本发明专利技术实施例公开了敏感数据共享检测方法、装置、计算机设备及存储介质。方法包括：当应用系统被启动时，加载数据采集插件；通过数据采集插件采集应用系统的所有数据流动的应用接口和应用接口所使用的数据，以得到接口信息；通过词嵌入模型对接口信息提取接口协议特征；根据接口协议特征确定接口协议特征对应的接口类型与应用接口的具体类型的相似分值；判断相似分值是否不小于设定的阈值；若是，则对接口信息进行数据识别；判断识别结果是否是敏感数据；若是，则对接口信息对应的应用接口标记为敏感数据共享接口。通过实施本发明专利技术实施例的方法可实现有效地检测到应用系统的共享接口的敏感数据，可对共享接口进行标记，效率高，且准确率高。且准确率高。且准确率高。
【技术实现步骤摘要】
敏感数据共享检测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及数据检测方法，更具体地说是指敏感数据共享检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]当前，数据资源正成为国家新型的重要的生产要素，推动数据充分共享，实现数据要素高效配置，推进数字产业化和产业数字化，推动数字经济和实体经济的深度融合，是未来一个时期我国推动经济社会发展的一个重要方向。
[0003]随着各行业数字化转型建设加快推进，大量数据归集融合、共享流通，使得应用场景复杂，数据结构多样，加上大数据、云计算和人工智能等高新技术的运用和数据中心虚拟化的实现，原有安全边界已被突破，在实现数据共享的同时也增加了数据的安全风险，但以网络为边界、以系统为中心的传统安全理念和技术已无法满足企业组织的数据共享安全需求，现有技术基本上是通过传统人工的方式对应用系统全域的敏感数据进行识别和标识，并不能有效地检测到应用系统的共享接口的敏感数据，无法对共享接口进行标记，准确率低，且效率也低。
[0004]因此，有必要设计一种新的方法，实现有效地检测到应用系统的共享接口的敏感数据，可对共享接口进行标记，效率高，且准确率高。
技术实现思路
[0005]本专利技术的目的在于克服现有技术的缺陷，提供敏感数据共享检测方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：敏感数据共享检测方法，包括：
[0007]当应用系统被启动时，加载数据采集插件；
[0008]通过所述数据采集插件采集应用系统的所有数据流动的应用接口和应用接口所使用的数据，以得到接口信息；
[0009]通过词嵌入模型对所述接口信息提取接口协议特征；
[0010]根据所述接口协议特征确定所述接口协议特征对应的接口类型与应用接口的具体类型的相似分值；
[0011]判断所述相似分值是否不小于设定的阈值；
[0012]若所述相似分值不小于设定的阈值，则对所述接口信息进行数据识别，以得到识别结果；
[0013]判断所述识别结果是否是敏感数据；
[0014]若所述识别结果是敏感数据，则对所述接口信息对应的应用接口标记为敏感数据共享接口。
[0015]其进一步技术方案为：所述词嵌入模型通过若干个应用系统协议作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的。
[0016]其进一步技术方案为：所述词嵌入模型通过若干个应用系统协议作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的，包括：
[0017]获取若干个应用系统协议，以得到样本集；
[0018]对所述样本集进行划分，以得到训练集以及测试集；
[0019]构建深度学习网络；
[0020]将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果；
[0021]对所有节点的求导结果进行加权平均并更新深度学习网络的网络参数，同步更新所有GPU节点；
[0022]判断所述深度学习网络是否收敛；
[0023]若所述深度学习网络收敛，则确定所述深度学习网络为词嵌入模型；
[0024]若所述深度学习网络未收敛，则执行所述将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果。
[0025]其进一步技术方案为：所述接口协议特征包括向其他应用系统传输数据的特征、向其他应用系统提供下载数据的特征、向自身应用系统其他服务传输数据的特征以及读写数据库数据的特征中至少一个。
[0026]其进一步技术方案为：所述根据所述接口协议特征确定所述接口协议特征对应的接口类型与应用接口的具体类型的相似分值，包括：
[0027]根据所述接口协议特征确定所述接口协议特征对应的接口类型；
[0028]计算所述接口协议特征对应的接口类型与应用接口的具体类型的相似分值。
[0029]其进一步技术方案为：所述敏感数据包括身份证、手机号码、家庭地址、电子邮箱、车牌号、银行账号、社保号、公积金号码、年销售额、年度计划销售额、市场份额、市场区域分布中至少一个。
[0030]本专利技术还提供了敏感数据共享检测装置，包括：
[0031]加载单元，用于当应用系统被启动时，加载数据采集插件；
[0032]采集单元，用于通过所述数据采集插件采集应用系统的所有数据流动的应用接口和应用接口所使用的数据，以得到接口信息；
[0033]提取单元，用于通过词嵌入模型对所述接口信息提取接口协议特征；
[0034]分值计算单元，用于根据所述接口协议特征确定所述接口协议特征对应的接口类型与应用接口的具体类型的相似分值；
[0035]分值判断单元，用于判断所述相似分值是否不小于设定的阈值；
[0036]数据识别单元，用于若所述相似分值不小于设定的阈值，则对所述接口信息进行数据识别，以得到识别结果；
[0037]数据判断单元，用于判断所述识别结果是否是敏感数据；
[0038]标记单元，用于若所述识别结果是敏感数据，则对所述接口信息对应的应用接口标记为敏感数据共享接口。
[0039]其进一步技术方案为：还包括模型生成单元，用于通过若干个应用系统协议作为样本集且采用多GPU并行计算框架对深度学习网络进行训练，以得到词嵌入模型。
[0040]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0041]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
[0042]本专利技术与现有技术相比的有益效果是：本专利技术通过采集应用系统的所有数据流动的应用接口和应用接口所使用的数据，并利用词嵌入模型提取接口协议特征确定该应用接口是否是数据共享应用接口，当该接口是数据共享应用接口，才会对接口信息进行敏感数据识别，当确认是敏感数据时，标记应用接口标记为敏感数据共享接口，实现有效地检测到应用系统的共享接口的敏感数据，可对共享接口进行标记，效率高，且准确率高。
[0043]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0044]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本专利技术实施例提供的敏感数据共享检测方法的应用场景示意图；
[0046]图2为本专利技术实施例提供的敏感数据共享检测方法的流程示意图；
[0047]图3为本专利技术实施例提供的敏感数据共享检测方法的子流程示意图；
[0048]图4为本专利技术实施例提供的敏感数据共享检测方法的子流程示意图；
[0049]图5为本专利技术实施例提供本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.敏感数据共享检测方法，其特征在于，包括：当应用系统被启动时，加载数据采集插件；通过所述数据采集插件采集应用系统的所有数据流动的应用接口和应用接口所使用的数据，以得到接口信息；通过词嵌入模型对所述接口信息提取接口协议特征；根据所述接口协议特征确定所述接口协议特征对应的接口类型与应用接口的具体类型的相似分值；判断所述相似分值是否不小于设定的阈值；若所述相似分值不小于设定的阈值，则对所述接口信息进行数据识别，以得到识别结果；判断所述识别结果是否是敏感数据；若所述识别结果是敏感数据，则对所述接口信息对应的应用接口标记为敏感数据共享接口。2.根据权利要求1所述的敏感数据共享检测方法，其特征在于，所述词嵌入模型通过若干个应用系统协议作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的。3.根据权利要求2所述的敏感数据共享检测方法，其特征在于，所述词嵌入模型通过若干个应用系统协议作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的，包括：获取若干个应用系统协议，以得到样本集；对所述样本集进行划分，以得到训练集以及测试集；构建深度学习网络；将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果；对所有节点的求导结果进行加权平均并更新深度学习网络的网络参数，同步更新所有GPU节点；判断所述深度学习网络是否收敛；若所述深度学习网络收敛，则确定所述深度学习网络为词嵌入模型；若所述深度学习网络未收敛，则执行所述将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果。4.根据权利要求1所述的敏感数据共享检测方法，其特征在于，所述接口协议特征包括向其他应用系统传输数据的特征、向其他应用系统提供下载数据的特征、向自身应用系统其他服务传输数据的特征以及读写数据库数据的特征中至少一个。5.根据权利要求4所述的敏感数据共享检测方法，其特征在于，...
【专利技术属性】
技术研发人员：莫波，刘新凯，
申请(专利权)人：深圳红途科技有限公司，
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。