[发明专利]网络安全风险事件预测方法及装置

权利要求书

1.一种网络安全风险事件预测方法，其特征在于，包括：

获取待预测网络数据，并提取所述待预测网络数据的特征向量；

将所述待预测网络数据的特征向量输入至孪生神经网络分类模型，得到由所述孪生神经网络分类模型输出的所述待预测网络数据的风险事件类别；

所述孪生神经网络分类模型基于携带有风险事件类别标签的网络数据样本训练得到；所述孪生神经网络分类模型用于将所述待预测网络数据的特征向量转化为降维特征向量，并将所述待预测网络数据的降维特征向量、所述网络数据样本的低维特征向量以及所述风险事件类别标签进行矩阵运算，基于矩阵运算的结果，确定所述待预测网络数据的风险事件类别。

2.根据权利要求1所述的网络安全风险事件预测方法，其特征在于，所述孪生神经网络分类模型具体通过如下方式训练得到：

基于所述网络数据样本，构建样本对，所述样本对携带的风险事件类别标签基于所述样本对中每个网络数据样本携带的风险事件类别标签确定；

将所述样本对的特征向量输入至所述孪生神经网络分类模型，由所述孪生神经网络分类模型确定所述样本对的低维特征向量对；

确定所述低维特征向量对的相似距离，并基于所述相似距离，确定损失函数最小时所述孪生神经网络分类模型的模型参数。

3.根据权利要求2所述的网络安全风险事件预测方法，其特征在于，所述基于所述网络数据样本，构建样本对，具体包括：

将所述网络数据样本按携带的风险事件类别标签进行全排列，形成样本对，并基于所述样本对中每个网络数据样本携带的风险事件类别标签之间的相似度，确定所述样本对的风险事件类别标签。

4.根据权利要求1所述的网络安全风险事件预测方法，其特征在于，所述将所述待预测网络数据的降维特征向量、所述网络数据样本的低维特征向量以及所述风险事件类别标签进行矩阵运算，具体包括：

计算所述待预测网络数据的降维特征向量、所述网络数据样本的低维特征向量的转置以及所述风险事件类别标签的乘积。

5.根据权利要求1所述的网络安全风险事件预测方法，其特征在于，所述基于矩阵运算的结果，确定所述待预测网络数据的风险事件类别，具体包括：

将矩阵运算的结果转化为熵值；

基于所述熵值与预设熵值的大小关系，确定所述待预测网络数据的风险事件类型。

6.根据权利要求1-5中任一项所述的网络安全风险事件预测方法，其特征在于，所述待预测网络数据具体包括：网络运行状态数据以及网络配置数据。

7.一种网络安全风险事件预测装置，其特征在于，包括：

特征向量提取模块，用于获取待预测网络数据，并提取所述待预测网络数据的特征向量；

预测模块，用于将所述待预测网络数据的特征向量输入至孪生神经网络分类模型，得到由所述孪生神经网络分类模型输出的所述待预测网络数据的风险事件类别；

所述孪生神经网络分类模型基于携带有风险事件类别标签的网络数据样本训练得到；所述孪生神经网络分类模型用于将所述待预测网络数据的特征向量转化为降维特征向量，并将所述待预测网络数据的降维特征向量、所述网络数据样本的低维特征向量以及所述风险事件类别标签进行矩阵运算，基于矩阵运算的结果，确定所述待预测网络数据的风险事件类别。

8.根据权利要求7所述的网络安全风险事件预测装置，其特征在于，还包括：训练模块，用于通过如下方式训练得到所述孪生神经网络分类模型：

基于所述网络数据样本，构建样本对，所述样本对携带的风险事件类别标签基于所述样本对中每个网络数据样本携带的风险事件类别标签确定；

将所述样本对的特征向量输入至所述孪生神经网络分类模型，由所述孪生神经网络分类模型确定所述样本对的低维特征向量对；

确定所述低维特征向量对的相似距离，并基于所述相似距离，确定损失函数最小时所述孪生神经网络分类模型的模型参数。