技术有限公司 一种智能推荐方法和***
CN109712460A (zh) * 2019-02-27 2019-05-03 浙江机电职业技术学院 电子实训云平台***
CN111209474A (zh) * 2019-12-27 2020-05-29 广东德诚科教有限公司 在线课程的推荐方法、装置、计算机设备和存储介质
CN113872960A (zh) * 2021-09-24 2021-12-31 南方电网科学研究院有限责任公司 一种面向电力行业的网络安全靶场及其运行方法
CN114422201A (zh) * 2021-12-28 2022-04-29 北京永信至诚科技股份有限公司 一种网络靶场大规模用户远程接入方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向未来的网络靶场体系架构研究;刘智国等;《信息技术与网络安全》;20180610(第06期);第41-46页 *

Also Published As

Publication number Publication date
CN115022098A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111310034B (zh) 一种资源推荐方法及相关设备
CN115022098B (zh) 人工智能安全靶场内容推荐方法、装置及存储介质
CN110704661B (zh) 一种图像分类方法和装置
WO2015067122A1 (en) Method and device for pushing information
WO2021120875A1 (zh) 搜索方法、装置、终端设备及存储介质
US10621259B2 (en) URL error-correcting method, server, terminal and system
CN114595124B (zh) 时序异常检测模型评估方法、相关装置及存储介质
CN111368171A (zh) 一种关键词推荐的方法、相关装置以及存储介质
CN113220848A (zh) 用于人机交互的自动问答方法、装置和智能设备
WO2021073434A1 (zh) 对象行为的识别方法、装置及终端设备
CN115203194A (zh) 一种元数据信息的生成方法、相关装置、设备及存储介质
CN116758362A (zh) 图像处理方法、装置、计算机设备及存储介质
CN110781274A (zh) 一种问答对生成的方法与装置
CN114817742B (zh) 基于知识蒸馏的推荐模型配置方法、装置、设备、介质
CN110929882A (zh) 一种基于人工智能的特征向量计算方法和相关装置
CN115546516A (zh) 人员聚档方法、装置、计算机设备及存储介质
CN113922998A (zh) 一种漏洞风险评估方法、装置、电子设备及可读存储介质
CN116450384A (zh) 一种信息处理方法和相关装置
CN111859240A (zh) 一种图片导出的方法、相关装置及存储介质
CN115525554B (zh) 模型的自动化测试方法、***及存储介质
CN115412726B (zh) 视频真伪检测方法、装置及存储介质
CN115909186B (zh) 图像信息识别方法、装置、计算机设备及存储介质
CN111914113B (zh) 一种图像检索的方法以及相关装置
CN117373093A (zh) 基于人工智能的图像识别方法、装置、设备以及存储介质
CN111475732B (zh) 一种信息处理方法和装置

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