【技术实现步骤摘要】
本专利技术属于网络安全，尤其涉及一种基于深度学习的网络资产指纹识别方法及装置。
技术介绍
1、网络资产指纹识别是通过对网络资产进行标识和识别，以获取网络资产的技术属性和业务属性，以实现网络资产安全管理的目标。
2、现有技术中传统的指纹识别方法通常基于固定的规则或特征进行，对于已知的威胁或攻击模式可能有一定的效果，但当面对未知或新型威胁时，就难以适应并可能失效。一些指纹识别技术依赖于大量的网络流量或系统日志数据，但这些数据的精度难以保证，可能会导致误报或漏报的情况发生。
3、现有的指纹识别技术仅仅根据单个词的频率和语义进行指纹识别，不能充分利用上下文信息和标签信息，使得网络资产指纹识别存在准确率较低，全面性差的问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于深度学习的网络资产指纹识别方法及装置。
2、本专利技术提供一种基于深度学习的网络资产指纹识别方法，包括：
3、获取待识别网络资产数据；
4、对所述待识别网络资产数据进行预处理，得到所述待识别网络资产数据对应的第一文本信息和至少一个第一标签信息；
5、基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息；所述网络资产指纹识别模型是基于注意力机制和循环神经网络对训练样本集进行训练得到的；所述训练样本集中包括网络资产平台的网络资产指纹数据。
6、根据本专利
7、基于所述网络资产指纹数据，构建所述训练样本集；
8、对所述网络资产指纹数据进行预处理，得到至少一个词向量和各所述词向量分别对应的至少一个第二标签信息；
9、基于所述注意力机制对所述训练样本集中的至少一个词向量进行特征提取，得到各所述词向量对应的文本特征；
10、基于所述循环神经网络提取各所述第二标签信息的标签特征；
11、基于强化学习算法对各所述文本特征和各所述标签特征进行训练，得到所述网络资产指纹识别模型。
12、根据本专利技术提供的一种基于深度学习的网络资产指纹识别方法，所述对所述网络资产指纹数据进行预处理，得到至少一个词向量和各所述词向量分别对应的至少一个第二标签信息，包括：
13、对所述网络资产指纹数据进行预处理，得到所述网络资产指纹数据中的至少一个第二文本信息；
14、基于分词器对各所述第二文本信息进行分词处理，得到各所述第二文本信息对应的词向量和各所述词向量分别对应的至少一个第二标签信息。
15、根据本专利技术提供的一种基于深度学习的网络资产指纹识别方法，所述基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息之后，所述方法还包括：
16、将各所述网络资产指纹信息输入增强模型中，得到各所述网络资产指纹信息分别对应的强化网络资产指纹信息；所述增强模型用于强化所述网络资产指纹信息对应的标签信息的关联性。
17、根据本专利技术提供的一种基于深度学习的网络资产指纹识别方法，所述方法还包括，基于预设激活函数优化所述增强模型。
18、根据本专利技术提供的一种基于深度学习的网络资产指纹识别方法，所述网络资产指纹信息可以包括操作系统类型、前端框架、服务器、开发语言中的至少一项。
19、根据本专利技术提供的一种基于深度学习的网络资产指纹识别方法，所述增强模型是基于各所述第二标签信息的标签特征进行相关性学习得到的。
20、本专利技术还提供一种基于深度学习的网络资产指纹识别装置，包括：
21、获取装置，用于获取待识别网络资产数据；
22、预处理装置，用于对所述待识别网络资产数据进行预处理，得到所述待识别网络资产数据对应的第一文本信息和至少一个第一标签信息；
23、识别装置，用于基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息；所述网络资产指纹识别模型是基于注意力机制和循环神经网络对训练样本集进行训练得到的；所述训练样本集中包括网络资产平台的网络资产指纹数据。
24、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于深度学习的网络资产指纹识别方法。
25、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于深度学习的网络资产指纹识别方法。
26、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于深度学习的网络资产指纹识别方法。
27、本专利技术提供的一种基于深度学习的网络资产指纹识别方法及装置，通过对获取待识别网络资产数据进行预处理，得到待识别网络资产数据对应的第一文本信息和至少一个第一标签信息，然后将第一文本信息和多个第一标签信息输入训练好的网络资产指纹识别模型中，得到至少一个网络资产指纹信息。网络资产指纹识别模型是基于注意力机制和循环神经网络对包括网络资产平台的网络资产指纹数据的训练样本集进行训练得到的。本专利技术的基于深度学习的网络资产指纹识别方法，使用注意力机制更好的捕捉文本中的语义和上下文信息，使用循环神经网络，有效的进行表标签信息的关联关系提取，使得最终训练得到网络资产指纹识别模型可以更加有效的处理多标签文本数据，提升了识别结果的准确率和全面性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的网络资产指纹识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述对所述网络资产指纹数据进行预处理，得到至少一个词向量和各所述词向量分别对应的至少一个第二标签信息，包括：
3.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息之后，所述方法还包括：
4.根据权利要求3所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述方法还包括，基于预设激活函数优化所述增强模型。
5.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述网络资产指纹信息包括操作系统类型、前端框架、服务器、开发语言中的至少一项。
6.根据权利要求4所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述增强模型是基于各所述第二标签信息的标签特征进行相关性学习得到的。
7.一种基于深度学习的网络资产
8.根据权利要求7所述的基于深度学习的网络资产指纹识别装置，其特征在于，所述基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息之后；将各所述网络资产指纹信息输入增强模型中，得到各所述网络资产指纹信息分别对应的强化网络资产指纹信息；所述增强模型用于强化所述网络资产指纹信息对应的标签信息的关联性。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的基于深度学习的网络资产指纹识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的基于深度学习的网络资产指纹识别方法。
...【技术特征摘要】
1.一种基于深度学习的网络资产指纹识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述对所述网络资产指纹数据进行预处理，得到至少一个词向量和各所述词向量分别对应的至少一个第二标签信息，包括：
3.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述基于网络资产指纹识别模型对所述第一文本信息和各所述第一标签信息进行识别，得到所述待识别网络资产数据对应的至少一个网络资产指纹信息之后，所述方法还包括：
4.根据权利要求3所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述方法还包括，基于预设激活函数优化所述增强模型。
5.根据权利要求1所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述网络资产指纹信息包括操作系统类型、前端框架、服务器、开发语言中的至少一项。
6.根据权利要求4所述的基于深度学习的网络资产指纹识别方法，其特征在于，所述增强模型是基于各...
【专利技术属性】
技术研发人员：陈明亮，汪明，张瑛，钟文慧，谢国强，邱日轩，栗维勋，马斌，栗会峰，侯泽鹏，向恺，崔柳，钟志萍，佟志鑫，付广宇，卢鑫鑫，俞建业，
申请(专利权)人：国网江西省电力有限公司电力科学研究院，
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。