风险预测模型的训练方法、装置、计算设备和介质制造方法及图纸

本公开提供了一种风险预测模型的训练方法，包括：获取多个资产数据，其中，每个资产数据包括运行数据和属性数据中的至少一个；利用聚类模型对多个资产数据进行聚类，得到聚类结果；基于聚类结果，确定每个资产数据的标签，其中，标签表征资产数据对应的风险等级；利用每个资产数据和对应的标签，对待训练风险预测模型进行训练，以得到经训练风险预测模型。本公开还提供了一种风险预测方法、装置、计算设备、计算机可读存储介质以及计算机程序产品。计算机可读存储介质以及计算机程序产品。计算机可读存储介质以及计算机程序产品。

【技术实现步骤摘要】
风险预测模型的训练方法、装置、计算设备和介质


[0001]本公开涉及计算机
，更具体地，涉及一种风险预测模型的训练方法、风险预测方法、风险预测模型的训练装置、风险预测装置、计算设备、计算机可读存储介质以及程序产品。

技术介绍

[0002]网络资产在运行过程中经常会存在资产风险，相关技术通常在发生资产风险之后才采取补救措施，导致难以及时挽回损失。另外，相关技术对资产风险分析不够准确，难以分析得到潜在的资产风险，导致无法提前采取有效措施来降低损失。

技术实现思路

[0003]有鉴于此，本公开提供了一种优化的风险预测模型的训练方法、风险预测方法、风险预测模型的训练装置、风险预测装置、计算设备、计算机可读存储介质以及程序产品。
[0004]本公开的一个方面提供了一种风险预测模型的训练方法，包括：获取多个资产数据，其中，每个资产数据包括运行数据和属性数据中的至少一个；利用聚类模型对多个资产数据进行聚类，得到聚类结果；基于所述聚类结果，确定每个所述资产数据的标签，其中，所述标签表征所述资产数据对应的风险等级；以及，利用每个所述资产数据和标签，对待训练风险预测模型进行训练，以得到经训练风险预测模型。
[0005]根据本公开的实施例，上述聚类结果包括每个资产数据所属的簇；所述基于所述聚类结果，确定每个所述资产数据的标签包括：确定每个簇所对应的风险等级，并为所述簇设置相应的标签，所述标签为第一标签或第二标签中的一种；将每个簇所对应的标签，确定为归属于该簇的每个资产数据的标签；其中，所述第一标签表征所述资产数据对应的风险等级为第一风险等级，所述第二标签表征所述资产数据对应的风险等级为第二风险等级，所述第一风险等级高于所述第二风险等级。
[0006]根据本公开的实施例，上述聚类模型包括第一聚类模型，所述第一聚类模型包括多个簇；所述利用聚类模型对多个资产数据进行聚类，得到聚类结果包括：针对每个资产数据，计算所述资产数据属于每个簇的概率，得到与所述多个簇一一对应的多个概率；从所述多个概率中确定出最大的概率作为目标概率，将所述资产数据划分到与所述目标概率对应的簇中，以得到所述聚类结果。
[0007]根据本公开的实施例，上述聚类模型包括第二聚类模型；所述利用聚类模型对多个资产数据进行聚类，得到聚类结果包括：确定每个所述资产数据所属的当前簇，以得到针对所述多个资产数据的多个当前簇；计算所述多个当前簇相互之间的距离；基于所述距离，对所述多个当前簇进行合并，直到合并后的簇的数量为预设数量，以得到所述聚类结果。
[0008]根据本公开的实施例，所述第一聚类模型包括高斯混合模型，所述第二聚类模型包括凝聚层次聚类模型。
[0009]根据本公开的实施例，上述待训练风险预测模型包括神经网络模型和决策树模
型；所述利用每个所述资产数据和对应的标签，对待训练风险预测模型进行训练包括：利用所述神经网络模型对每个所述资产数据进行处理，得到每个所述资产数据的特征数据；利用决策树模型对所述特征数据进行预测，得到预测结果；基于所述预测结果和所述标签，调整所述待训练风险预测模型的参数，以得到经训练风险预测模型。
[0010]根据本公开的实施例，上述决策树模型包括多个节点，所述多个节点包括第一节点和第二节点，每个第一节点对应一个神经网络模型，所述第一节点具有下一级节点，所述第二节点不具有下一级节点；其中，所述利用所述神经网络模型对每个所述资产数据进行处理得到每个所述资产数据的特征数据包括：针对当前的第一节点，利用与当前的第一节点对应的神经网络模型对属于当前的第一节点的资产数据进行处理，得到资产数据的特征数据；其中，所述利用决策树模型对所述特征数据进行预测得到预测结果包括：针对当前的第一节点，基于所述特征数据将所述资产数据划分至当前的第一节点的下一级节点，并以该下一级节点作为当前的第一节点继续进行资产数据的划分，直到将所述资产数据划分至所述第二节点；以及将所述第二节点所对应的风险等级确定为所述预测结果。
[0011]本公开的另一个方面提供了一种风险预测方法，包括：获取待预测资产数据，其中，所述待预测资产数据包括运行数据和属性数据中的至少一个；利用风险预测模型处理所述待预测资产数据，得到针对所述待预测资产数据的预测结果，其中，所述针对所述待预测资产数据的预测结果表征所述资产数据对应的风险等级；其中，所述风险预测方法还包括利用上述训练方法来训练待训练风险预测模型，以获得所述风险预测模型。
[0012]根据本公开的实施例，上述风险预测模型包括神经网络模型和决策树模型，所述决策树模型包括第一节点和第二节点，每个第一节点对应一个神经网络模型，所述第一节点具有下一级节点，所述第二节点不具有下一级节点；其中，所述利用风险预测模型处理所述待预测资产数据，得到针对所述待预测资产数据的预测结果包括：针对当前的第一节点，利用所述神经网络模型对属于当前的第一节点的资产数据进行处理，得到资产数据的特征数据；基于所述特征数据，将所述资产数据划分至当前的第一节点的下一级节点，并以该下一级节点作为当前的第一节点继续进行资产数据的划分，直到将所述资产数据划分至所述第二节点；以及，将所述第二节点所对应的风险等级确定为所述预测结果。
[0013]本公开的另一个方面提供了一种风险预测模型的训练装置，包括：第一获取模块、聚类模块、确定模块以及第一训练模块。其中，第一获取模块用于获取多个资产数据，其中，每个资产数据包括运行数据和属性数据中的至少一个；聚类模块用于利用聚类模型对多个资产数据进行聚类，得到聚类结果；确定模块用于基于所述聚类结果，确定每个所述资产数据的标签，其中，所述标签表征所述资产数据对应的风险等级；第一训练模块用于利用每个所述资产数据和标签，对待训练风险预测模型进行训练，以得到经训练风险预测模型。
[0014]本公开的另一个方面提供了一种风险预测装置，包括：第二获取模块、处理模块以及第二训练模块。其中，第二获取模块用于获取待预测资产数据，其中，所述待预测资产数据包括运行数据和属性数据中的至少一个；处理模块用于利用风险预测模型处理所述待预测资产数据，得到针对所述待预测资产数据的预测结果，其中，所述针对所述待预测资产数据的预测结果表征所述资产数据对应的风险等级；其中，所述第二训练模块用于利用上述训练方法来训练待训练风险预测模型，以获得所述风险预测模型。
[0015]本公开的另一方面提供了一种计算设备，包括：一个或多个处理器；存储装置，用
于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的训练方法。
[0016]本公开的另一方面提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的风险预测方法。
[0017]本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的训练方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险预测模型的训练方法，包括：获取多个资产数据，其中，每个资产数据包括运行数据和属性数据中的至少一个；利用聚类模型对多个资产数据进行聚类，得到聚类结果；基于所述聚类结果，确定每个所述资产数据的标签，其中，所述标签表征所述资产数据对应的风险等级；以及利用每个所述资产数据和对应的标签，对待训练风险预测模型进行训练，以得到经训练风险预测模型。2.根据权利要求1所述的方法，其中，所述聚类结果包括每个资产数据所属的簇；所述基于所述聚类结果，确定每个所述资产数据的标签包括：确定每个簇所对应的风险等级，并为所述簇设置相应的标签，所述标签为第一标签或第二标签中的一种；将每个簇所对应的标签，确定为归属于该簇的每个资产数据的标签；其中，所述第一标签表征所述资产数据对应的风险等级为第一风险等级，所述第二标签表征所述资产数据对应的风险等级为第二风险等级，所述第一风险等级高于所述第二风险等级。3.根据权利要求1所述的方法，其中，所述聚类模型包括第一聚类模型，所述第一聚类模型包括多个簇；所述利用聚类模型对多个资产数据进行聚类，得到聚类结果包括：针对每个资产数据，计算所述资产数据属于每个簇的概率，得到与所述多个簇一一对应的多个概率；从所述多个概率中确定出最大的概率作为目标概率；以及将所述资产数据划分到与所述目标概率对应的簇中，以得到所述聚类结果。4.根据权利要求1所述的方法，其中，所述聚类模型包括第二聚类模型；所述利用聚类模型对多个资产数据进行聚类，得到聚类结果包括：确定每个所述资产数据所属的当前簇，以得到针对所述多个资产数据的多个当前簇；计算所述多个当前簇相互之间的距离；基于所述距离，对所述多个当前簇进行合并，直到合并后的簇的数量为预设数量，以得到所述聚类结果。5.根据权利要求1
‑
4中任意一项所述的方法，其中，所述第一聚类模型包括高斯混合模型，所述第二聚类模型包括凝聚层次聚类模型。6.根据权利要求1
‑
4中任意一项所述的方法，其中，所述待训练风险预测模型包括神经网络模型和决策树模型；所述利用每个所述资产数据和对应的标签，对待训练风险预测模型进行训练包括：利用所述神经网络模型对每个所述资产数据进行处理，得到每个所述资产数据的特征数据；利用决策树模型对所述特征数据进行预测，得到预测结果；以及基于所述预测结果和所述标签，调整所述待训练风险预测模型的参数，以得到经训练风险预测模型。7.根据权利要求6所述的方法，其中，所述决策树模型包括多个节点，所述多个节点包括第一节点和第二节点，每个第一节点对应一个神经网络模型，所述第一节点具有下一级
节点，所述第二节点不具有下一级节点；其中，所述利用所述神经网络模型对每个所述资产数据进行处理得到每个所述资产数据的特征数据包括：针对当前的第一节点，利用与当前的第一节点对应的神经网络模型对属于当前的第一节点的资产数据进行处理，得到资产数据的特征数据；其中，所述利用决策树模型对所述特征数据进行预测得到预测结果包括：针对当前的第一节点，基于所述特征数据将所述资产数据划分至当前的第一节点的下一级节点，并以该下一级节点作为当前的第一节点继续进行资产数据的划分，直到将所述资产数据划分至所述第二节点；以及将所述第二节点所对应的风险等级确定为所述预测结果。8.一种风险预测方法，包括：获取待预测资产数据，其中，所述待预测资产数据包括运行数据和属性...

【专利技术属性】
技术研发人员：史国军，武浩，齐向东，吴云坤，
申请(专利权)人：奇安信科技集团股份有限公司，
类型：发明
国别省市：