【技术实现步骤摘要】
本专利技术涉及数据处理，特别是指一种基于贝叶斯因果推理的网络数据资产归属识别方法及系统。
技术介绍
1、网络数据资产归属识别的意义在于提高网络环境中的资产管理、安全性和合规性。准确识别网络中的资产归属，可以帮助组织发现并保护关键资产，防止其受到网络攻击。通过识别数据资产的归属，可以更清楚地了解不同资产之间的关联，从而有助于识别潜在的安全威胁，及时采取防护措施。
2、随着科学技术的迅速发展，以及对于网络数据资产归属识别的迫切需要，越来越多的现代化技术被应用到网络数据资产归属识别中。当前对于网络数据资产归属识别主要有基于机器学习的归属识别以及基于深度学习的归属识别。
3、然而，机器学习和深度学习模型主要关注特征与目标变量之间的相关性，而不是因果关系，这些模型往往是“黑箱”性质的，难以解释模型输出的具体原因。同时，在处理动态变化的网络环境时表现较弱，特别是在网络资产不断变化的情况下，需要频繁地重新训练模型以适应新数据，而这会导致很高的计算和时间成本。
技术实现思路
1、为了解决机器学习和深度学习模型主要关注特征与目标变量之间的相关性，而不是因果关系，这些模型往往是“黑箱”性质的，难以解释模型输出的具体原因，在处理动态变化的网络环境时表现较弱，特别是在网络资产不断变化的情况下，需要频繁地重新训练模型以适应新数据，而这会导致很高的计算和时间成本的技术问题，本专利技术提供了一种基于贝叶斯因果推理的网络数据资产归属识别方法及系统。
2、本专利技术实施例提供的技
3、第一方面：
4、本专利技术实施例提供的一种基于贝叶斯因果推理的网络数据资产归属识别方法，包括：
5、s1：获取网络数据资产数据集；
6、s2：提取所述网络数据资产的多个资产特征；
7、s3：利用启发式规则，优先选取显著性高且置信度高的资产特征作为贝叶斯网络的初步节点；
8、s4：根据所述初步节点，基于最大化对数似然增量的选择原则，构建无向的初步贝叶斯网络；
9、s5：将剩余的资产特征作为新节点逐个添加到无向的初步贝叶斯网络；
10、s6：利用卡方检验，根据新节点与现有节点的因果关系，确定新节点在网络中的位置，形成无向的中间贝叶斯网络；
11、s7：从无向的中间贝叶斯网络中，提取包含两个父节点以及一个共有子节点的潜在因果结构；
12、s8：基于所述潜在因果结构中两个父节点组成的节点对的点对点条件因果性，确定无向边的方向，将无向的中间贝叶斯网络转换为有向的最终贝叶斯网络；
13、s9：获取待识别网络数据资产；
14、s10：提取所述待识别网络数据资产的多个资产特征；
15、s11：使用链式规则，根据所述最终贝叶斯网络的拓扑结构，计算在资产特征组合下的联合概率；
16、s12：基于贝叶斯定理，对每个类别标签计算其在给定特征组合下的后验概率；
17、s13：以后验概率最大的类别作为所述待识别网络数据资产的最终类别，并输出。
18、第二方面：
19、本专利技术实施例提供的一种基于贝叶斯因果推理的网络数据资产归属识别系统，包括：
20、处理器；
21、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于贝叶斯因果推理的网络数据资产归属识别方法。
22、第三方面：
23、本专利技术实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于贝叶斯因果推理的网络数据资产归属识别方法。
24、本专利技术实施例提供的技术方案带来的有益效果至少包括：
25、在本专利技术中，基于贝叶斯定理对每个类别标签计算其在给定特征组合下的后验概率，以后验概率最大的类别作为待识别网络数据资产的最终类别，通过贝叶斯因果推理完成网络数据资产归属识别，贝叶斯因果推理不仅能捕捉特征与目标之间的相关性，更关注特征之间的因果关系，模型输出的结果有明确的因果链条，便于解释和追踪，贝叶斯因果推理模型能够动态更新网络结构和参数，无需频繁重新训练整个模型，可以自适应数据环境的变化，降低计算和时间成本，有助于提高网络数据资产管理的整体效率和准确性。
本文档来自技高网...【技术保护点】
1.一种基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述资产特征包括：IP地址、MAC地址、主机名、端口信息、数据包大小、数据包频率、访问频率、常见访问源、传输协议、连接数、运行服务、访问控制列表、认证方式、加密方式、最近更新日期、活跃周期以及最后活动时间。
3.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述S3具体包括：
4.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述S4具体包括：
5.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述S6具体包括：
6.根据权利要求5所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述S8具体包括：
7.根据权利要求5所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述S11具体为：
8.根据权利要求7所述的基于贝叶斯因
9.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，在所述S8之后，所述S11之前，还包括：
10.一种基于贝叶斯因果推理的网络数据资产归属识别系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述资产特征包括：ip地址、mac地址、主机名、端口信息、数据包大小、数据包频率、访问频率、常见访问源、传输协议、连接数、运行服务、访问控制列表、认证方式、加密方式、最近更新日期、活跃周期以及最后活动时间。
3.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述s3具体包括：
4.根据权利要求1所述的基于贝叶斯因果推理的网络数据资产归属识别方法，其特征在于，所述s4具体包括：
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：张玉祺，程丽，鲁星星，齐文宇，明有为，
申请(专利权)人：金祺创北京技术有限公司，
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。