基于人工智能的异常操作分析方法及大数据应用系统技术方案

本申请实施例实施例提供一种基于人工智能的异常操作分析方法及大数据应用系统，响应针对目标大数据应用系统的异常操作分析指令，调取目标大数据应用系统的系统请求响应大数据，对系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及异常操作活动对应的历史先验异常根因信息，基于异常操作活动以及异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示，由此在进行异常操作分析时结合了特征关注权重，提高异常操作分析的准确性和效率，同时通过对用户终端进行相应的异常根因信息提示，可以便于相关用户及时获知可能存在的异常风险。的异常风险。的异常风险。

【技术实现步骤摘要】
基于人工智能的异常操作分析方法及大数据应用系统


[0001]本申请实施例涉及人工智能
，具体而言，涉及一种基于人工智能的异常操作分析方法及大数据应用系统。

技术介绍

[0002]随着当前各种大数据应用系统在互联网在线服务商的信息决策和产品维护等方面的作用日益显著，其所承载的应用也日趋丰富，其处理的数据量及请求响应量也成指数增长，相应地，数据处理的异常情况也随之增多，如何提高异常操作分析的准确性和效率，便于相关用户及时获知可能存在的异常风险，是当前亟待解决的技术问题。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能的异常操作分析方法及大数据应用系统。
[0004]第一方面，本申请实施例实施例提供一种基于人工智能的异常操作分析方法，应用于大数据应用系统，所述方法包括：响应针对目标大数据应用系统的异常操作分析指令，调取所述目标大数据应用系统的系统请求响应大数据；对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。
[0005]在第一方面的一种可能的实施方式中，所述对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息的步骤，包括：响应针对目标大数据应用系统的异常操作分析指令，调取所述目标大数据应用系统的系统请求响应大数据；结合系统请求响应大数据，确定所述系统请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征；针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重；结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，第二数量小于第一数量；结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动；结合历史先验异常根因知识库，确定所述异常操作活动对应的历史先验异常根因信息。
[0006]本示例性实施方式中，通过获取可以反映各第一请求响应事件对获得的异常操作活动的注意力权重的特征关注权重，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，可以对噪声状态的响应操作轨迹特征进行噪声剔除。例如，剔除对获得的异常操作活动没有注意力权重或注意力权重小于设定门限值的响应操作轨迹特征；基于此，获得影响着获得的异常操作活动的第二数量个第二请求响应事件对应的响应操作轨迹特征。然后通过第二数量个第二请求响应事件对应的响应操作轨迹特征，确定系统请求响应大数据的异常操作活动，由此提高异常操作活动决策的准确性，并且第二数量小于第一数量，可以降低数据计算量，提高异常操作活动决策速度。
[0007]一种设计思路中，所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重，包括：针对各所述第一请求响应事件，对所述第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成所述第一请求响应事件对应的目标选择特征；结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重。
[0008]本示例性实施方式中，通过基于惩罚性的特征选择，可以对响应操作轨迹特征进行降维，降低特征的容量以便进行后续处理，从而便于更精准地获取第一请求响应事件对应的特征关注权重。
[0009]一种设计思路中，所述结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件的特征关注权重，包括：对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，其中，所述第一迭代聚类分析特征对应的特征维度数量小于所述目标选择特征对应的特征维度数量；结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。
[0010]一种设计思路中，所述对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征，包括：结合各所述第一请求响应事件对应的目标选择特征，确定各所述第一请求响应事件对应的可转换知识点；结合各所述第一请求响应事件对应的可转换知识点，对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。
[0011]一种设计思路中，所述对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，包括：结合所述规则化转换后的目标选择特征，确定所述规则化转换后的目标选择特征对应的特征标签传播向量；通过所述特征标签传播向量，对所述规则化转换后的目标选择特征进行迭代聚类分析，生成所述第一迭代聚类分析特征。
[0012]一种设计思路中，所述结合各所述第一请求响应事件对应的第一迭代聚类分析特
征，确定各所述第一请求响应事件对应的特征关注权重，包括：对各所述第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的所述第一迭代聚类分析特征进行迭代聚类分析，生成各所述第一迭代聚类分析特征对应的第二迭代聚类分析特征；结合各所述第二迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。
[0013]一种设计思路中，所述结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，包括：结合各所述第一请求响应事件对应的满足预设条件的特征关注权重对应的第一关联特征排列结构，所述第一关联特征排列结构的排列参数为第一数量乘以第二数量；对所述第一关联特征排列结构进行特征切换，生成排列参数为第二数量乘以第一数量的第二关联特征排列结构；结合所述第二关联特征排列结构和所述第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成所述第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征。
[0014]一种设计思路中，所述结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动，包括：将所述第二请求响应事件覆盖第一请求响应事件，将所述第一数量对应对应的数值参数参数调整为所述第一请求响应事件对应的数值参数，循环执行所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重的步骤，在达到设定循环次数时，结合最后一次生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的异常操作分析方法，其特征在于，应用于大数据应用系统，所述大数据应用系统与所述多个用户终端通信连接，所述方法包括：响应针对目标大数据应用系统的异常操作分析指令，调取所述目标大数据应用系统的系统请求响应大数据；对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。2.根据权利要求1所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息的步骤，包括：结合所述系统请求响应大数据，确定所述系统请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征；针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重；结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，其中，所述第二数量小于所述第一数量；结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动；以及，结合历史先验异常根因知识库，确定所述异常操作活动对应的历史先验异常根因信息；所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重，包括：针对各所述第一请求响应事件，对所述第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成所述第一请求响应事件对应的目标选择特征；结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重。3.根据权利要求2所述的基于人工智能的异常操作分析方法，其特征在于，所述结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重，包括：对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征；其中，所述第一迭代聚类分析特征对应的特征维度数量小于所述目标选择特征对应的特征维度数量；结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。4.根据权利要求3所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择
特征，包括：结合各所述第一请求响应事件对应的目标选择特征，确定各所述第一请求响应事件对应的可转换知识点；结合各所述第一请求响应事件对应的可转换知识点，对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。5.根据权利要求3或4所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，包括：结合所述规则化转换后的目标选择特征，确定所述规则化转换后的目标选择特征对应的特征标签传播向量；通过所述特征标签传播向量，对所述规则化转换后的目标选择特征进行迭代聚类分析，生成所述第一迭代聚类分析特征；所述结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重，包括：对各所述第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的所述第一迭代聚类分析特征进行迭代聚类分析，生成各所述第一迭代聚类分析特征对应的第二迭代聚类分析特征；结合各所述第二迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。6.根据权利要求5所述的基于人工智能的异常操作分析方法，其特征在于，所述结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，包括：结合各所述第一请求响应事件对应的满足预设条件的特征关注权重对应的第一关联特征排列结构，所述第一关联特征排列结构的排列参数为第一数量乘以第二数量；对所述第一关联特征排列结构进行特征切换，生成第二关联特征排列结构，所述第二关联特征排列结构的排列参数为第二数量乘以第一数量；结合所述第二关联特征排列结构和所述第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成所述第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征；所述结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动，包括：将所述第二请求响应事件覆盖第一请求响应事件，将所述第一数量对应对应的数值参数参数调整为所述第一请求响应事件对应的数值参数；循环执行所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重的步骤；在达到设定循环次数时，结合最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据对应的异常操作活动预测概率分布；结合所述异常操作活动预测概率分布，确定所述系统请求响应大数据的异常操作活
动。7.根据权利要求6所述的基于人工智能的异常操作分析方法，其特征在于，所述方法通过异常操作分析模型实现，所述异常操作分析模型通过以下步骤训练得到：获取系统请求响应模板数据；将所述系统请求响应模板数据加载初始化异常操作分析模型，所述异常操作分析模型包括多个特征更新网络；通过所述初始化异常操作分析模型的特征更新网络生成第一预测响应操作轨迹特征，并确定所述系统请求响应模板数据对应的第一预测异常操作活动信息；所述特征更新网络用于结合系统请求响应模板数据对应的第一模板请求响应事件的响应操作轨迹特征，确定所述第一模板请求响应事件的特征关注权重，并结...

【专利技术属性】
技术研发人员：许伟，陆广富，
申请(专利权)人：许伟，
类型：发明
国别省市：