买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉国网江苏省电力有限公司南京供电分公司申请的专利异常数据访问的识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119166453B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411039016.3，技术领域涉及：G06F11/30；该发明授权异常数据访问的识别方法是由朱红勤;余璟;王黎明;罗兴;王昊炜;王东;陈诚;许洪华;潘小辉设计研发完成，并于2024-07-31向国家知识产权局提交的专利申请。

本异常数据访问的识别方法在说明书摘要公布了：本发明具体涉及一种异常数据访问的识别方法，属于通过流量日志进行异常检测的技术领域。本发明对现有的测算法进行改进得到日志特征提取模型，然后通过不同的训练集将日志特征提取模型分别训练；通过两个训练完成的最终模型分别进行特征提取，然后将得到的特征向量依次与当前访问用户的实时登录环境日志特征向量q和实时访问行为日志特征向量u进行相似度计算进而实现异常数据访问识别。本发明通过基于深度神经网络的语言模型捕捉用户行为的深层次特征。能够适应各种格式和非结构化的日志数据，无需繁琐的日志数据预处理。在多用户多数据和不规则日志的复杂场景中保持良好的性能，增强了方法的适应性和灵活性。

本发明授权异常数据访问的识别方法在权利要求书中公布了：1.一种异常数据访问的识别方法，涉及存储有n个正常用户的历史登录环境日志和历史访问行为日志，m个异常用户的历史异常登录环境日志和历史异常访问行为日志的数据库，其特征在于：执行以下步骤： 步骤1：根据改进的基于Bert的日志检测算法建立日志特征提取模型，如下式1所示，     1式1中，是输出的特征向量，是输入的文本嵌入向量，它通过对原始文本词计算词汇嵌入，分段嵌入和位置嵌入后相加得到；，，，，，，，都是原始Attention模块中需要通过训练学习的参数；是敏感互信息抽取层，它能够在训练的过程中逐渐学习提取日志中关键信息，从而能够为敏感特征对应的文本赋予更高的权重，使得计算出的特征向量在异常识别场景下具有更强的表征能力；和  分别表示层归一化和软最大化计算； 步骤2：从所述数据库中n个正常用户的所述历史登录环境日志中进行N次放回抽样并将抽样结果收集起来形成历史登录环境日志集A，将所述历史登录环境日志集A中的所有日志按照经验比例划分为第一训练集B1和第一测试集C1；通过所述第一训练集B1和第一测试集C1对所述日志特征提取模型进行模型训练，得到最终登录环境日志特征提取模型；所述最终登录环境日志特征提取模型以登录环境日志为输入，以登录环境日志特征向量为输出； 训练过程的具体步骤如下： 步骤2.1：为训练数据集中的每条登录环境日志文本的开头增加一个特殊标志 USER，用USER标志对应的输出向量作为整个日志文本的特征向量； 步骤2.2：构建多任务微调的损失函数，它由多个子任务的损失函数组成；每个子任务分在特征向量通过一个大小为  的线性层来预测登录日志的一项敏感特征，其中是的维度；子任务通过使用特征向量来预测用户的登录环境敏感信息，所述登录环境敏感信息包括地理位置，Ip地址的范围，MAC地址和权限级别，从而能够提取日志的关键特征； 对于分类子任务，使用交叉熵 作为损失函数，其中和分别表示第个样本在第类上的真实值和预测值；对于回归任务，使用均方误差  作为损失函数，其中和分别表示第个样本的真实值和预测值；最终的误差函数是所有子任务误差函数的平均值，其中 表示第  个子任务； 步骤3：从所述数据库中n个正常用户的所述历史访问行为日志中进行N次放回抽样并将抽样结果收集起来形成历史访问行为日志集D，将所述历史访问行为日志集D中的所有日志按照经验比例划分为第二训练集B2和第二测试集C2；通过所述第二训练集B2和第二测试集C2对所述日志特征提取模型进行模型训练，得到最终访问行为日志特征提取模型；所述最终访问行为日志特征提取模型以访问行为日志为输入，以访问行为日志特征向量为输出； 训练过程的具体步骤如下： 步骤3.1：为训练数据集中的每条访问行为日志文本的开头增加一个特殊标志 USER，用USER标志对应的输出向量作为整个日志文本的特征向量； 步骤3.2：构建多任务微调的损失函数，它由多个子任务的损失函数组成；每个子任务分在特征向量通过一个大小为  的线性层来预测访问行为日志的一项敏感特征，其中是的维度；子任务通过使用特征向量来预测用户的访问行为敏感信息，所述访问行为敏感信息包括数据权限级别，用户权限级别，用户访问频率，数据类型和数据来源，从而能够提取日志的关键特征；对于分类子任务，也使用交叉熵作为损失函数，对于回归任务，也使用均方误差作为损失函数；最终的误差函数是所有子任务误差函数的平均值； 步骤4：将所述数据库中n个正常用户的所述历史登录环境日志依次代入所述最终登录环境日志特征提取模型进行特征提取得到n个历史登录环境日志特征向量并收集起来形成历史登录环境日志特征向量集合E，如下式2所示，      2式2中，是所述数据库中n个正常用户中第一个用户的所述历史登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第一历史登录环境日志特征向量；是所述数据库中n个正常用户中第二个用户的所述历史登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第二历史登录环境日志特征向量；是所述数据库中n个正常用户中最后一个用户的所述历史登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第n历史登录环境日志特征向量； 将所述数据库中n个正常用户的所述历史访问行为日志依次代入所述最终访问行为日志特征提取模型进行特征提取得到n个历史访问行为日志特征向量并收集起来形成历史访问行为日志特征向量集合F，如下式3所示，      3式3中，是所述数据库中n个正常用户中第一个用户的所述历史访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第一历史访问行为日志特征向量；是所述数据库中n个正常用户中第二个用户的所述历史访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第二历史访问行为日志特征向量；是所述数据库中n个正常用户中最后一个用户的所述历史访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第n历史访问行为日志特征向量； 将所述数据库中m个异常用户的所述历史异常登录环境日志依次代入所述最终登录环境日志特征提取模型进行特征提取得到m个历史异常登录环境日志特征向量并收集起来形成历史异常登录环境日志特征向量集合O，如下式4所示，      4式4中，是所述数据库中m个异常用户中第一个用户的所述历史异常登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第一历史异常登录环境日志特征向量；是所述数据库中m个异常用户中第二个用户的所述历史异常登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第二历史异常登录环境日志特征向量；是所述数据库中m个异常用户中最后一个用户的所述历史异常登录环境日志经过所述最终登录环境日志特征提取模型进行特征提取得到的第m历史异常登录环境日志特征向量； 将所述数据库中m个异常用户的所述历史异常访问行为日志依次代入所述最终访问行为日志特征提取模型进行特征提取得到m个历史异常访问行为日志特征向量并收集起来形成历史异常访问行为日志特征向量集合K，如下式5所示，      5式5中，是所述数据库中m个异常用户中第一个用户的所述历史异常访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第一历史异常访问行为日志特征向量；是所述数据库中m个异常用户中第二个用户的所述历史异常访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第二历史异常访问行为日志特征向量；是所述数据库中m个异常用户中最后一个用户的所述历史异常访问行为日志经过所述最终访问行为日志特征提取模型进行特征提取得到的第m历史异常访问行为日志特征向量； 步骤5：实时读取当前访问用户的实时登录环境日志Q和实时访问行为日志U，将所述实时登录环境日志Q和实时访问行为日志E分别代入所述最终登录环境日志特征提取模型和最终访问行为日志特征提取模型中进行特征提取，得到当前访问用户的实时登录环境日志特征向量q和实时访问行为日志特征向量u； 根据下式6计算出当前访问用户的实时登录环境与历史登录环境之间的相似度，          6式6中，是当前访问用户的实时登录环境日志特征向量；是所述历史登录环境日志特征向量集合E中的第i个历史登录环境日志特征向量；是所述q的模值；是所述的模值； 根据下式7计算出当前访问用户的实时访问行为与历史访问行为之间的相似度，          7式7中，是当前访问用户的实时访问行为日志特征向量；是所述历史访问行为日志特征向量集合F中的第i个历史访问行为日志特征向量；是所述的模值；是所述的模值； 根据下式8计算出当前访问用户的实时登录环境与历史异常登录环境之间的相似度，          8式8中，是当前访问用户的实时登录环境日志特征向量；是所述历史异常登录环境日志特征向量集合O中的第i个历史异常登录环境日志特征向量；是所述q的模值； 是所述的模值； 根据下式9计算出当前访问用户的实时访问行为与历史异常访问行为之间的相似度，          9式9中，是当前访问用户的实时访问行为日志特征向量；是所述历史异常访问行为日志特征向量集合K中的第i个历史异常访问行为日志特征向量；是所述的模值； 是所述的模值； 步骤6：根据下式10得到当前访问用户的登录环境风险等级，     10式10中，和分别是第一和第二登录环境相似度阈值，均是经验值； 根据下式11得到当前访问用户的访问行为风险等级，     11式11中，和分别是第一和第二访问行为相似度阈值，均是经验值； 若当前访问用户的所述登录环境风险等级与所述访问行为风险等级相加大于3级，则说明当前访问用户的访问数据是异常数据；若当前访问用户的所述登录环境风险等级与所述访问行为风险等级相加不大于3级，则说明当前访问用户的访问数据是正常数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人国网江苏省电力有限公司南京供电分公司，其通讯地址为：210019 江苏省南京市建邺区奥体大街1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。