【技术实现步骤摘要】
本专利技术涉及ai管道缺陷类处理，尤其涉及高精度ai管道缺陷类型智能识别系统及方法。
技术介绍
1、al管道由六个单元组成:收集数据、清洗和处理数据、培训模型、测试模型、非恶意/错误反馈循环、生产。al管道攻击是指针对计算机信息系统、基础设施、计算机网络或个人计算机设备的,任何类型的进攻动作。对于计算机和计算机网络来说,破坏、揭露、修改、使软件或服务失去功能、在没有得到授权的情况下偷取或访问任何一计算机的数据,都会被视为于计算机和计算机网络中的攻击。
2、应用中发现,尽管相关技术会应用网络攻击检测技术对目标ai管道进行保护,但其所应用的ai管道攻击识别技术的漏检率较高,这会导致目标ai管道依旧存在较高的安全风险。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供高精度ai管道缺陷类型智能识别系统，具体包括：
2、ai管道信息集成模块，用于分别集成经过主机服务器被攻击后的若干后端的所有已记录不同类型缺陷的缺陷特征，并分别进行攻击行为分析得到各所述缺陷特征的后端和ip地址链接缺陷原因比例；
3、ai管道信息记录模块，相连所述ai管道信息集成模块，用于获取各所述后端的真实主机服务器被攻击数量和被攻击单位时间内的频率，根据所述真实主机服务器被攻击数量和被攻击单位时间内的频率及对应的所有已记录不同类型缺陷的各所述后端和ip地址链接缺陷原因比例筛查得到若干成功已记录不同类型缺陷；
4、图神经网络算法模块，分别相连所述ai管道信息集成模块
5、主机服务器被攻击病毒来源识别模型，表达式为：
6、
7、其中，ka表示主机服务器被攻击的病毒来源识别结果，ξn表示主机服务器在正常影响因素下运行的时长，n、m分别表示为自回归部分模型和移动平均部分模型的阶数，σm表示主机服务器在非正常影响因素下运行的时长，τa表示白噪声序列，p表示影响被攻击风险变化的合理需求因素所构成的矩阵变量，r表示影响被攻击风险变化的非合理需求因素所构成的矩阵变量。
8、病毒来源识别模块，相连所述图神经网络算法模块，用于获取未主机服务器被攻击的所述后端的各所述成功已记录不同类型缺陷对应的所述后端和ip地址链接缺陷原因比例，并将各所述后端和ip地址链接缺陷原因比例输入所述主机服务器被攻击病毒来源识别模型得到所述后端的缺陷识别主机服务器被攻击数量和被攻击单位时间内的频率，以供后端作为参考给出主机服务器被攻击防护升级需求。
9、优选的，所述ai管道信息记录模块包括：
10、ai管道信息分类模块，用于获取各所述后端的所述真实主机服务器被攻击数量和被攻击单位时间内的频率，根据所述真实主机服务器被攻击数量和被攻击单位时间内的频率将各所述后端划分为主机服务器被攻击成功类别和主机服务器被攻击失败类别，并将对应的各所述后端和ip地址链接缺陷原因比例分别保存至所述主机服务器被攻击成功类别和所述主机服务器被攻击失败类别；
11、ai管道信息缺陷统计模块，相连所述ai管道信息分类模块，用于针对每个已记录不同类型缺陷，分别计算所述主机服务器被攻击成功类别中对应的各所述后端和ip地址链接缺陷原因比例的被攻击成功时间缺陷数据，和所述主机服务器被攻击失败类别中对应的各所述后端和ip地址链接缺陷原因比例的被攻击失败时间缺陷数据，并在所述被攻击成功时间缺陷数据和所述被攻击失败时间缺陷数据之间的协方差超过限定的阈值时，将所述已记录不同类型缺陷作为筛查得到的所述成功已记录不同类型缺陷。
12、优选的，所述ai管道信息缺陷统计模块包括：
13、被攻击时间缺陷数据计算模块，用于针对每个已记录不同类型缺陷，采用若干预设的被攻击时间缺陷数据计算方法分别计算所述主机服务器被攻击成功类别中对应的各所述后端和ip地址链接缺陷原因比例的被攻击成功时间缺陷数据，和所述主机服务器被攻击失败类别中对应的各所述后端和ip地址链接缺陷原因比例的被攻击失败时间缺陷数据，并分别计算每种所述被攻击时间缺陷数据计算方法对应的所述被攻击成功时间缺陷数据和所述被攻击失败时间缺陷数据之间的所述协方差；
14、被攻击时间缺陷数据计算方法加入单元，相连所述被攻击时间缺陷数据计算模块，用于在所述协方差大于对应的所述阈值时，将对应的所述被攻击时间缺陷数据计算方法加入ai管道信息集合，并在所述ai管道信息集合中的所述被攻击时间缺陷数据计算方法的种类超过限定的阈值时，将所述已记录不同类型缺陷作为筛查得到的所述成功已记录不同类型缺陷。
15、优选的，还包括ai管道信息清洗模块，分别相连所述ai管道信息集成模块和所述ai管道信息记录模块，用于对各所述后端和ip地址链接缺陷原因比例进行ai管道信息清洗得到清洗冗余数值，则所述ai管道信息记录模块中的各所述后端和ip地址链接缺陷原因比例为所述清洗冗余数值。
16、优选的，所述ai管道信息清洗包括重复统计的ai管道信息剔除，以及ai管道信息数据类型转化，以及ai管道信息定时更新。
17、优选的，所述被攻击时间缺陷数据计算方法包括：单轮型方法、迭代型方法。
18、优选的，所述真实主机服务器被攻击数量和被攻击单位时间内的频率大于等于零。
19、高精度ai管道缺陷类型智能识别方法，应用于以上任意一项所述的高精度ai管道缺陷类型智能识别系统，所述主机服务器被攻击病毒来源识别方法具体包括以下步骤：
20、步骤q1，所述的高精度ai管道缺陷类型智能识别系统分别集成经过主机服务器被攻击后的若干后端的所有已记录不同类型缺陷的缺陷特征，并分别进行攻击行为分析得到各所述缺陷特征的后端和ip地址链接缺陷原因比例；
21、步骤q2，所述的高精度ai管道缺陷类型智能识别系统获取各所述后端的真实主机服务器被攻击数量和被攻击单位时间内的频率，根据所述真实主机服务器被攻击数量和被攻击单位时间内的频率及对应的所有已记录不同类型缺陷的各所述后端和ip地址链接缺陷原因比例筛查得到若干成功已记录不同类型缺陷；
22、步骤q3，所述的高精度ai管道缺陷类型智能识别系统将每个所述后端的各所述成功已记录不同类型缺陷对应的所述后端和ip地址链接缺陷原因比例作为输入，将所述后端的所述真实主机服务器被攻击数量和被攻击单位时间内的频率作为输出，进行特征提取得到主机服务器被攻击病毒来源识别模型；
23、步骤q4，所述的高精度ai管道缺陷类型智能识别系统获取未主机服务器被攻击的所述后端的各所述成功已记录不同类型缺陷对应的所述后端和ip地址链接缺陷原因比例，并将各所述后端和ip地址链接缺陷原因比例输入所述主机服务器被攻击病毒来源识别模型得到所述后端的缺陷本文档来自技高网...
【技术保护点】
1.高精度AI管道缺陷类型智能识别系统，其特征在于，具体包括：
2.根据权利要求1所述的高精度AI管道缺陷类型智能识别系统，其特征在于，所述AI管道信息记录模块包括：
3.根据权利要求2所述的高精度AI管道缺陷类型智能识别系统，其特征在于，所述AI管道信息缺陷统计模块包括：
4.根据权利要求1所述的高精度AI管道缺陷类型智能识别系统，其特征在于，还包括AI管道信息清洗模块，分别相连所述AI管道信息集成模块和所述AI管道信息记录模块，用于对各所述后端和IP地址链接缺陷原因比例进行AI管道信息清洗得到清洗冗余数值，则所述AI管道信息记录模块中的各所述后端和IP地址链接缺陷原因比例为所述清洗冗余数值。
5.根据权利要求4所述的高精度AI管道缺陷类型智能识别系统，其特征在于，所述AI管道信息清洗包括重复统计的AI管道信息剔除，以及AI管道信息数据类型转化，以及AI管道信息定时更新。
6.根据权利要求3所述的高精度AI管道缺陷类型智能识别系统，其特征在于，所述被攻击时间缺陷数据计算方法包括：单轮型方法、迭代型方法。
7
8.高精度AI管道缺陷类型智能识别方法，其特征在于，该方法包括：
...【技术特征摘要】
1.高精度ai管道缺陷类型智能识别系统，其特征在于，具体包括：
2.根据权利要求1所述的高精度ai管道缺陷类型智能识别系统，其特征在于，所述ai管道信息记录模块包括：
3.根据权利要求2所述的高精度ai管道缺陷类型智能识别系统，其特征在于，所述ai管道信息缺陷统计模块包括：
4.根据权利要求1所述的高精度ai管道缺陷类型智能识别系统，其特征在于，还包括ai管道信息清洗模块，分别相连所述ai管道信息集成模块和所述ai管道信息记录模块，用于对各所述后端和ip地址链接缺陷原因比例进行ai管道信息清洗得到清洗冗余数值，则所述ai管道信息记录模块中的各所述后端和ip地址链...
【专利技术属性】
技术研发人员：王红娟，庞水文，闵泽，管玉成，梁晓斌，付籽轩，
申请(专利权)人：力德中山环境科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。