应用大数据和AI技术的云端漏洞处理方法及AI分析系统技术方案

本发明专利技术实施例提供一种应用大数据和AI技术的云端漏洞处理方法及AI分析系统，通过基于云端漏洞AI分析模型对页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布，基于不同关联云端服务应用的云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞，结合每个关联云端服务应用所相关的云端频繁项漏洞对每个关联云端服务应用进行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表，对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。由此在漏洞提取后，通过进一步确定频繁项漏洞，并在进行漏洞修复任务关联后进行对应漏洞修复，进而提高漏洞修复的针对性。而提高漏洞修复的针对性。而提高漏洞修复的针对性。

【技术实现步骤摘要】
应用大数据和AI技术的云端漏洞处理方法及AI分析系统


[0001]本专利技术涉及漏洞修复
，具体而言，涉及一种应用大数据和AI技术的云端漏洞处理方法及AI分析系统。

技术介绍

[0002]随着云计算技术的不断发展，云端业务服务器也容易受到来自多种因素的影响，导致互联网中存在一定的云端漏洞。云端漏洞是指一个云端的应用服务系统存在的弱点或缺陷，漏洞可能来自云端的应用服务系统设计时的缺陷或编码时产生的错误，也可能来自业务在交互处理过程中的设计缺陷或逻辑流程上的不合理之处。这些缺陷、错误或不合理之处可能被有意或无意地利用，从而对一个云端应用服务的运行稳定性造成影响。相关技术中，针对云端服务应用的常规漏洞修复方式，其漏洞修复内容的指向性有待提高。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本专利技术的目的在于提供一种应用大数据和AI技术的云端漏洞处理方法及AI分析系统。
[0004]第一方面，本专利技术提供一种应用大数据和AI技术的云端漏洞分析方法，应用于AI分析系统，所述方法包括：从云端运行异常数据库中提取关联于云端漏洞处理任务的关联云端服务应用的页面运行异常数据，并基于完成参数层信息的调优和选取的云端漏洞AI分析模型对所述页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布；基于不同关联云端服务应用的所述云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞；结合每个关联云端服务应用所相关的云端频繁项漏洞对所述每个关联云端服务应用进行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表，其中，所述每个目标漏洞修复任务对应一个漏洞修复实例，所述漏洞修复实例对应于关联的云端频繁项漏洞的实时修复执行程序；对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。
[0005]第二方面，本专利技术实施例还提供一种AI分析系统，所述AI分析系统包括至少一个处理器；以及 与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以实现以上第一方面的应用大数据和AI技术的云端漏洞分析方法。
[0006]结合以上方面，通过基于完成参数层信息的调优和选取的云端漏洞AI分析模型对页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布，基于不同关联云端服务应用的云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞，结合每个关联云端服务应用所相关的云端频繁项漏洞对每个关联云端服务应用进
行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表，对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。由此在漏洞提取后，通过进一步确定频繁项漏洞，并在进行漏洞修复任务关联后进行对应漏洞修复，进而提高漏洞修复的针对性。
附图说明
[0007]图1为本专利技术实施例提供的应用大数据和AI技术的云端漏洞处理方法的流程示意图；图2为本专利技术实施例提供的用于实现上述的应用大数据和AI技术的云端漏洞处理方法的AI分析系统的结构示意框图。
具体实施方式
[0008]下面介绍本专利技术一种实施例提供的应用大数据和AI技术的云端漏洞处理系统10的架构，该应用大数据和AI技术的云端漏洞处理系统10可以包括AI分析系统100以及与AI分析系统100通信连接的云端业务服务器200。其中，应用大数据和AI技术的云端漏洞处理系统10中的AI分析系统100和云端业务服务器200可以通过配合执行以下方法实施例所描述的应用大数据和AI技术的云端漏洞处理方法，具体AI分析系统100和云端业务服务器200的执行步骤部分可以参照以下方法实施例的详细描述。
[0009]本实施例提供的应用大数据和AI技术的云端漏洞处理方法可以由AI分析系统100执行，下面结合图1对该应用大数据和AI技术的云端漏洞处理方法进行详细介绍。
[0010]Process110，从云端运行异常数据库中提取关联于云端漏洞处理任务的关联云端服务应用的页面运行异常数据，并基于完成参数层信息的调优和选取的云端漏洞AI分析模型对所述页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布。
[0011]例如，页面运行异常数据可以是任意关联云端服务应用在云端服务提供过程中触发的运行异常数据（如运行崩溃数据、运行页面迁移数据、运行错误数据等等）的数据集，这些运行异常数据可以反映关联云端服务应用的漏洞特征点，从而便于输出后续进行漏洞修复的参考数据。
[0012]Process120，基于不同关联云端服务应用的所述云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞。
[0013]例如，云端漏洞特征点分布可以表示云端漏洞特征点构成的应用开发字段分布，为了提高漏洞修复的针对性，本专利技术实施例可以基于频繁模式项算法确定每个云端漏洞特征点的频率（支持度），进而将大于设定频率的云端漏洞特征点所对应的漏洞确定为每个关联云端服务应用所相关的云端频繁项漏洞。
[0014]Process130，结合每个关联云端服务应用所相关的云端频繁项漏洞对所述每个关联云端服务应用进行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表。
[0015]其中，所述每个目标漏洞修复任务对应一个漏洞修复实例，所述漏洞修复实例对应于关联的云端频繁项漏洞的实时修复执行程序。例如，对于不同的云端频繁项漏洞，可以由漏洞修复用户灵活指定实时修复执行程序，这些实时修复执行程序可以是实时变化的，
可以由漏洞修复用户进行设定，例如实时修复执行程序可以配置不同的漏洞修复固件的索引信息和相应的修复引导信息。
[0016]Process140，对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。
[0017]例如，在确定每个目标漏洞修复任务下的关联云端服务应用列表后，则可以对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。
[0018]通过采用以上技术方案，通过基于完成参数层信息的调优和选取的云端漏洞AI分析模型对页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布，基于不同关联云端服务应用的云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞，结合每个关联云端服务应用所相关的云端频繁项漏洞对每个关联云端服务应用进行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表，对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。由此在漏洞提取后，通过进一步确定频繁项漏洞，并在进行漏洞修复任务关联后进行对应漏洞修复，进而提高漏洞修复的针对性。
[0019]其中，上述实施例的Process110可以通过以下示例性的步骤进一步实现。
[0020]Proce本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用大数据和AI技术的云端漏洞分析方法，其特征在于，应用于所述AI分析系统，所述方法包括：从云端运行异常数据库中提取关联于云端漏洞处理任务的关联云端服务应用的页面运行异常数据，并基于完成参数层信息的调优和选取的云端漏洞AI分析模型对所述页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布；基于不同关联云端服务应用的所述云端漏洞特征点分布，生成每个关联云端服务应用所相关的云端频繁项漏洞；结合每个关联云端服务应用所相关的云端频繁项漏洞对所述每个关联云端服务应用进行漏洞修复任务关联，生成每个目标漏洞修复任务下的关联云端服务应用列表，所述每个目标漏洞修复任务对应一个漏洞修复实例，所述漏洞修复实例对应于关联的云端频繁项漏洞的实时修复执行程序；对每个目标漏洞修复任务下的关联云端服务应用列表所相关的应用编译固件数据进行漏洞修复。2.根据权利要求1所述的应用大数据和AI技术的云端漏洞分析方法，其特征在于，所述从云端运行异常数据库中提取关联于云端漏洞处理任务的页面运行异常数据，并基于完成参数层信息的调优和选取的云端漏洞AI分析模型对所述页面运行异常数据进行云端漏洞特征点提取，生成相应的云端漏洞特征点分布，具体包括：获取用于对第一漏洞AI基础分析模型进行参数层信息的调优和选取的范例运行异常活动数据，将所述范例运行异常活动数据中的范例运行异常活动组合作为靶向范例异常活动组合；基于所述第一漏洞AI基础分析模型解析所述靶向范例异常活动组合的组合漏洞特征字段，将所述靶向范例异常活动组合的组合漏洞特征字段传送至与所述第一漏洞AI基础分析模型所联动的联动辅助调优模型，依据所述联动辅助调优模型结合所述第一漏洞AI基础分析模型的参数调优次数和所述联动辅助调优模型所预先绑定的联动辅助调优信息，对所述靶向范例异常活动组合进行误差学习指标分析，确定所述靶向范例异常活动组合的误差学习指标信息；对所述靶向范例异常活动组合的组合漏洞特征字段进行漏洞特征点映射，确定所述靶向范例异常活动组合的参考漏洞特征点分布，结合所述靶向范例异常活动组合的参考漏洞特征点分布和所述误差学习指标信息，对所述范例运行异常活动数据进行联合学习误差计算，生成所述范例运行异常活动数据的联合学习误差；结合所述联合学习误差对所述第一漏洞AI基础分析模型进行参数层信息的调优和选取，基于参数层信息的调优和选取完成的第一漏洞AI基础分析模型，确定用于对异常活动数据进行云端漏洞特征点提取的第二漏洞AI基础分析模型，以结合所述第二漏洞AI基础分析模型作为云端漏洞AI分析模型对页面运行异常数据进行云端漏洞特征点提取，以结合所述第二漏洞AI基础分析模型作为云端漏洞AI分析模型对页面运行异常数据进行云端漏洞特征点提取。3.根据权利要求2所述的应用大数据和AI技术的云端漏洞分析方法，其特征在于，所述基于所述第一漏洞AI基础分析模型解析所述靶向范例异常活动组合的组合漏洞特征字段，将所述靶向范例异常活动组合的组合漏洞特征字段传送至与所述第一漏洞AI基础分析模
型所联动的联动辅助调优模型，依据所述联动辅助调优模型结合所述第一漏洞AI基础分析模型的参数调优次数和所述联动辅助调优模型所预先绑定的联动辅助调优信息，对所述靶向范例异常活动组合进行误差学习指标分析，确定所述靶向范例异常活动组合的误差学习指标信息，包括：将所述靶向范例异常活动组合传送至所述第一漏洞AI基础分析模型，由所述第一漏洞AI基础分析模型对所述靶向范例异常活动组合进行漏洞解析，将所述第一漏洞AI基础分析模型所解析的所述靶向范例异常活动组合的组合漏洞特征字段作为第一遍历解析漏洞特征字段；在所述第一漏洞AI基础分析模型的参数调优次数大于或等于初始遍历次数时，将所述第一遍历解析漏洞特征字段传送至与所述第一漏洞AI基础分析模型所联动的联动辅助调优模型，依据所述联动辅助调优模型结合与所述范例运行异常活动数据所对应的第一漏洞分析特征，生成所述联动辅助调优模型所预先绑定的第一联动辅助调优信息；基于所述第一漏洞分析特征确定所述范例运行异常活动数据的第一联合学习误差，基于所述第一联合学习误差对所述第一漏洞AI基础分析模型进行参数层信息的调优和选取，将参数层信息的调优和选取后的第一漏洞AI基础分析模型作为中间漏洞AI基础分析模型，且对所述第一漏洞AI基础分析模型的参数调优次数进行修改；将所述中间漏洞AI基础分析模型所解析的所述靶向范例异常活动组合的组合漏洞特征字段作为第二遍历解析漏洞特征字段，且在修改后的参数调优次数大于或等于目标调优次数时，将所述第二遍历解析漏洞特征字段传送至所述联动辅助调优模型，依据所述联动辅助调优模型结合所述联动辅助调优模型所预先绑定的第一联动辅助调优信息，对所述靶向范例异常活动组合进行误差学习指标分析，确定所述靶向范例异常活动组合的误差学习指标信息。4.根据权利要求3所述的应用大数据和AI技术的云端漏洞分析方法，其特征在于，所述将所述靶向范例异常活动组合传送至所述第一漏洞AI基础分析模型，由所述第一漏洞AI基础分析模型对所述靶向范例异常活动组合进行漏洞解析，将所述第一漏洞AI基础分析模型所解析的所述靶向范例异常活动组合的组合漏洞特征字段作为第一遍历解析漏洞特征字段，包括：将所述靶向范例异常活动组合传送至所述第一漏洞AI基础分析模型的异常崩溃特征挖掘分支，由所述异常崩溃特征挖掘分支挖掘所述靶向范例异常活动组合的异常崩溃特征；将挖掘的异常崩溃特征传送至所述第一漏洞AI基础分析模型的漏洞特征溯源分支，由所述漏洞特征溯源分支对所述异常崩溃特征进行漏洞特征溯源；将溯源输出的漏洞特征字段作为所述第一漏洞AI基础分析模型所解析的第一遍历解析漏洞特征字段。5.根据权利要求3所述的应用大数据和AI技术的云端漏洞分析方法，其特征在于，所述在所述第一漏洞AI基础分析模型的参数调优次数大于或等于初始遍历次数时，将所述第一遍历解析漏洞特征字段传送至与所述第一漏洞AI基础分析模型所联动的联动辅助调优模型，依据所述联动辅助调优模型结合与所述范例运行异常活动数据所对应的第一漏洞分析特征，生成所述联动辅助调优模型所预先绑定的第一联动辅助调优信息，包括：
在所述第一漏洞AI基础分析模型的参数调优次数大于或等于初始遍历次数时，将所述第一遍历解析漏洞特征字段传送至与所述第一漏洞AI基础分析模型所联动的联动辅助调优模型，依据所述联动辅助调优模型将与所述靶向范例异常活动组合所相关的漏洞分析特征作为与所述范例运行异常活动数据所对应的第一漏洞分析特征；在所述第一漏洞分析特征中，迭代记录所述靶向范例异常活动组合中的范例负关联异常活动数据的初始辅助调优参数值；获取所述联动辅助调优模型在所述初始遍历次数时的调优门限参数值，基于迭代记录的初始辅助调优参数值和所述初始遍历次数时的调优门限参数值，生成所述联动辅助调优模型在所述初始遍历次数时的初始调优门限参数值，基于所述初始调优门限参数值，将所述联动辅助调优模型所预先绑定的联动辅助调优信息作为第一联动辅助调优信息。6.根据权利要求5所述的应用大数据和AI技术的云端漏洞分析方法，其特征在于，所述在所述第一漏洞分析特征中，迭代记录所述靶向范例异常活动组合中的范例负关联异常活动数据的初始辅助调优参数值，包括：在所述第一漏洞分析特征中，生成参与迭代的所述靶向范例异常活动组合的组合数量，从所述靶向范例异常活动组合中获取第一目标范例运行异常活动组合的锚范例异常活动数据和所述第一目标范例运行异常活动组合的范例负关联异常活动数据，将所述第一目标范例运行异常活动组合的锚范例异常活动数据所在的范例异常活动数据团作为靶向范例异常活动数据团；获取所述靶向范例异常活动数据团中的第一目标量级的范例异常活动数据，基于所述第一遍历解析漏洞特征字段确定所述第一目标量级的范例异常活动数据中的每个范例异常活动数据的漏洞特征，并将由所述每个范例异常活动数据的漏洞特征所计算出的漏洞均值特征作为所述靶向范例异常活动数据团的特征聚集中心；在所述靶向范例异常活动数据团中的第一目标量级的范例异常活动数据中，将解析获得的与所述第一目标范例运行异常活动组合中的范例负关联异常活动数据中特征偏离度最小的范例异常活动数据作为第一靶向范例异常活动数据，...

【专利技术属性】
技术研发人员：浦义权，普家红，
申请(专利权)人：大庆迅晨科技有限公司，
类型：发明
国别省市：