【技术实现步骤摘要】
本申请涉及动态数据脱敏，具体而言，涉及一种基于人工智能的动态数据自适应脱敏方法及装置。
技术介绍
1、动态数据脱敏是一种在数据运行时对数据进行特殊处理的技术，旨在掩盖敏感数据的真实部分，以保护数据隐私。与静态数据脱敏不同，动态数据脱敏不是在数据存储时进行脱敏，而是在数据查询或使用时进行，确保用户在实际操作时无需使用真实数据，而是使用脱敏后的数据，有效规避数据信息的直接暴露。
2、动态数据脱敏通过内置的安全策略实现，用户可以根据实际需求定义脱敏策略，包括脱敏方式和用户过滤器等。在实际应用中，当用户查询包含敏感数据的表时，系统会根据定义的脱敏策略对目标字段进行脱敏处理，如替换、打乱或生成随机值等方式，以保护数据的隐私性。
3、动态数据脱敏的优势在于其能够在多用户环境下为不同用户设置不同的脱敏策略，确保每个用户只能访问到其权限范围内的脱敏数据。此外，它还能防止数据泄露和非法访问，即使攻击者获得了数据库文件的访问权限，他们也只能看到经过脱敏处理的数据。动态数据脱敏还能帮助企业满足合规性要求和审计需求，通过脱敏策略确保在审计过程中只展示脱敏后的数据。
4、动态数据脱敏能适用于多种场景，但是，当前动态脱敏技术存在以下缺点和不足：敏感数据识别不够准确：当前动态脱敏技术依赖人工标记敏感数据，脱敏处理的准确性和全面性难以保障；脱敏算法选择困难：为了实现精细的脱敏策略，需要对每个应用、每个接口、每个字段进行详细配置相应算法，这不仅配置工作量大，而且容易出现疏漏；数据关联关系失效：动态脱敏处理后，数据间原有的关联关
技术实现思路
1、本申请实施例的目的在于提供一种基于人工智能的动态数据自适应脱敏方法及装置，用以解决现有动态数据脱敏方法存在的问题。
2、第一方面，本申请实施例提供了一种基于人工智能的动态数据自适应脱敏方法，包括：
3、基于深度学习模型和自然语言处理技术，标注动态数据中的敏感信息；
4、训练强化学习模型，对动态数据生成动态脱敏策略，以进行数据的脱敏处理；
5、通过图神经网络识别和分类动态数据中的关联关系，并对关联数据进行统一处理；
6、完成对动态数据的脱敏处理，并接收脱敏反馈数据，基于反馈的脱敏数据调整动态脱敏策略。
7、在上述实现过程中，本申请实施例基于深度学习模型和自然语言处理技术，标注动态数据中的敏感信息；训练强化学习模型，对动态数据生成动态脱敏策略，以进行数据的脱敏处理；通过图神经网络识别和分类动态数据中的关联关系，并对关联数据进行统一处理；完成对动态数据的脱敏处理，并接收脱敏反馈数据，基于反馈的脱敏数据调整动态脱敏策略；自动识别数据中的敏感信息，确保脱敏处理的准确性和全面性；自适应的脱敏算法，自动生成并调整脱敏策略，节省工作量，避免出现疏漏；识别并处理关联数据，保证数据的完整性和一致性；通过反馈的脱敏数据调整脱敏策略，确保脱敏数据在后续的数据分析和机器学习模型训练中的有效性。
8、进一步的，所述基于深度学习模型和自然语言处理技术，标注动态数据中的敏感信息，包括：
9、确定标注目标和需识别的敏感数据类型；
10、根据标注规则，选择标注工具，输入训练数据进行训练深度学习模型；
11、基于深度学习模型结合自然语言处理技术，识别动态数据的数据类型，并调用对应的标注方式进行敏感信息的标注。
12、在上述实现过程中，利用深度学习模型结合自然语言处理技术，识别并标准动态数据的敏感信息；能够准确识别个人信息、商业机密等敏感数据，同时支持自定义敏感词库，提高识别的灵活性和准确性。
13、进一步的，所述训练强化学习模型，并根据动态数据生成动态脱敏策略，以进行脱敏处理，包括：
14、获取训练数据并对该数据进行预处理和上下文分析，以得到数据的上下文信息；
15、定义强化学习的环境，选择强化学习算法进行训练强化学习模型，并对该模型进行优化和调整；
16、当接收到数据脱敏请求时，将动态数据的特征和上下文信息输入到训练好的强化学习模型中，以通过强化学习模型生成脱敏策略；
17、根据生成的脱敏策略，调用对应的脱敏工具或函数对数据进行脱敏处理。
18、在上述实现过程中，通过强化学习模型和动态脱敏策略，动态调整脱敏强度和方式，在保护隐私和保持数据可用性之间取得平衡。
19、进一步的，所述通过图神经网络识别和分类动态数据中的关联关系，并对关联数据进行统一处理，包括：
20、对训练数据进行预处理和格式转换；
21、选择并构建图神经网络模型；
22、通过训练数据对图神经网络模型进行训练和优化；
23、将动态数据输入至训练好的图神经网络模型，以识别和分类动态数据中的关联关系，并对关联数据进行统一处理。
24、在上述实现过程中，图神经网络分析数据的依赖关系和结构，对关联数据进行统一处理，保持数据集的完整性和一致性。
25、进一步的，所述获取训练数据并对该数据进行预处理和上下文分析，以得到数据的上下文信息，包括：
26、从各种数据源收集训练数据，其中，数据源包括：数据库、文件系统和应用程序接口，其中，数据类型包括：结构化数据、半结构化数据和非结构化数据；
27、若数据类型为结构化数据，通过数据库连接获取表结构和数据内容；
28、若数据类型为半结构化或非结构化数据，使用相应的解析工具进行解析和提取关键信息；
29、对收集到的训练数据进行清洗，去除噪声、重复值和异常值；
30、根据数据类型和业务需求对训练数据进行特征提取；
31、分析训练数据的上下文信息，其中，上下文信息包括：数据的来源、数据的用途、数据的访问频率和数据的关联关系；
32、构建数据图谱，将训练数据之间的关联关系以设定的方式表示出来；
33、其中，所述定义强化学习的环境，选择强化学习算法进行训练强化学习模型，并对该模型进行优化和调整，包括：
34、定义强化学习的环境，其中，强化学习的环境包括状态空间、动作空间和奖励函数；
35、定义状态空间、动作空间和奖励函数；
36、选择强化学习算法；
37、调整强化学习算法的超参数，通过实验和调优，得到当前任务的超参数组合；其中，所述超参数包括学习率、折扣因子、经验回放缓冲区大小和批次大小；
38、采用探索与利用平衡策略进行强化学习模型的训练；
39、定期对强化学习模型进行评估和验证，使用独立的测试集来对强化学习模型进行测试，以调整优化该模型；
40、其中，所述当接收到数据脱敏请求时，将动态数据的特征和上下文信息输入到训本文档来自技高网...
【技术保护点】
1.一种基于人工智能的动态数据自适应脱敏方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述基于深度学习模型和自然语言处理技术，标注动态数据中的敏感信息，包括：
3.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述训练强化学习模型，并根据动态数据生成动态脱敏策略，以进行脱敏处理，包括：
4.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述通过图神经网络识别和分类动态数据中的关联关系，并对关联数据进行统一处理，包括：
5.根据权利要求3所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述获取训练数据并对该数据进行预处理和上下文分析，以得到数据的上下文信息，包括：
6.根据权利要求4所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述对训练数据进行预处理和格式转换，包括：
7.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述接收脱敏反馈数据，基于反馈的脱敏数据调
8.一种基于人工智能的动态数据自适应脱敏装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被服务器执行时实现如权利要求1-7任一所述的基于人工智能的动态数据自适应脱敏方法。
...【技术特征摘要】
1.一种基于人工智能的动态数据自适应脱敏方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述基于深度学习模型和自然语言处理技术，标注动态数据中的敏感信息，包括：
3.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述训练强化学习模型，并根据动态数据生成动态脱敏策略，以进行脱敏处理，包括：
4.根据权利要求1所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述通过图神经网络识别和分类动态数据中的关联关系，并对关联数据进行统一处理，包括：
5.根据权利要求3所述的基于人工智能的动态数据自适应脱敏方法，其特征在于，所述获取训练数...
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。