[发明专利]一种数据全生命周期安全的分析方法

权利要求书

1.一种数据全生命周期安全的分析方法，其特征在于，包括以下步骤：

构造训练样本集，从数据集得到数据的每个生命周期安全事件的攻击次数，然后与层次分析法计算出的数据安全事件权重相乘，得到某时间监测点的数据安全态势值，最终得到与监测时间点相对应的关于态势值的时间序列构成实验数据样本集，还需要再将样本集划分为训练样本和测试样本；

训练bagging算法模块集成v-SVM的分析模型，bagging算法模块集成v-SVM的分析模型使用最大为10个v-SVM作为弱学习分类器，并且设定训练样本抽取比例为50％。

2.根据权利要求1所述的分析方法，其特征在于，所述方法还包括在样本集的选取上使用滑动窗口的方法，包括以下步骤：

先选取一段固定时间间隔做为初始窗口，进行训练分析；

窗口再向后滑动一个时间段，再进行训练分析；

初始窗口和滑动窗口交替滑动。

3.根据权利要求2所述的分析方法，其特征在于，采用滑动窗口构造训练样本可以使原本完全离散的数据集，变成部分线性相关，即构造出了一个自协方差系数在0.25-0.5之间的时间序列。

4.根据权利要求2所述的分析方法，其特征在于，所述bagging算法模块集成v-SVM的分析步骤如下：

步骤1、设定bagging算法模块最大迭代次数为10，即为弱学习算法的个数；

步骤2、从构造好的训练集中重复有放回的随机抽取50％的训练样本作为对应预测模型的训练样本进行训练，得到v-SVM分析模型序列(C₁,C₂,...,C₁₀)；

步骤3、将样本分别输入v-SVM分析模型序列(C₁,C₂,...,C₁₀)得到多个态势值C₁(x),C₂(x),...,C₁₀(x)；

步骤4、最终求取多个v-SVM分析模型，从而得到多个模型所计算的态势值C₁(x),C₂(x),...,C₁₀(x)，并将其进行整合，整合后的分析结果C(x)即为总态势分析模型最终的安全分析结果。

5.根据权利要求4所述的分析方法，其特征在于，步骤1中，选定v-SVM为弱学习算法，初始化v-SVM模型序列(C₁,C₂,...,C₁₀)的参数，分别为v-SVMi的参数v_i和核函数参数δ_i。