一种深度神经网络模型的结构化数据智能分类分级系统技术方案

一种深度神经网络模型的结构化数据智能分类分级系统，包含模块：Ⅰ、结构化数据处理模块；Ⅱ、数据标签化处理模块；Ⅲ、属性列数据窗口化转换模块；Ⅳ、自编码特征提取器构建与训练模块；

【技术实现步骤摘要】
一种深度神经网络模型的结构化数据智能分类分级系统


[0001]本专利技术涉及数据分类分级预测技术。

技术介绍

[0002]国家先后出台《网络安全法》和《数据安全法》，要求对数据进行分类分级管理。相关行业应关注国家法规、加强数据规范化管控。数据就是资产，数据安全关系法人、个体，也关系公共和国家利益。随着大数据时代的到来，数据的管理越来越重要。数据分类分级是数据安全管控的基础。如果没有数据以类别存储，会导致相关域数据混合、糅杂，不能完成对数据的安全管理，严重会引发数据的丢失和泄露问题。
[0003]深度学习是机器学习领域一个重点研究方向，其在多个方面取得了突破性进展[1
‑
8].深度神经网络以建立模型模拟人类大脑的神经连接结构，在处理各种输入信号时，通过多个神经元对数据特征进行描述，进而给出数据的解释。深度神经网络的机器学习方法在类别区分中表现的高准确率为数据分级分类提供了新思路、新设想。数据分类方法众多，其中，基于规则的分类方法
[9,10]等，要求对数据流有宏观的把控性，在数据流向过程中对数据进行按规则筛选，其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度神经网络模型的结构化数据智能分类分级系统，其特征在于，包含模块：Ⅰ、结构化数据处理模块；Ⅱ、数据标签化处理模块；Ⅲ、属性列数据窗口化转换模块；Ⅳ、自编码特征提取器构建与训练模块；
Ⅴ
、窗口化属性数据特征变换模块；
Ⅵ
、数据分类神经网络模型构建与训练模块；
Ⅶ
、数据分级多层感知机回归模型构建与训练模块；
Ⅷ
、数据分类分级预测模块。2.如权利要求1所述的智能分类分级系统，其特征在于，所述结构化数据处理模块：包含步骤S0、S1，其中，步骤S0：结构化数据的形成，利用构建域原始数据集合，采用ETL，流数据处理、人工录入的方式，将分散存储的数据整合形成结构化数据，完成数据的抽取、加载；步骤S1：结构化数据集处理过程中检查结构化数据完整性、规范性，并对异常行数据进行处理。3.如权利要求1所述的智能分类分级系统，其特征在于，所述数据标签化处理模块：包含步骤S2、S3、S4、S5、S6、S7、S8，其中，步骤S2：对数据集中属性列数据的属性名进行提取；步骤S3：利用数据属性识别规则对提取属性名进行匹配，匹配成功则标签化属性列；步骤S4：如未标签化，则利用步骤S5构建的属性关键词词库完成属性列标签化，如标签化，则进入S8；步骤S5：利用关键词词库对提取属性名进行检索，检索成功则标签化属性列；步骤S6：如未标签化，则利用步骤S7人工方法对属性列标签化；如标签化，则进入步骤S8形成标签化属性数据集；上述在数据标签化处理模块中，经过步骤S3、S4、S5、S6、S7形成步骤S8标签化属性数据集。4.如权利要求1所述的智能分类分级系统，其特征在于，所述属性列数据窗口化转换模块：步骤S9、S10、S11，其中，步骤S9：设置窗口包含对窗口大小和窗口步长的设置；步骤S10：利用窗口大小以窗口步长为滑动距离，提取属性列数据；步骤S11：结合该列标签，得到标签化实例集合。5.如权利要求1所述的智能分类分级系统，其特征在于，所述自编码特征提取器构建与训练模块：包含步骤S14、S15、S16、S18，其中，步骤S14：实例归一化对步骤S10中实例按属性列进行归一化处理；步骤S15：构建自编码特征提取器；步骤S16：利用步骤S14中归一化的实例训练步骤S15中构建的自编码特征提取器；步骤S18：得到预训练自编码特征提取器模型；所述步骤S15自编码特征提取器模型构建，具体为：编码器描述为：
令h0＝I
′
，有:h
i
＝σ
ie
(W
ie
*h
i
‑1+b
ie
),1≤i≤L
e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
<1>编码器输出表示为令o0＝h
Le
，解码器表示为：o
i
＝σ
id
(W
id
*o
i
‑1+b
id
),1≤i≤L
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
<2>令损失函数表示为：编码器部分I
′
表示归一化实例；网络参数中W
ie
表示编码权重、b
ie
表示编码器偏置，σ
ie
表示编码器激活函数，L
e
表示编码器神经网络层数；解码器部分网络参数中W
id
表示解码权重，b
id
表示解码偏置，σ
id
表示编码器激活函数，L
id
表示解码器神经...

【专利技术属性】
技术研发人员：史扬，曹凌云，刘文懋，高翔，尤扬，李一珉，
申请(专利权)人：绿盟科技集团股份有限公司，
类型：发明
国别省市：