基于大数据可视化挖掘处理的内容推送方法及AI管控系统技术方案

本申请实施例提供一种基于大数据可视化挖掘处理的内容推送方法及AI管控系统，从具有第一业务运行漏洞携带属性的示例异常大数据中深度挖掘学习到用于体现联合漏洞变量的第二业务运行漏洞，从而可以同时依据第二业务运行漏洞以及第一业务运行漏洞进行漏洞挖掘训练，相当于同时学习第一业务运行漏洞的漏洞特征变量以及联合漏洞变量的漏洞特征变量，由于第三漏洞挖掘模型是依据第一漏洞挖掘模型以及第二漏洞挖掘模型组合配置的，从而配置获得的第三漏洞挖掘模型可同步学习到第一业务运行漏洞以及联合漏洞变量的第二业务运行漏洞的联动漏洞特征变量，提高漏洞挖掘精度的同时可以提高针对性异常节点溯源的可靠性。可以提高针对性异常节点溯源的可靠性。可以提高针对性异常节点溯源的可靠性。

【技术实现步骤摘要】
基于大数据可视化挖掘处理的内容推送方法及AI管控系统


[0001]本申请涉及大数据
，具体而言，涉及一种基于大数据可视化挖掘处理的内容推送方法及AI管控系统。

技术介绍

[0002]当前随着人工智能技术的快速发展，人工智能技术已经在一些领域上展示了自身的应用潜力，例如人工智能技术在漏洞挖掘上的应用，可以极大改善当前依靠规则匹配和人工查找漏洞的方式带来的挖掘效率低下的问题。
[0003]对于业务运行过程中产生的异常日志数据通常能够从一定程度上反映漏洞表达的特征，因此通过对异常日志数据进行漏洞挖掘的学习，对于漏洞挖掘和后期的异常节点溯源具有非常明显的价值。目前的人工智能学习算法中，通常单纯学习独立维度的漏洞特征变量，导致业务运行漏洞挖掘精度有限，对后期的异常节点溯源也有一定的影响。

技术实现思路

[0004]为了至少克服现有技术中的以上不足，本申请的目的在于提供一种基于大数据可视化挖掘处理的内容推送方法及AI管控系统。
[0005]第一方面，本申请提供一种基于大数据可视化挖掘处理的内容推送方法，应用于AI管控系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据可视化挖掘处理的内容推送方法，其特征在于，应用于AI管控系统，所述AI管控系统与所述多个业务运行服务系统通信连接，所述方法包括：针对第一业务运行漏洞的多个示例异常大数据，获取各个示例异常大数据的至少两个第二业务运行漏洞；其中，各个示例异常大数据的至少两个第二业务运行漏洞是所述示例异常大数据的第一业务运行漏洞的联合业务运行漏洞；依据所述多个示例异常大数据的第一业务运行漏洞、以及所述多个示例异常大数据的第二业务运行漏洞，联合配置第一漏洞挖掘模型、第二漏洞挖掘模型以及第三漏洞挖掘模型；其中，所述第一漏洞挖掘模型对不同的第一业务运行漏洞进行挖掘，所述第二漏洞挖掘模型用于对不同的第二业务运行漏洞进行挖掘，所述第三漏洞挖掘模型是依据所述第一漏洞挖掘模型以及所述第二漏洞挖掘模型组合配置的；依据完成配置的所述第三漏洞挖掘模型对目标异常日志数据进行漏洞挖掘，得到所述目标异常日志数据在不同的所述第一业务运行漏洞中对应的第一业务运行漏洞；依据所述目标异常日志数据在不同的所述第一业务运行漏洞中对应的第一业务运行漏洞，对所述目标异常日志数据进行对应的异常节点溯源，获得异常节点溯源内容后进行可视化推送。2.根据权利要求1所述的基于大数据可视化挖掘处理的内容推送方法，其特征在于，所述针对第一业务运行漏洞的多个示例异常大数据，获取各个示例异常大数据的至少两个第二业务运行漏洞，包括：通过所述第一漏洞挖掘模型，获取各个示例异常大数据的第一漏洞挖掘变量；对应于各个第一业务运行漏洞，从所述多个示例异常大数据中获取具有所述第一业务运行漏洞的示例异常大数据，确定为目标示例异常大数据，并依据多个所述目标示例异常大数据的第一漏洞挖掘变量，对多个所述目标示例异常大数据进行聚团，得到与多个所述第二业务运行漏洞一一对应的多个聚团；依据所述多个聚团，确定各个示例异常大数据的第二业务运行漏洞。3.根据权利要求2所述的基于大数据可视化挖掘处理的内容推送方法，其特征在于，所述获取各个示例异常大数据的第一漏洞挖掘变量，包括：对应于各个示例异常大数据，提取所述示例异常大数据的第一异常强制崩溃变量，并对所述示例异常大数据的第一异常强制崩溃变量进行线性映射，得到所述示例异常大数据的第一映射异常强制崩溃变量；对所述第一映射异常强制崩溃变量进行多次隐域关注遍历循环处理，得到所述示例异常大数据的隐域关注遍历变量；对所述示例异常大数据的隐域关注遍历变量进行全局线性映射，得到所述示例异常大数据的全局线性映射变量；对所述示例异常大数据的全局线性映射变量进行第一变量筛定，得到所述示例异常大数据的第一漏洞挖掘变量。4.根据权利要求2所述的基于大数据可视化挖掘处理的内容推送方法，其特征在于，所述依据多个所述目标示例异常大数据的第一漏洞挖掘变量，对多个所述目标示例异常大数据进行聚团，得到与多个所述第二业务运行漏洞一一对应的多个聚团，包括：将多个所述目标示例异常大数据聚合构建目标示例异常大数据簇；
从所述目标示例异常大数据簇中选取第一量级数目标示例异常大数据，将对应所述第一量级数目标示例异常大数据的第一漏洞挖掘变量作为多个聚团的第一聚团参照元素，并将所述第一量级数目标示例异常大数据从所述目标示例异常大数据簇剔除，其中，第一量级数为对应所述第一业务运行漏洞的第二业务运行漏洞的量级数；启用激活聚团的遍历阶段次数为第二量级数，并构建对应各个聚团的空集簇；在所述聚团的每一次遍历阶段中，对各个聚团的簇进行调整，并依据调整信息执行聚团参照元素生成操作，得到各个聚团的第二聚团参照元素，当所述第二聚团参照元素不同于所述第一聚团参照元素时，将所述第一聚团参照元素对应的目标示例异常大数据再次添加至所述目标示例异常大数据簇，并依据所述第二聚团参照元素调整所述第一聚团参照元素；将遍历阶段第二量级数次后得到的各个聚团的簇确定为聚团信息，或者，将遍历阶段第二量级数次后得到的各个聚团的簇确定为聚团信息；其中，遍历阶段第二量级数次后得到的多个聚团与遍历阶段第二量级数
‑
1次后得到的多个聚团的聚团参照元素相同，第二量级数为整数变量且取值满足2≤第二量级数≤第二量级数；所述对各个聚团的簇进行调整，并依据调整信息执行聚团参照元素生成操作，得到各个聚团的第二聚团参照元素，包括：对应于各个目标示例异常大数据，确定所述目标示例异常大数据的第一漏洞挖掘变量与各个聚团的第一聚团参照元素之间的相关度量值；将最大相关度量值对应的第一聚团参照元素确定为与所述目标示例异常大数据属于同个聚团，并将所述目标示例异常大数据迁移到最大相关度量值第一聚团参照元素对应的聚团的簇，所述最大相关度量值第一聚团参照元素为最大的所述相关度量值对应的第一聚团参照元素；将各个聚团的簇中每个目标示例异常大数据的第一漏洞挖掘变量进行变量序列中，得到各个聚团的第二聚团参照元素；所述依据所述多个聚团，确定各个示例异常大数据的第二业务运行漏洞，包括：对应于各个聚团，将各个聚团中的每个目标示例异常大数据的第一漏洞挖掘变量进行变量序列中，得到各个聚团的聚团参照元素；针对所述多个示例异常大数据中的各个示例异常大数据，确定所述示例异常大数据的第一漏洞挖掘变量与各个聚团的聚团参照元素之间的损失度量值，将小于目标损失度量值的损失度量值对应的聚团参照元素的聚团，确定为与所述示例异常大数据关联的聚团，并将所述聚团对应的第二业务运行漏洞确定为所述示例异常大数据的第二业务运行漏洞。5.根据权利要求4所述的基于大数据可视化挖掘处理的内容推送方法，其特征在于，在将小于目标损失度量值的损失度量值对应的聚团参照元素的聚团，确定为与所述示例异常大数据关联的聚团之前，所述方法还包括：对应于各个第一业务运行漏洞，从事先配置的中转服务中获得所述第一业务运行漏洞的运行漏洞可靠度；获取与所述运行漏洞可靠度存在正向维度关联的第一业务运行漏洞评价值；确定属于所述第一业务运行漏洞的所述目标示例异常大数据在所述多个示例异常大数据中的频繁度量值，并将所述频繁度量值确定为所述第一业务运行漏洞评价值的整合系
数；依据各个第一业务运行漏洞评价值的整合系数，对多个所述第一业务运行漏洞评价值进行整合，得到所述目标损失度量值；其中，所述获取与所述运行漏洞可靠度存在正向维度关联的第一业务运行漏洞评价值，包括...

【专利技术属性】
技术研发人员：张名宙，贾娜娜，林子新，
申请(专利权)人：广州梦源信息科技有限公司，
类型：发明
国别省市：