【技术实现步骤摘要】
本公开实施例涉及信息安全，尤其涉及一种数据安全分析方法及智算数据安全工作站。
技术介绍
1、随着大数据和人工智能技术的发展,企业积累的数据量不断增长。然而,由于缺乏有效的数据安全管理手段,企业面临安全风险。现有的数据安全分析技术主要存在以下不足:
2、数据敏感性识别效率低,无法快速准确标记敏感数据；
3、用户行为分析能力不足,难以有效识别内部人员的异常操作；
4、数据泄露风险评估不全面,无法检测复杂的高级持续性威胁。因此,亟需一种更加全面高效的数据安全分析方法,能够精准识别敏感数据,实时监控用户行为,深入评估数据泄露风险,以此增强企业的数据安全防护能力。
技术实现思路
1、有鉴于此，本公开实施例提供一种数据安全分析方法及智算数据安全工作站，能够提高法律文书释义的准确率。
2、本公开实施例提供一种数据安全分析方法，包括：
3、智算数据安全工作站获取不同数据源的数据，所述数据包括用户操作日志、数据访问和传输日志；
4、基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据；
5、基于所述用户操作日志分析用户行为模式，识别异常行为；
6、基于所述数据访问和传输日志，评估数据泄露风险，生成风险报告。
7、可选地，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
8、利用自然语言处理nlp技术，提取所述数据中的文本信息；
9
10、构建预设规则库，所述预设规则库中包含敏感信息类型、关键词匹配规则和正则表达式规则；
11、构建svm模型，利用所述预设规则库的训练数据集训练所述svm模型；
12、利用所述svm模型对所述文本信息中的关键词进行分类和分级，标记出不同类别的敏感数据。
13、可选地，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
14、利用自然语言处理nlp技术，提取所述数据中的文本信息；
15、构建预设规则库，所述预设规则库中包含敏感信息类型、关键词匹配规则和正则表达式规则；
16、构建支持向量机svm模型，利用所述预设规则库的训练数据集训练所述svm模型；
17、提取所述文本信息中的特征向量；
18、对所述特征向量进行均值中心化处理：计算每个所述特征向量的均值，将其减去对应的均值，以消除特征间的偏移；
19、对均值中心化处理后所述特征向量进行特征稀疏化处理：利用l1正则化技术，将所述特征向量中低于预设阈值的特征值置零，以减少特征冗余；
20、将均值中心化处理和特征稀疏化处理后的特征输入所述svm模型，标记出不同类别的敏感数据。
21、可选地，基于所述用户操作日志分析用户行为模式，识别异常行为，包括：
22、在所述智算数据安全工作站中部署用户行为分析ueba系统，从所述数据中获取所述用户操作日志；
23、构建随机森林模型，对所述随机森林模型进行训练，建立用户正常行为的基准线；
24、将所述用户操作日志输入至训练后的所述随机森林模型中，识别出用户的异常行为模式。
25、可选地，根据权利要求1所述的方法，其特征在于，基于所述用户操作日志分析用户行为模式，识别异常行为，包括：
26、获取所述用户操作日志；
27、定义所述用户操作日志的语义安全超属性，包括登录时间、登录ip地址、使用的设备信息；
28、生成模拟的异常登录攻击模式，所述异常登录攻击模式包括非工作时间的登录尝试、从不同地区的ip进行登录尝试和/或使用不同设备进行登录尝试；
29、将所述模拟的异常登录攻击模式和正常登录行为模式进行数据混合，形成训练数据集；
30、构建svm模型或随机森林模型，将所述训练数据集输入至所述svm模型或随机森林模型；
31、将所述语义安全超属性输入至训练后的所述svm模型或随机森林模型中，进行异常行为识别。
32、可选地，基于所述数据访问和传输日志，评估数据泄露风险，生成风险报告，包括：
33、构建贝叶斯网络模型；
34、使用历史数据对所述贝叶斯网络模型进行训练；
35、将所述数据访问和传输日志输入至所述贝叶斯网络模型中，评估数据泄露风险，识别潜在的风险点和异常行为，生成风险报告。
36、可选地，基于所述数据访问和传输日志，评估数据泄露风险，生成风险报告，包括：
37、使用自监督序列学习算法构建高级持续性威胁apt检测模型，所述apt检测模型为transformer、bert或lstm模型；
38、获取历史系统行为数据，所述历史系统行为数据包括正常行为和已知的apt攻击行为数据；
39、利用上下文感知异常检测方法，获取历史系统行为数据中的上下文信息，并将所述上下文信息和行为序列嵌入结合，形成上下文特征向量，所述上下文信息包括用户身份、访问时间、地理位置和操作类型；
40、利用所述上下文特征向量对所述apt检测模型进行训练，以便所述apt检测模型学习系统行为序列嵌入，理解正常和异常的行为模式；
41、将所述数据访问和传输日志输入至所述apt检测模型，实时评估数据泄露风险，识别潜在的apt攻击行为，并生成风险报告。
42、可选地，所述apt检测模型为基于transformer的预训练大语言模型llm，则利用所述上下文特征向量对所述apt检测模型进行训练，包括：
43、利用所述上下文特征向量对所述llm进行微调训练；
44、则将所述数据访问和传输日志输入至所述apt检测模型，实时评估数据泄露风险，识别潜在的apt攻击行为，并生成风险报告，包括：
45、将所述数据访问和传输日志转化为自然语言描述；
46、利用微调后的所述llm对所述自然语言描述进行语义理解，识别潜在的apt攻击行为特征；
47、利用llm的语言生成能力，自动生成apt攻击事件的风险报告。
48、可选地，所述方法还包括：
49、所述llm从生成的报告中提取关键信息，包括攻击者、攻击手段、目标资产，构建apt攻击知识图谱；
50、利用知识图谱进行推理和关联分析，发现潜在的apt攻击链和攻击者团队。
51、本专利技术实施例还提供一种智算数据安全工作站，包括：
52、获取模块，用于获取不同数据源的数据，所述数据包括用户操作日志、数据访问和传输日志；
53、敏感数据标记模块，用于基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据；
54、异常行为识别模块，用于基于所述用户操作日本文档来自技高网...
【技术保护点】
1.一种数据安全分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
3.根据权利要求1所述的方法，其特征在于，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
4.根据权利要求2或3所述的方法，其特征在于，基于所述用户操作日志分析用户行为模式，识别异常行为，包括：
5.根据权利要求2或3所述的方法，其特征在于，根据权利要求1所述的方法，其特征在于，基于所述用户操作日志分析用户行为模式，识别异常行为，包括：
6.根据权利要求1所述的方法，其特征在于，基于所述数据访问和传输日志，评估数据泄露风险，生成风险报告，包括：
7.根据权利要求1所述的方法，其特征在于，基于所述数据访问和传输日志，评估数据泄露风险，生成风险报告，包括：
8.根据权利要求7所述的方法，其特征在于，所述APT检测模型为基于Transformer的预训练大语言模型LLM，则利用所述上下文特征向量对所述APT检测模型
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
10.一种智算数据安全工作站，其特征在于，包括：
...【技术特征摘要】
1.一种数据安全分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
3.根据权利要求1所述的方法，其特征在于，基于预设规则库和机器学习模型，对所述数据进行分类分级，标记敏感数据，包括：
4.根据权利要求2或3所述的方法，其特征在于，基于所述用户操作日志分析用户行为模式，识别异常行为，包括：
5.根据权利要求2或3所述的方法，其特征在于，根据权利要求1所述的方法，其特征在于，基于所述用户操作日志分析用户行为模式，识别异常行为，...
【专利技术属性】
技术研发人员：林家全，舒浩楠，王思源，周云竹，周松波，
申请(专利权)人：贵州经贸职业技术学院，
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。