预测模型的训练、访问请求的决策方法、装置、介质制造方法及图纸

本公开是关于一种预测模型的训练、访问请求的决策方法、装置、介质，涉及机器学习技术领域，该方法包括：对历史访问请求中包括的历史请求特征进行预处理，得到标准请求特征；将标准请求特征输入至待训练的请求类型预测模型中，得到与历史访问请求对应的请求类型预测结果，并根据请求类型预测结果以及历史访问请求的特征标签，构建损失函数；基于损失函数对待训练的请求类型预测模型中包括的模型参数进行调整，并计算标准请求特征在待训练的请求类型预测模型进行参数调整过程中的贡献率；根据标准请求特征的贡献率对参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型。该方法提高了请求类型预测模型的精确度。确度。确度。

【技术实现步骤摘要】
预测模型的训练、访问请求的决策方法、装置、介质


[0001]本公开实施例涉及机器学习
，具体而言，涉及一种预测模型的训练方法、预测模型的训练装置、访问请求的决策方法、访问请求的决策装置、计算机可读存储介质以及电子设备。

技术介绍

[0002]在一些对攻击性的访问请求进行防御的过程中，是通过基于规则匹配的方式来进行防御的。但是，通过规则匹配的方式进行防御会存在大量的漏报，进而导致应用程序在访问过程中，系统的安全性较低。
[0003]需要说明的是，在上述
技术介绍
部分专利技术的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本公开的目的在于提供一种预测模型的训练方法、预测模型的训练装置、访问请求的决策方法、访问请求的决策装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的系统的安全性较低的问题。
[0005]根据本公开的一个方面，提供一种预测模型的训练方法，包括：
[0006]获取历史访问请求，并对所述历史访问请求中包括的历史请求特征进行预处理，得到标准请求特征；
[0007]将所述标准请求特征输入至待训练的请求类型预测模型中，得到与所述历史访问请求对应的请求类型预测结果，并根据所述请求类型预测结果以及所述历史访问请求的特征标签，构建损失函数；
[0008]基于所述损失函数对所述待训练的请求类型预测模型中包括的模型参数进行调整，得到参数调整后的请求类型预测模型，并计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率；
[0009]根据所述标准请求特征的贡献率对所述参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型。
[0010]在本公开的一种示例性实施例中，将所述标准请求特征输入至待训练的请求类型预测模型中，得到与所述历史访问请求对应的请求类型预测结果，包括：
[0011]利用所述待训练的请求类型预测模型计算所述标准请求特征在所述待训练的请求类型预测模型中的内节点中的第一线性回归部分；
[0012]利用所述待训练的请求类型预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述第一线性回归部分在所述待训练的请求类型预测模型中的当前决策树所在的叶子节点的输出值；
[0013]根据所述第一线性回归部分的输出值，得到与所述历史访问请求对应的请求类型预测结果。
[0014]在本公开的一种示例性实施例中，根据所述请求类型预测结果以及所述历史访问请求的特征标签，构建损失函数，包括：
[0015]根据所述请求类型预测结果以及所述特征标签，计算所述待训练的请求类型预测模型中所包括的当前决策树的局部损失函数；
[0016]根据所述局部损失函数计算所述待训练的请求类型预测模型的全局损失函数。
[0017]在本公开的一种示例性实施例中，基于所述损失函数对所述待训练的请求类型预测模型中包括的模型参数进行调整，得到参数调整后的请求类型预测模型，包括：
[0018]根据所述全局损失函数计算所述待训练的请求类型预测模型的内节点的第一梯度，根据所述第一梯度对所述内节点的参数进行更新；
[0019]根据所述全局损失函数计算所述待训练的请求类型预测模型的叶子节点的第二梯度，并根据所述第二梯度对所述叶子节点的参数进行更新；
[0020]根据更新后的内节点的参数以及更新后的叶子节点的参数，得到参数调整后的请求类型预测模型。
[0021]在本公开的一种示例性实施例中，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率，包括：
[0022]基于预设的树模型解释器，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率。
[0023]在本公开的一种示例性实施例中，基于预设的树模型解释器，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率，包括：
[0024]从所述标准请求特征中任意选取一特征作为目标特征，并根据所述标准请求特征中除去所述目标特征以外的其他特征，构建特征集合；
[0025]根据所述特征集合构建特征子集，并基于所述预设的树模型解释器，计算将所述标准请求特征输入至所述参数调整后的请求类型预测模型后得到的预测值的第一期望值，以及将所述特征子集输入至所述参数调整后的请求类型预测模型后得到的预测值的第一期望值；
[0026]根据所述特征子集中所包括的特征个数、所述特征子集的个数、所述目标特征的数量、第一期望值以及第二期望值，计算所述目标特征的在所述待训练的请求类型预测模型进行参数调整过程中的贡献率；
[0027]依次循环所述目标特征的贡献率的计算步骤，得到所述标准请求特征的在所述待训练的请求类型预测模型进行参数调整过程中的贡献率。
[0028]在本公开的一种示例性实施例中，根据所述标准请求特征的贡献率对所述参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型，包括：
[0029]若任一所述标准请求特征的贡献率大于第一预设阈值，或者任一所述标准请求特征的贡献率小于第二预设阈值，则对所述参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型。
[0030]根据本公开的一个方面，提供一种访问请求的决策方法，包括：
[0031]接收终端设备发送的应用程序的访问请求，并对所述应用程序的访问请求进行过滤，得到待预测的访问请求；
[0032]将所述待预测的访问请求中包括的待预测特征输入至训练完成的请求类型预测
模型中，得到与所述待预测的访问请求对应的预测结果；其中，所述训练完成的请求类型预测模型是通过上述任意一项所述的预测模型的训练方法得到的；
[0033]根据所述预测结果确定所述待预测的访问请求所属的请求类别，并根据所述请求类别对所述待预测的访问请求进行决策。
[0034]在本公开的一种示例性实施例中，对所述应用程序的访问请求进行过滤，得到待预测的访问请求，包括：
[0035]通过网站应用级入侵防御系统对所述应用程序的访问请求中已知的攻击请求进行过滤，得到所述待预测的访问请求。
[0036]在本公开的一种示例性实施例中，在将所述待预测的访问请求中包括的待预测特征输入至训练完成的请求类型预测模型中之前，所述访问请求的决策方法还包括：
[0037]在所述应用程序的客户端服务器中挂载Hook点，并基于所述Hook点获取所述待预测的访问请求中包括的待预测特征；其中，所述待预测特征包括用户统一资源定位符、用户上传数据、函数参数以及函数调用栈中的多种。
[0038]在本公开的一种示例性实施例中，根据所述请求类别对所述待预测的访问请求进行决策，包括：
[0039]若所述请求类别为阻断请求，则阻断所述待预测的访问请求的访问；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测模型的训练方法，其特征在于，包括：获取历史访问请求，并对所述历史访问请求中包括的历史请求特征进行预处理，得到标准请求特征；将所述标准请求特征输入至待训练的请求类型预测模型中，得到与所述历史访问请求对应的请求类型预测结果，并根据所述请求类型预测结果以及所述历史访问请求的特征标签，构建损失函数；基于所述损失函数对所述待训练的请求类型预测模型中包括的模型参数进行调整，得到参数调整后的请求类型预测模型，并计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率；根据所述标准请求特征的贡献率对所述参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型。2.根据权利要求1所述的预测模型的训练方法，其特征在于，将所述标准请求特征输入至待训练的请求类型预测模型中，得到与所述历史访问请求对应的请求类型预测结果，包括：利用所述待训练的请求类型预测模型计算所述标准请求特征在所述待训练的请求类型预测模型中的内节点中的第一线性回归部分；利用所述待训练的请求类型预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述第一线性回归部分在所述待训练的请求类型预测模型中的当前决策树所在的叶子节点的输出值；根据所述第一线性回归部分的输出值，得到与所述历史访问请求对应的请求类型预测结果。3.根据权利要求1所述的预测模型的训练方法，其特征在于，根据所述请求类型预测结果以及所述历史访问请求的特征标签，构建损失函数，包括：根据所述请求类型预测结果以及所述特征标签，计算所述待训练的请求类型预测模型中所包括的当前决策树的局部损失函数；根据所述局部损失函数计算所述待训练的请求类型预测模型的全局损失函数。4.根据权利要求3所述的预测模型的训练方法，其特征在于，基于所述损失函数对所述待训练的请求类型预测模型中包括的模型参数进行调整，得到参数调整后的请求类型预测模型，包括：根据所述全局损失函数计算所述待训练的请求类型预测模型的内节点的第一梯度，根据所述第一梯度对所述内节点的参数进行更新；根据所述全局损失函数计算所述待训练的请求类型预测模型的叶子节点的第二梯度，并根据所述第二梯度对所述叶子节点的参数进行更新；根据更新后的内节点的参数以及更新后的叶子节点的参数，得到参数调整后的请求类型预测模型。5.根据权利要求1所述的预测模型的训练方法，其特征在于，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率，包括：基于预设的树模型解释器，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率。
6.根据权利要求5所述的预测模型的训练方法，其特征在于，基于预设的树模型解释器，计算所述标准请求特征在所述待训练的请求类型预测模型进行参数调整过程中的贡献率，包括：从所述标准请求特征中任意选取一特征作为目标特征，并根据所述标准请求特征中除去所述目标特征以外的其他特征，构建特征集合；根据所述特征集合构建特征子集，并基于所述预设的树模型解释器，计算将所述标准请求特征输入至所述参数调整后的请求类型预测模型后得到的预测值的第一期望值，以及将所述特征子集输入至所述参数调整后的请求类型预测模型后得到的预测值的第一期望值；根据所述特征子集中所包括的特征个数、所述特征子集的个数、所述目标特征的数量、第一期望值以及第二期望值，计算所述目标特征的在所述待训练的请求类型预测模型进行参数调整过程中的贡献率；依次循环所述目标特征的贡献率的计算步骤，得到所述标准请求特征的在所述待训练的请求类型预测模型进行参数调整过程中的贡献率。7.根据权利要求1所述的预测模型的训练方法，其特征在于，根据所述标准请求特征的贡献率对所述参数调整后的请求类型预测模型进行矫正，得到训练完成的请求类型预测模型，包括：若任一所述标准请求特征的贡献率大于第一预设阈值，或者任一所述标准请求特征的贡献率小于第二预设阈值，则对所述参数调整后的请求类型预测模型进行矫正，得到训练完...

【专利技术属性】
技术研发人员：解佳，闫保奇，纪妙，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：