申请/专利权人:金祺创(北京)技术有限公司
申请日:2024-03-13
公开(公告)日:2024-04-12
公开(公告)号:CN117874633A
主分类号:G06F18/2411
分类号:G06F18/2411;G06F21/62;G06F18/214
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种基于深度学习算法的网络数据资产画像生成方法及装置,涉及数据处理技术领域,方法包括:获取网络数据资产;设置脱敏参数,对网络数据资产进行保留偏移长度的数据脱敏;对网络数据资产进行预处理;提取预处理后的网络数据资产的特征向量;结合特征向量,对预处理后的网络数据资产进行无标签分类,得到多个网络数据资产种类;通过信息熵计算各个网络数据资产种类的数据损失影响值,并基于数据损失影响值构建网络数据资产重要性判别模型;根据网络数据资产重要性判别模型计算各个数据资产种类的重要性级别;对各个数据资产种类进行排序;将排序结果进行可视化,生成网络数据资产画像。有助于发现隐形资产,降低客户数据管理难度。
主权项:1.一种基于深度学习算法的网络数据资产画像生成方法,其特征在于,所述方法包括:S1:获取网络数据资产,其中,所述网络数据资产包括硬件数据资产、软件数据资产、云计算资源数据资产和网络信息数据资产;S2:根据用户授权级别设置脱敏参数,对所述网络数据资产进行保留偏移长度的数据脱敏;S3:对脱敏后的网络数据资产进行预处理;S4:利用深度学习模型提取预处理后的网络数据资产的特征向量;S5:结合所述特征向量,对预处理后的网络数据资产进行无标签分类,得到多个网络数据资产种类;S6:通过信息熵,计算所述多个网络数据资产种类中的每个网络数据资产种类的数据损失影响值,并基于所述数据损失影响值构建网络数据资产重要性判别模型;S7:根据所述网络数据资产重要性判别模型,计算各个数据资产种类的重要性级别;S8:根据所述重要性级别,对每个网络数据资产种类进行排序;S9:将排序结果进行可视化,生成网络数据资产画像。
全文数据:
权利要求:
百度查询: 金祺创(北京)技术有限公司 基于深度学习算法的网络数据资产画像生成方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。