[发明专利]网络安全风险预测方法、装置、存储介质及计算机设备

说明书

本发明提供的网络安全风险预测方法、装置、存储介质及计算机设备，首先将预训练后得到的初始模型参数更新至参与联邦学习的多个客户端，并利用更新后的模型参数对本地风险预测模型进行训练，接着各个客户端分别将训练后得到的中间模型参数发送至中央服务器，以继续对初步联邦学习模型进行训练；通过该模型参数进行训练后得到的全局模型，无需直接从企业及用户端获取相关安全数据，避免了对获取的数据进行清洗和标注的成本；另外，利用上述训练好的全局模型参数在用户客户端进行部署，并根据企业用户所处的网络环境、本地安全配置等相关参数进行安全风险预测，可以进一步提升企业安全风险预测准确度。

技术领域

本发明涉及网络安全技术领域，尤其涉及一种网络安全风险预测方法、装置、存储介质及计算机设备。

背景技术

随着互联网技术的不断发展，互联网服务和应用所处的网络环境越来越复杂，面临的安全威胁也逐渐呈现出多样化。在传统的反病毒、防火墙、终端防护等被动防御的基础上，入侵检测、态势感知等主动防御措施逐渐成为网络安全行业的新趋势，作为主动防御的基础，安全风险预测可以为主动防御提供良好的指导，此外，随着网络安全保险行业的发展，风险预测也成为了网络安全保险评估的重要手段。

目前的网络安全风险预测主要通过收集具体方向(如病毒、DDoS、权限管理、访问控制等)的相关数据构建特定模型，并针对一个或多个具体领域进行风险预测，缺乏对整体的安全风险预测，这就限制了进一步的风险预测能力；并且，由于从企业及用户端获取到的安全相关数据有限，呈现多样化，数据的清洗和标注成本较高，不同细分领域的安全数据维度差异较大，联合训练具有一定难度。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中的网络安全风险预测缺乏对整体的安全风险预测，且从企业及用户端获取到的安全相关数据有限，呈现多样化，数据的清洗和标注成本较高，不同细分领域的安全数据维度差异较大，联合训练具有一定难度的技术缺陷。

本发明提供了一种网络安全风险预测方法，包括：

获取训练数据，并利用所述训练数据对预先构建的联邦学习模型进行预训练，得到初步联邦学习模型以及对应的初始模型参数；

接收参与联邦学习的多个客户端发送的模型参数请求指令，并发送所述初始模型参数至相应的客户端，接收各个客户端返回的依据所述初始模型参数对本地风险预测模型训练后得到的中间模型参数；

将各个客户端返回的中间模型参数进行聚合，利用聚合后的模型参数对所述初步联邦学习模型继续进行训练，并将训练结果更新至各个客户端，直到满足训练结束条件为止，得到最终的全局模型以及对应的全局模型参数；

将所述全局模型参数发送至各个客户端，以使各个客户端根据所述全局模型参数对所述本地风险预测模型进行网络安全风险预测。

可选地，所述获取训练数据的步骤之前，还包括：

获取网络安全风险数据，并根据所述网络安全风险数据的公开程度进行相应的加密操作；

对加密后的网络安全风险数据进行预处理后形成训练数据；其中，所述训练数据包括对所述网络安全风险数据进行数据类别划分后的输入数据，以及依据所述网络安全风险数据确定的网络安全风险等级。

可选地，所述根据所述网络安全风险数据的公开程度进行相应的加密操作的步骤，包括：

将所述网络安全风险数据中的用户端数据采取本地加密的方式进行加密操作；

将所述网络安全风险数据中的私有数据在数据库中进行加密存储。

可选地，所述利用所述训练数据对预先构建的联邦学习模型进行预训练，得到初步联邦学习模型以及对应的初始模型参数的步骤，包括：