CN117745080B - 基于多因素认证的数据访问控制和***方法和*** - Google Patents
基于多因素认证的数据访问控制和***方法和*** Download PDFInfo
- Publication number
- CN117745080B CN117745080B CN202410182266.6A CN202410182266A CN117745080B CN 117745080 B CN117745080 B CN 117745080B CN 202410182266 A CN202410182266 A CN 202410182266A CN 117745080 B CN117745080 B CN 117745080B
- Authority
- CN
- China
- Prior art keywords
- distribution
- dimension reduction
- access
- historical
- access time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 359
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims description 56
- 238000005457 optimization Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 8
- 238000003672 processing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了基于多因素认证的数据访问控制和***方法和***,涉及数据访问控制技术领域,方法包括:采集目标用户的历史访问时间分布;进行优化降维获得降维访问时间分布;根据多个用户的访问记录,降维获得标准降维访问时间分布,计算第一***度;采集历史检索特征分布,优化降维获得降维检索特征分布;获取标准检索特征分布,计算第二***度;结合第一***度和第二***度,计算综合监管度进行访问控制处理。能够解决由于数据分析量较大且风险评估方法较为单一,导致数据访问风险评估准确性和效率较低,造成数据访问***准确性和可靠性较低的技术问题,可以提高数据访问***的准确性和可靠性。
Description
技术领域
本申请涉及数据访问控制技术领域,并且更具体地,涉及基于多因素认证的数据访问控制和***方法和***。
背景技术
数据访问控制和***是保护数据安全的重要手段,用于限制敏感数据访问,通过设置合理的访问控制和***措施,可以有效减少未经授权的数据访问和使用,确保数据的机密性、完整性和可用性。
现有的数据访问***方法通常是根据用户访问目标数据的访问信息和历史访问信息进行比对分析,然后根据分析结果进行当前访问的异常判断,由于这种方法仅从用户维度进行访问风险评估,导致访问风险评估的准确率较低,同时由于历史访问信息的数据量较大,采用传统方法进行比对分析需要大量的数据分析时间,导致访问风险评估的效率较低。
现有的数据访问***方法存在的不足之处在于:由于数据分析量较大且数据访问风险评估方法较为单一,导致数据访问风险评估准确性和评估效率较低,造成数据访问***的准确性和可靠性较低。
发明内容
因此,为了解决上述技术问题,本申请的实施例采用的技术方案如下:
基于多因素认证的数据访问控制和***方法,包括以下步骤:响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理。
基于多因素认证的数据访问控制和******,包括:历史访问时间分布采集模块,所述历史访问时间分布采集模块用于响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;降维访问时间分布获得模块,所述降维访问时间分布获得模块用于对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;第一***度计算模块,所述第一***度计算模块用于根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;降维检索特征分布获得模块,所述降维检索特征分布获得模块用于根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;第二***度计算模块,所述第二***度计算模块用于根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;访问控制处理模块,所述访问控制处理模块用于结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理。
由于采用了上述技术方法,本申请相对于现有技术来说,取得的技术进步有如下几点:
可以解决现有的数据访问***方法由于数据分析量较大且数据访问风险评估方法较为单一,导致数据访问风险评估准确性和评估效率较低,造成数据访问***的准确性和可靠性较低的技术问题。首先,响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;然后对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;进一步根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;另一方面根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;然后根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;最后结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理。通过对数据进行降维处理,并从多个维度进行数据访问风险的综合评估,可以提高数据访问风险评估的准确性和评估效率,从而提高数据访问***的准确性和可靠性,确保访问数据的安全性和完整性。
附图说明
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例的描述中所需要使用的附图做简单的介绍。
图1为本申请提供了基于多因素认证的数据访问控制和***方法的流程示意图;
图2为本申请提供了基于多因素认证的数据访问控制和***方法中获得降维访问时间分布的流程示意图;
图3为本申请提供了基于多因素认证的数据访问控制和******的结构示意图。
附图标记说明:历史访问时间分布采集模块01、降维访问时间分布获得模块02、第一***度计算模块03、降维检索特征分布获得模块04、第二***度计算模块05、访问控制处理模块06。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例1
基于上述描述,如图1所示,本申请提供了基于多因素认证的数据访问控制和***方法,包括:
本申请提供的方法用于在数据访问时,通过多个维度进行数据访问异常分析,并根据多个访问异常分析结果进行访问风险综合评估,进而根据访问风险综合评估结果进行数据访问控制和***,来达到提高数据访问风险评估的准确性和评估效率,进而提高数据访问***的准确性和可靠性,确保访问数据的安全性和完整性的技术效果。
响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;
在本申请实施例中,首先,接收目标数据的实时访问请求,所述目标数据可根据实际访问场景进行设置,例如:企业客户信息管理数据库中的客户数据;根据所述实时访问请求确定访问所述目标数据的目标用户,其中目标用户通过用户ID进行标识,例如:登录账号、手机号码等。然后根据所述目标用户的用户ID提取所述目标用户对所述目标数据的历史访问记录,其中所述历史访问记录包含多条历史访问记录数据,所述历史访问记录数据包括访问时间、访问停留时长等数据,然后根据所述历史访问记录提取所述目标用户的历史访问时间分布,其中所述历史访问时间分布是指目标用户在预设时间周期内访问目标数据的时间节点记录,包含多个访问时间节点,其中所述预设时间周期为一个较长的时间段,本领域技术人员可根据实际情况进行设置,例如:6个月、12个月等。
通过获取目标用户的历史访问时间分布,可以直观地获取目标用户的历史访问状态,同时为进行访问时间维度的异常分析提供了数据支持。
对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;
在本申请实施例中,对所述历史访问时间分布进行优化降维处理,其中优化降维处理的目的是缩小分析数据量,并提取关键信息,首先,分别计算所述历史访问时间分布内各历史访问时间节点与中心访问时间节点的时间跨度,得到多个访问时间跨度,其中访问时间跨度是指历史访问时间节点与中心访问时间节点的时间距离,其中访问时间跨度和历史访问时间节点一一对应;然后根据多个访问时间跨度分别计算所述历史访问时间分布中每个历史访问时间节点的时间分布概率,得到多个时间分布概率;最后依据多个时间分布概率对所述历史访问时间分布进行降维,得到降维处理后的降维访问时间分布。
如图2所示,在一个实施例中,所述方法还包括:
根据所述历史访问时间分布中多个历史访问时间和中心访问时间的时间跨度,分配计算获得历史时间概率分布,其中,每个历史访问时间的时间概率的大小与时间跨度的大小成正比;
获取降维后降维访问时间分布内的访问时间数量,作为预设降维数量;
在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第一降维访问时间分布;
根据所述第一降维访问时间分布内每个第一降维访问时间和中心访问时间的时间跨度,分配计算获得第一降维时间概率分布;
根据所述第一降维时间概率分布和所述历史时间概率分布,计算获得第一降维相似度;
继续对所述历史访问时间分布进行随机降维处理和优化,直到达到降维收敛要求,获得所述降维访问时间分布。
在本申请实施例中,其中对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布的方法如下,首先,依次计算所述历史访问时间分布中多个历史访问时间与中心访问时间的时间跨度,其中中心访问时间是指所述历史访问时间分布中多个历史访问时间的最中心的时间节点,假设多个历史访问时间为奇数,则中心访问时间为最中心的一个时间节点,假设多个历史访问时间为偶数,则中心访问时间为最中心的两个时间节点的任意一个;所述时间跨度是指时间间隔距离,得到多个历史访问时间对应的多个时间跨度。
然后根据时间跨度分别计算每个历史访问时间对应的历史时间概率,其中每个历史访问时间的时间概率的大小与时间跨度的大小成正比,即时间跨度越大,则表征该历史访问时间与中心时间的差异越大,则时间概率越大,得到多个历史访问时间对应的多个时间概率,并根据多个时间概率组建历史时间概率分布,得到历史时间概率分布。
获取降维后降维访问时间分布内的访问时间数量,所述访问时间数量是指降维处理后的目标时间数量,本领域技术人员可根据实际需求进行设置,例如:需求数据量为100,则可设置访问时间数量为100;并将所述访问时间数量作为预设降维数量。
在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,并根据所述预设降维数量的历史访问时间和所述中心访问时间构建第一降维访问时间分布。然后根据依次计算所述第一降维访问时间分布内每个第一降维访问时间和中心访问时间的时间跨度,得到多个第一降维访问时间对应的多个第一时间跨度,并根据多个第一时间跨度计算多个第一降维时间概率,其中第一时间跨度越大,则对应的第一降维时间概率越大,得到多个第一降维时间概率,并根据多个第一降维时间概率组建第一降维时间概率分布。
对所述第一降维时间概率分布和所述历史时间概率分布进行相似度计算,其中常用的相似度计算方法包括欧式距离、余弦相似度、Jaccard相似系数等方法,本领域技术人员可根据实际情况选择适配的相似计算方法,得到第一降维相似度。然后利用上述相同的方法继续对所述历史访问时间分布进行随机降维处理和优化,直到达到降维收敛要求,根据当前相似度计算结果获得降维访问时间分布。其中所述降维收敛要求是指预设降维处理次数,可根据实际降维需求进行设置,其中降维需求质量越高,则预设降维处理次数越大。
在一个实施例中,所述方法还包括:
将所述第一降维访问时间分布作为阶段降维结果;
再次在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第二降维访问时间分布;
根据所述第二降维访问时间分布内每个第二降维访问时间和中心访问时间的时间跨度,分配计算获得第二降维时间概率分布,结合所述历史时间概率分布,计算获得第二降维相似度;
根据所述第一降维相似度和第二降维相似度,进行概率判别,对所述阶段降维结果进行更新,其中,概率判别的概率大小与所述第一降维相似度、第二降维相似度的大小成正比;
继续对所述历史访问时间分布进行随机降维处理和优化,直到达到收敛降维次数,将最终的阶段降维结果输出,获得所述降维访问时间分布。
在本申请实施例中,其中继续对所述历史访问时间分布进行随机降维处理和优化的方法如下,首先,将所述第一降维访问时间分布作为阶段降维结果;然后再次在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,并根据所述预设降维数量的历史访问时间和所述中心访问时间构建第二降维访问时间分布。
依次计算所述第二降维访问时间分布内每个第二降维访问时间和中心访问时间的时间跨度,得到多个第二时间跨度,并根据多个第二时间跨度分配计算获得第二降维时间概率分布。对所述第二降维时间概率分布和所述历史时间概率分布进行相似度计算,得到第二降维相似度。
根据所述第一降维相似度和第二降维相似度进行概率判别,其中概率判别的概率大小与所述第一降维相似度、第二降维相似度的大小成正比,即降维相似度越大,则概率判别中对应的概率越大,得到第一降维概率和第二降维概率。然后根据第一降维概率和第二降维概率对所述阶段降维结果进行更新,即当所述第一降维概率大于所述第二降维概率,则将所述第一降维概率对应的第一降维访问时间分布设定为阶段降维结果;当所述第一降维概率小于等于所述第二降维概率,则将所述第二降维概率对应的第二降维访问时间分布设定为阶段降维结果。
利用上述方法继续对所述历史访问时间分布进行随机降维处理和优化,直到达到收敛降维次数,输出当前阶段降维结果作为降维访问时间分布,得到所述降维访问时间分布。
通过利用上述方法对历史访问时间分布进行优化降维处理,可以提高降维访问时间分布获得的准确性,从而可以间接提高第一***度计算的准确性。
根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;
在本申请实施例中,首先,获取所述目标数据被多个用户访问的访问记录,其中所述访问记录包括多个历史访问时间节点;根据多个用户访问的访问记录计算并降维处理获得标准降维访问时间分布;然后根据所述标准降维访问时间分布和所述降维访问时间分布进行所述实时访问请求的第一***度计算,获得第一***度。
在一个实施例中,所述方法还包括:
获取多个用户的多个用户历史访问时间分布;
按照所述多个用户的用户数量,对所述多个用户历史访问时间分布内的历史访问时间进行聚类,其中,将邻近的所述用户数量的历史访问时间聚类计算为一个历史访问时间,获得标准历史访问时间分布;
对所述标准历史访问时间分布进行优化降维处理,获得所述标准降维访问时间分布;
根据所述标准降维访问时间分布和所述降维访问时间分布,计算获得所述实时访问请求的第一***度。
在本申请实施例中,其中获得所述实时访问请求的第一***度的方法如下,首先,获取所述目标数据被多个用户访问的访问记录,并根据访问记录依次构建多个用户的多个用户历史访问时间分布。
然后按照所述多个用户的用户数量,对所述多个用户历史访问时间分布内的历史访问时间进行聚类,首先,获取用户数量和预设聚类单位间隔,其中所述用户数量表征多个用户中多数用户的数量,大于用户总量的一半且小于用户总量,可根据实际情况进行设置,例如:假设多个用户为100个用户,则可设置用户数量为60;所述预设聚类单位间隔为访问时间间隔,为一个较小的时间段,也可根据实际情况进行设置,例如:设置预设聚类单位间隔为30分钟。
根据所述用户数量和所述预设聚类单位间隔对所述多个用户历史访问时间分布内的历史访问时间进行聚类,即将处于所述预设聚类单位间隔内且用户量大于等于所述用户数量的历史访问时间聚类计算为一个历史访问时间,并将所述历史访问时间标识为标准历史访问时间,其中标准历史访问时间为对应预设聚类单位间隔覆盖的多个历史访问时间节点的中心节点,得到多个标准历史访问时间,并根据多个标准历史访问时间构建标准历史访问时间分布。
对所述标准历史访问时间分布进行优化降维处理,其中优化降维处理方法和上述获得所述降维访问时间分布的降维方法相同,在此不进行展开说明,得到标准降维访问时间分布。最后根据所述标准降维访问时间分布和所述降维访问时间分布,计算所述实时访问请求的第一***度,获得第一***度。
在一个实施例中,所述方法还包括:
根据所述标准降维访问时间分布和所述降维访问时间分布,构建标准降维访问时间序列和降维访问时间序列;
计算所述标准降维访问时间序列和降维访问时间序列的相关性,获得第一安全相关性;
根据所述第一安全相关性,计算获得所述第一***度。
在本申请实施例中,其中根据所述标准降维访问时间分布和所述降维访问时间分布,计算获得所述实时访问请求的第一***度的方法如下,首先,根据所述标准降维访问时间分布构建标准降维访问时间序列,其中标准降维访问时间序列为将所述标准降维访问时间分布中的多个标准降维访问时间节点按照时间先后顺序排列生成;根据所述降维访问时间分布构建降维访问时间序列。
对所述标准降维访问时间序列和降维访问时间序列进行相似度计算,其中相似度计算方法包括欧式距离、余弦相似度、Jaccard相似系数等方法,可根据实际情况进行选择,得到相似度计算结果,并根据相似性计算结果设置第一安全相关性,其中相似度计算结果越大,则第一安全相关性越大,其中第一安全相关性越大,表征目标用户与大多数用户的访问时间分布的匹配度越高,则安全性越高;然后根据所述第一安全相关性计算第一***度,其中第一***度和所述第一安全相关性之和为1,即第一***度为1与第一安全相关性的差值,得到第一***度,其中第一***度越大,表征访问异常度越高。
通过计算获得第一***度,可以实现从访问时间维度对目标用户的实时访问请求进行异常度分析,同时为下一步进行综合监管度计算提供了支持。
根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;
在本申请实施例中,首先,在所述目标用户对所述目标数据的历史访问记录中,提取所述目标用户访问所述目标数据的历史检索特征,其中所述历史检索特征是指用户访问目标数据时使用的检索关键词,可根据目标数据类型进行设置,例如:假设目标数据为专利文件,则检索关键词包括专利号、专利名称、分类号、申请公司名称等信息,得到多个历史检索特征,并根据多个历史检索特征构建历史检索特征分布,然后对所述历史检索特征分布进行优化降维处理,得到降维检索特征分布。
在一个实施例中,所述方法还包括:
根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布;
获取样本检索特征组集合,并获取样本相关概率集合,其中,每个样本检索特征组内包括两个样本检索特征;
采用所述样本检索特征组集合和样本相关概率集合,构建检索特征相关概率分析器;
获取所述历史检索特征分布内的中心检索特征,采用所述检索特征相关概率分析器,分析获得其他历史检索特征和所述中心检索特征的相关概率,并构建获得历史检索特征概率分布;
根据所述历史检索特征概率分布,对所述历史检索特征分布进行优化降维处理,获得所述降维检索特征分布。
在本申请实施例中,其中获得降维检索特征分布的方法如下,首先,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征,并构建历史检索特征分布。
获取样本检索特征组集合,其中每个样本检索特征组内包括两个样本检索特征,并获取样本相关概率集合,其中样本检索特征组和样本相关概率具有对应关系。
基于BP神经网络构建检索特征相关概率分析器,所述检索特征相关概率分析器为机器学习中可以进行迭代优化的神经网络模型,通过训练数据集进行监督训练获得,所述检索特征相关概率分析器包括输入层、概率分析层和输出层,其中输入层的输入数据为检索特征组,输出层的输出数据为相关概率。采用所述样本检索特征组集合和样本相关概率集合作为所述检索特征相关概率分析器的样本训练数据集,对所述检索特征相关概率分析器进行监督训练,获得符合预期训练约束的检索特征相关概率分析器。
其中检索特征相关概率分析器的训练方法如下,将所述训练数据集划分为样本训练集和样本验证集,其中常用的数据划分比例为样本训练集占比85%,样本验证集占比15%,本领域技术人员也可根据实际情况自行划分;首先,在所述样本训练集中随机选取第一样本训练数据,然后通过所述第一样本训练数据对所述检索特征相关概率分析器进行监督训练,得到第一输出结果;将所述第一输出结果与所述第一样本训练数据中的第一样本相关概率进行比对;当两者一致时,则随机选取第二样本训练数据对所述检索特征相关概率分析器进行监督训练;当两者不一致时,则对所述检索特征相关概率分析器的权重参数进行优化,再随机选取第二样本训练数据对所述检索特征相关概率分析器进行监督训练;不断进行迭代训练,直到所述检索特征相关概率分析器的输出结果趋于收敛状态时,然后通过所述样本验证集对所述检索特征相关概率分析器进行验证训练,直到输出结果准确率大于预设准确率指标时,则获得训练完成的检索特征相关概率分析器,其中所述预设准确率指标可根据实际需求进行设置,其中需求精度越高,则预设准确率指标越大,例如:设置预设准确率指标为准确率95%。
首先,获取所述历史检索特征分布内的中心检索特征,其中所述中心检索特征是指所述历史检索特征分布内多个历史检索特征中中心位置的检索特征;然后将多个历史检索特征中除所述中心检索特征之外的其他历史检索特征和所述中心检索特征依次输出训练完成的检索特征相关概率分析器进行相关概率分析,输出多个相关概率,并根据多个相关概率构建历史检索特征概率分布。
通过基于BP神经网络构建检索特征相关概率分析器进行历史检索特征的相关概率分析,可以提高相关概率分析的准确性和效率。
根据所述历史检索特征概率分布,对所述历史检索特征分布进行优化降维处理,其中优化降维处理方法与上述获得降维访问时间分布,在此不进行展开说明,本领域技术人员可参数上述优化降维处理方法,得到降维检索特征分布。
根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;
在本申请实施例中,根据所述目标数据被多个用户访问的访问记录,并根据访问记录生成多个用户的历史检索特征分布,基于多个用户的历史检索特征分布计算得到标准检索特征分布。然后根据所述标准检索特征分布和所述降维检索特征分布,计算获得所述实时访问请求的第二***度。
在一个实施例中,所述方法还包括:
根据所述目标数据被多个用户访问的访问记录,提取获得历史检索特征集合;
提取所述历史检索特征集合内出现概率最高的多个历史检索特征,获得所述标准检索特征分布;
根据所述降维检索特征分布在所述标准检索特征分布内的重合度,计算获得所述第二***度。
在本申请实施例中,其中计算第二***度的方法如下,首先,在所述目标数据被多个用户访问的访问记录进行检索特征提取,
获得多个历史检索特征集合,其中每个用户对应一个历史特征集合。然后提取所述历史检索特征集合中预设单位间隔内出现概率最高的历史检索特征设定为标准检索特征,其中出现概率为出现频次,出现频次越多,则出现概率越高,所述预设单位间隔可根据实际情况进行设置,得到多个标准检索特征,并根据多个标准检索特征构建标准检索特征分布。
计算所述降维检索特征分布在所述标准检索特征分布内的重合度,其中重合度计算方法与相似度计算方法类似,常用的计算方法包括曼哈顿距离、余弦相似度等,可根据实际情况进行选择,其中重合度越大,表征所述降维检索特征分布的安全性越好,得到第二重合度。然后根据所述第二重合度计算获得第二***度,其中第二监管度和第二重合度之和为1,其中第二***度越大,表征所述实时访问请求的访问异常度越高。
通过计算获得第二监管度,可以实现从访问特征维度对目标用户的实时访问请求进行异常度分析,同时为下一步进行综合监管度计算提供了支持。
结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理。
在本申请实施例中,根据所述第一***度和第二***度进行加权计算,并根据加权计算结果得到所述实时访问请求的综合监管度,然后根据所述综合监管度对所述实时访问请求进行访问控制处理。
在一个实施例中,所述方法还包括:
对所述第一***度和第二***度进行加权计算,获得所述综合监管度;
根据所述综合监管度,对所述实时访问请求和目标用户进行决策控制处理。
在本申请实施例中,首先,对所述第一***度和所述第二***度进行权重占比分配,可根据所述第一***度和所述第二***度对实时访问请求的整体***度的影响程度进行设置,其中影响程度越大,则对应的权重占比越大,可通过变异系数法进行权重占比设置,其中变异系数法为本领域技术人员常用的赋权方法,在此不进行展开说明。然后根据权重占比对所述第一***度和第二***度进行加权计算,并将加权计算结果作为综合监管度,获得所述综合监管度。
在本申请实施例中,仅展示了从访问时间维度和检索特征维度两个方面对实时访问请求进行综合风险评估,此外,还可通过从访问路径维度方面进行访问异常分析,计算第三监管度,同时根据第一监管度、第二监管度和第三监管度加权计算获得综合监管度,可以进一步提高综合监管度获得的准确性和合理性。
获取预设监管度阈值,所述预设监管度阈值可根据实际监管力度进行设置,其中监管力度越大,预设监管阈值越小。根据所述预设监管阈值对所述综合监管度进行判断,并根据判断结果对所述实时访问请求和目标用户进行决策控制处理。例如:当所述综合监管度大于所述预设监管度阈值,表征实时访问请求的风险过大,则终止本次访问请求;当所述综合监管度小于等于所述预设监管度阈值,表征实时访问请求的风险在正常范围内,则允许本次访问请求,同时可根据所述综合监管度与所述预设监管度阈值的监管度偏差设置数据访问过程中的风险监测力度,其中偏差越大,则监测力度越大。
通过上述方法可以解决现有的数据访问***方法由于数据分析量较大且数据访问风险评估方法较为单一,导致数据访问风险评估准确性和评估效率较低,造成数据访问***的准确性和可靠性较低的技术问题,通过对数据进行降维处理,并从多个维度进行数据访问风险的综合评估,可以提高数据访问风险评估的准确性和评估效率,从而提高数据访问***的准确性和可靠性,确保访问数据的安全性和完整性。
实施例2
基于与上述实施例一中基于多因素认证的数据访问控制和***方法同样的发明构思,如图3所示,本申请还提供了基于多因素认证的数据访问控制和******,包括:历史访问时间分布采集模块01、降维访问时间分布获得模块02、第一***度计算模块03、降维检索特征分布获得模块04、第二***度计算模块05、访问控制处理模块06,其中:
历史访问时间分布采集模块01,所述历史访问时间分布采集模块01用于响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;
降维访问时间分布获得模块02,所述降维访问时间分布获得模块02用于对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;
第一***度计算模块03,所述第一***度计算模块03用于根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;
降维检索特征分布获得模块04,所述降维检索特征分布获得模块04用于根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;
第二***度计算模块05,所述第二***度计算模块05用于根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;
访问控制处理模块06,所述访问控制处理模块06用于结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理。
在一个实施例中,所述***还包括:
历史时间概率分布获得模块,所述历史时间概率分布获得模块用于根据所述历史访问时间分布中多个历史访问时间和中心访问时间的时间跨度,分配计算获得历史时间概率分布,其中,每个历史访问时间的时间概率的大小与时间跨度的大小成正比;
预设降维数量设定模块,所述预设降维数量设定模块用于获取降维后降维访问时间分布内的访问时间数量,作为预设降维数量;
第一降维访问时间分布构建模块,所述第一降维访问时间分布构建模块用于在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第一降维访问时间分布;
第一降维时间概率分布计算模块,所述第一降维时间概率分布计算模块用于根据所述第一降维访问时间分布内每个第一降维访问时间和中心访问时间的时间跨度,分配计算获得第一降维时间概率分布;
第一降维相似度计算模块,所述第一降维相似度计算模块用于根据所述第一降维时间概率分布和所述历史时间概率分布,计算获得第一降维相似度;
降维访问时间分布获得模块,所述降维访问时间分布获得模块用于继续对所述历史访问时间分布进行随机降维处理和优化,直到达到降维收敛要求,获得所述降维访问时间分布。
在一个实施例中,所述***还包括:
阶段降维结果设定模块,所述阶段降维结果设定模块用于将所述第一降维访问时间分布作为阶段降维结果;
第二降维访问时间分布构建模块,所述第二降维访问时间分布构建模块用于再次在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第二降维访问时间分布;
第二降维相似度计算模块,所述第二降维相似度计算模块用于根据所述第二降维访问时间分布内每个第二降维访问时间和中心访问时间的时间跨度,分配计算获得第二降维时间概率分布,结合所述历史时间概率分布,计算获得第二降维相似度;
阶段降维结果更新模块,所述阶段降维结果更新模块用于根据所述第一降维相似度和第二降维相似度,进行概率判别,对所述阶段降维结果进行更新,其中,概率判别的概率大小与所述第一降维相似度、第二降维相似度的大小成正比;
降维访问时间分布获得模块,所述降维访问时间分布获得模块用于继续对所述历史访问时间分布进行随机降维处理和优化,直到达到收敛降维次数,将最终的阶段降维结果输出,获得所述降维访问时间分布。
在一个实施例中,所述***还包括:
用户历史访问时间分布获取模块,所述用户历史访问时间分布获取模块用于获取多个用户的多个用户历史访问时间分布;
标准历史访问时间分布获得模块,所述标准历史访问时间分布获得模块用于按照所述多个用户的用户数量,对所述多个用户历史访问时间分布内的历史访问时间进行聚类,其中,将邻近的所述用户数量的历史访问时间聚类计算为一个历史访问时间,获得标准历史访问时间分布;
优化降维处理模块,所述优化降维处理模块用于对所述标准历史访问时间分布进行优化降维处理,获得所述标准降维访问时间分布;
第一***度计算模块,所述第一***度计算模块用于根据所述标准降维访问时间分布和所述降维访问时间分布,计算获得所述实时访问请求的第一***度。
在一个实施例中,所述***还包括:
访问时间序列构建模块,所述访问时间序列构建模块用于根据所述标准降维访问时间分布和所述降维访问时间分布,构建标准降维访问时间序列和降维访问时间序列;
第一安全相关性计算模块,所述第一安全相关性计算模块用于计算所述标准降维访问时间序列和降维访问时间序列的相关性,获得第一安全相关性;
第一***度获得模块,所述第一***度获得模块用于根据所述第一安全相关性,计算获得所述第一***度。
在一个实施例中,所述***还包括:
历史检索特征分布采集模块,所述历史检索特征分布采集模块用于根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布;
样本相关概率集合获取模块,所述样本相关概率集合获取模块用于获取样本检索特征组集合,并获取样本相关概率集合,其中,每个样本检索特征组内包括两个样本检索特征;
检索特征相关概率分析器构建模块,所述检索特征相关概率分析器构建模块用于采用所述样本检索特征组集合和样本相关概率集合,构建检索特征相关概率分析器;
历史检索特征概率分布获得模块,所述历史检索特征概率分布获得模块用于获取所述历史检索特征分布内的中心检索特征,采用所述检索特征相关概率分析器,分析获得其他历史检索特征和所述中心检索特征的相关概率,并构建获得历史检索特征概率分布;
降维检索特征分布获得模块,所述降维检索特征分布获得模块用于根据所述历史检索特征概率分布,对所述历史检索特征分布进行优化降维处理,获得所述降维检索特征分布。
在一个实施例中,所述***还包括:
历史检索特征集合提取模块,所述历史检索特征集合提取模块用于根据所述目标数据被多个用户访问的访问记录,提取获得历史检索特征集合;
标准检索特征分布获得模块,所述标准检索特征分布获得模块用于提取所述历史检索特征集合内出现概率最高的多个历史检索特征,获得所述标准检索特征分布;
第二***度计算模块,所述第二***度计算模块用于根据所述降维检索特征分布在所述标准检索特征分布内的重合度,计算获得所述第二***度。
在一个实施例中,所述***还包括:
综合监管度获得模块,所述综合监管度获得模块用于对所述第一***度和第二***度进行加权计算,获得所述综合监管度;
决策控制处理模块,所述决策控制处理模块用于根据所述综合监管度,对所述实时访问请求和目标用户进行决策控制处理。
综上所述,与现有技术相比,本申请的实施例具有以下技术效果:
通过利用优化降维处理方法对数据进行降维处理,可以保持原有数据特征,提高数据降维后的准确性,同时可以节约数据分析时间,提高数据分析效率;通过从数据访问时间、检索特征、访问路径这三个维度对数据访问风险的综合评估,可以提高数据访问风险评估的准确性和合理性,从而可以进一步提高数据访问***的准确性和可靠性,确保访问数据的安全性和完整性。
以上所述实施例仅表达了本申请的几种实施方式,但并不能因此而理解为对本申请发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本申请构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本申请的保护范围。
Claims (7)
1.基于多因素认证的数据访问控制和***方法,其特征在于,所述方法包括:
响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;
对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;
根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;
根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;
根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;
结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理;
其中,对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,包括:
根据所述历史访问时间分布中多个历史访问时间和中心访问时间的时间跨度,分配计算获得历史时间概率分布,其中,每个历史访问时间的时间概率的大小与时间跨度的大小成正比;
获取降维后降维访问时间分布内的访问时间数量,作为预设降维数量;
在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第一降维访问时间分布;
根据所述第一降维访问时间分布内每个第一降维访问时间和中心访问时间的时间跨度,分配计算获得第一降维时间概率分布;
根据所述第一降维时间概率分布和所述历史时间概率分布,计算获得第一降维相似度;
继续对所述历史访问时间分布进行随机降维处理和优化,直到达到降维收敛要求,获得所述降维访问时间分布;
其中,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布,包括:
根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布;
获取样本检索特征组集合,并获取样本相关概率集合,其中,每个样本检索特征组内包括两个样本检索特征;
采用所述样本检索特征组集合和样本相关概率集合,构建检索特征相关概率分析器;
获取所述历史检索特征分布内的中心检索特征,采用所述检索特征相关概率分析器,分析获得其他历史检索特征和所述中心检索特征的相关概率,并构建获得历史检索特征概率分布;
根据所述历史检索特征概率分布,对所述历史检索特征分布进行优化降维处理,获得所述降维检索特征分布。
2.根据权利要求1所述的方法,其特征在于,继续对所述历史访问时间分布进行随机降维处理和优化,包括:
将所述第一降维访问时间分布作为阶段降维结果;
再次在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第二降维访问时间分布;
根据所述第二降维访问时间分布内每个第二降维访问时间和中心访问时间的时间跨度,分配计算获得第二降维时间概率分布,结合所述历史时间概率分布,计算获得第二降维相似度;
根据所述第一降维相似度和第二降维相似度,进行概率判别,对所述阶段降维结果进行更新,其中,概率判别的概率大小与所述第一降维相似度、第二降维相似度的大小成正比;
继续对所述历史访问时间分布进行随机降维处理和优化,直到达到收敛降维次数,将最终的阶段降维结果输出,获得所述降维访问时间分布。
3.根据权利要求1所述的方法,其特征在于,根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度,包括:
获取多个用户的多个用户历史访问时间分布;
按照所述多个用户的用户数量,对所述多个用户历史访问时间分布内的历史访问时间进行聚类,其中,将邻近的所述用户数量的历史访问时间聚类计算为一个历史访问时间,获得标准历史访问时间分布;
对所述标准历史访问时间分布进行优化降维处理,获得所述标准降维访问时间分布;
根据所述标准降维访问时间分布和所述降维访问时间分布,计算获得所述实时访问请求的第一***度。
4.根据权利要求3所述的方法,其特征在于,根据所述标准降维访问时间分布和所述降维访问时间分布,计算获得所述实时访问请求的第一***度,包括:
根据所述标准降维访问时间分布和所述降维访问时间分布,构建标准降维访问时间序列和降维访问时间序列;
计算所述标准降维访问时间序列和降维访问时间序列的相关性,获得第一安全相关性;
根据所述第一安全相关性,计算获得所述第一***度。
5.根据权利要求1所述的方法,其特征在于,根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度,包括:
根据所述目标数据被多个用户访问的访问记录,提取获得历史检索特征集合;
提取所述历史检索特征集合内出现概率最高的多个历史检索特征,获得所述标准检索特征分布;
根据所述降维检索特征分布在所述标准检索特征分布内的重合度,计算获得所述第二***度。
6.根据权利要求1所述的方法,其特征在于,结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,包括:
对所述第一***度和第二***度进行加权计算,获得所述综合监管度;
根据所述综合监管度,对所述实时访问请求和目标用户进行决策控制处理。
7.基于多因素认证的数据访问控制和******,其特征在于,所述***包括:
历史访问时间分布采集模块,所述历史访问时间分布采集模块用于响应于目标数据接收的实时访问请求,确定访问所述目标数据的目标用户,根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户的历史访问时间分布;
降维访问时间分布获得模块,所述降维访问时间分布获得模块用于对所述历史访问时间分布进行优化降维处理,获得降维访问时间分布,其中,通过根据所述历史访问时间分布内的访问时间跨度,计算所述历史访问时间分布的时间概率分布,对所述历史访问时间分布进行降维;
第一***度计算模块,所述第一***度计算模块用于根据所述目标数据被多个用户访问的访问记录,计算并降维处理获得标准降维访问时间分布,结合所述降维访问时间分布,计算获得所述实时访问请求的第一***度;
降维检索特征分布获得模块,所述降维检索特征分布获得模块用于根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布,优化降维处理获得降维检索特征分布;
第二***度计算模块,所述第二***度计算模块用于根据所述目标数据被多个用户访问的访问记录,获取标准检索特征分布,结合所述降维检索特征分布,计算获得所述实时访问请求的第二***度;
访问控制处理模块,所述访问控制处理模块用于结合所述第一***度和第二***度,计算获得所述实时访问请求的综合监管度,对所述实时访问请求进行访问控制处理;
历史时间概率分布获得模块,所述历史时间概率分布获得模块用于根据所述历史访问时间分布中多个历史访问时间和中心访问时间的时间跨度,分配计算获得历史时间概率分布,其中,每个历史访问时间的时间概率的大小与时间跨度的大小成正比;
预设降维数量设定模块,所述预设降维数量设定模块用于获取降维后降维访问时间分布内的访问时间数量,作为预设降维数量;
第一降维访问时间分布构建模块,所述第一降维访问时间分布构建模块用于在所述历史访问时间分布内随机选择所述预设降维数量的历史访问时间和所述中心访问时间,构建第一降维访问时间分布;
第一降维时间概率分布计算模块,所述第一降维时间概率分布计算模块用于根据所述第一降维访问时间分布内每个第一降维访问时间和中心访问时间的时间跨度,分配计算获得第一降维时间概率分布;
第一降维相似度计算模块,所述第一降维相似度计算模块用于根据所述第一降维时间概率分布和所述历史时间概率分布,计算获得第一降维相似度;
降维访问时间分布获得模块,所述降维访问时间分布获得模块用于继续对所述历史访问时间分布进行随机降维处理和优化,直到达到降维收敛要求,获得所述降维访问时间分布;
历史检索特征分布采集模块,所述历史检索特征分布采集模块用于根据所述目标用户对所述目标数据的历史访问记录,采集所述目标用户访问所述目标数据的历史检索特征分布;
样本相关概率集合获取模块,所述样本相关概率集合获取模块用于获取样本检索特征组集合,并获取样本相关概率集合,其中,每个样本检索特征组内包括两个样本检索特征;
检索特征相关概率分析器构建模块,所述检索特征相关概率分析器构建模块用于采用所述样本检索特征组集合和样本相关概率集合,构建检索特征相关概率分析器;
历史检索特征概率分布获得模块,所述历史检索特征概率分布获得模块用于获取所述历史检索特征分布内的中心检索特征,采用所述检索特征相关概率分析器,分析获得其他历史检索特征和所述中心检索特征的相关概率,并构建获得历史检索特征概率分布;
降维检索特征分布获得模块,所述降维检索特征分布获得模块用于根据所述历史检索特征概率分布,对所述历史检索特征分布进行优化降维处理,获得所述降维检索特征分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182266.6A CN117745080B (zh) | 2024-02-19 | 2024-02-19 | 基于多因素认证的数据访问控制和***方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182266.6A CN117745080B (zh) | 2024-02-19 | 2024-02-19 | 基于多因素认证的数据访问控制和***方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745080A CN117745080A (zh) | 2024-03-22 |
CN117745080B true CN117745080B (zh) | 2024-04-26 |
Family
ID=90254884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410182266.6A Active CN117745080B (zh) | 2024-02-19 | 2024-02-19 | 基于多因素认证的数据访问控制和***方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745080B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101452A (zh) * | 2020-09-14 | 2020-12-18 | 中国人民解放军战略支援部队信息工程大学 | 一种访问权限的控制方法及装置 |
CN112259210A (zh) * | 2020-11-18 | 2021-01-22 | 云南财经大学 | 医疗大数据访问控制方法、装置及计算机可读存储介质 |
CN112966245A (zh) * | 2021-04-07 | 2021-06-15 | 中国南方电网有限责任公司 | 一种基于信息度量的电网信息***访问控制方法和*** |
CN115391670A (zh) * | 2022-11-01 | 2022-11-25 | 南京嘉安网络技术有限公司 | 一种基于知识图谱的互联网行为分析方法与*** |
CN116647389A (zh) * | 2023-06-01 | 2023-08-25 | 山西伊拉娜科技有限公司 | 一种工业控制***网络访问安全性预警***及方法 |
CN116956250A (zh) * | 2023-07-13 | 2023-10-27 | 中国银行股份有限公司 | 一种用户行为的异常检测方法、装置、设备及介质 |
CN117236699A (zh) * | 2023-10-24 | 2023-12-15 | 学森灵境(北京)科技有限公司 | 一种基于大数据分析的网络风险识别方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021067446A1 (en) * | 2019-09-30 | 2021-04-08 | Equifax Inc. | Third-party access-control support using role history analysis |
-
2024
- 2024-02-19 CN CN202410182266.6A patent/CN117745080B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101452A (zh) * | 2020-09-14 | 2020-12-18 | 中国人民解放军战略支援部队信息工程大学 | 一种访问权限的控制方法及装置 |
CN112259210A (zh) * | 2020-11-18 | 2021-01-22 | 云南财经大学 | 医疗大数据访问控制方法、装置及计算机可读存储介质 |
CN112966245A (zh) * | 2021-04-07 | 2021-06-15 | 中国南方电网有限责任公司 | 一种基于信息度量的电网信息***访问控制方法和*** |
CN115391670A (zh) * | 2022-11-01 | 2022-11-25 | 南京嘉安网络技术有限公司 | 一种基于知识图谱的互联网行为分析方法与*** |
CN116647389A (zh) * | 2023-06-01 | 2023-08-25 | 山西伊拉娜科技有限公司 | 一种工业控制***网络访问安全性预警***及方法 |
CN116956250A (zh) * | 2023-07-13 | 2023-10-27 | 中国银行股份有限公司 | 一种用户行为的异常检测方法、装置、设备及介质 |
CN117236699A (zh) * | 2023-10-24 | 2023-12-15 | 学森灵境(北京)科技有限公司 | 一种基于大数据分析的网络风险识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117745080A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、***、存储介质及计算机设备 | |
CN111614491B (zh) | 一种面向电力监控***安全态势评估指标选取方法及*** | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN106067088A (zh) | 电子银行访问行为的检测方法和装置 | |
CN111723367B (zh) | 一种电力监控***业务场景处置风险评价方法及*** | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
CN113239087A (zh) | 一种反窃电稽查监控方法及*** | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及*** | |
WO2018036402A1 (zh) | 模型中关键变量的探测方法及装置 | |
CN112733897B (zh) | 确定多维样本数据的异常原因的方法和设备 | |
CN113516336A (zh) | 一种确定窃电嫌疑用户的方法及*** | |
CN117745080B (zh) | 基于多因素认证的数据访问控制和***方法和*** | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及*** | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和*** | |
CN110782163A (zh) | 企业数据处理方法和装置 | |
CN115883182A (zh) | 一种提高网络安全态势要素识别效率的方法及*** | |
CN112308294B (zh) | 违约概率预测方法及装置 | |
CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
CN113792114A (zh) | 一种城市领域知识图谱可信评估方法及*** | |
CN117195292B (zh) | 一种基于数据融合和边缘计算的电力业务评估方法 | |
CN116451190B (zh) | 基于互联网医疗业务***的数据权限设置方法 | |
CN116720662B (zh) | 基于集对分析的分布式能源***适用性评估方法 | |
CN115270140B (zh) | 一种软件安全漏洞管理方法及*** | |
CN113656267B (zh) | 设备能效的计算方法、装置、电子设备及存储介质 |
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 |