[发明专利]数据处理方法、违规识别模型训练方法及相关设备

说明书

本发明提供一种数据处理方法、违规识别模型训练方法及相关设备，方法包括：获取预设时间段内的操作行为数据；基于操作行为数据确定第一特征向量和第二特征向量，第一特征向量为图数据的向量，第二特征向量为操作行为特征数据的向量；图数据用于表示操作行为的结构特征，操作行为特征数据用于反映操作行为的相关信息；将第一特征向量和第二特征向量输入到违规识别模型，获得识别结果；违规识别模型包括基于图嵌入算法构建的第一神经网络层和基于集成学习算法构建的第二神经网络层，第一神经网络层为自编码网络。由于在异常操作行为对应的第二特征向量中融入了图数据中节点的结构信息，因此提升了对异常操作行为识别的准确度。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、违规识别模型训练方法及相关设备。

背景技术

随着计算机技术的发展，安全的操作行为成为了当前数据管理的重要指标。目前对于异常操作行为，通常基于经验设置异常操作行为的判断条件，基于判断条件进行异常操作行为的识别，以提高数据管理的安全性，例如判定预设时间段内产生操作行为的次数大于预设值的用户的操作行为，认定为异常操作行为。由于异常操作行为的复杂性，通过判断条件对异常操作行为的识别准确性较差。

发明内容

本发明实施例提供一种数据处理方法、违规识别模型训练方法及相关设备，以解决违规识别模型识别的准确性较差的问题。

第一方面，本发明实施例提供了一种数据处理方法，包括：

获取预设时间段内的操作行为数据；

基于所述操作行为数据确定第一特征向量和第二特征向量，所述第一特征向量为图数据的向量，所述第二特征向量为操作行为特征数据的向量，所述图数据用于表示操作行为的结构特征，所述图数据包括多个节点以及节点与节点的连线，每一个所述节点用于表示所述操作行为特征数据中的一条数据，每一条连线用于表示两个所述节点对应的所述操作行为特征数据具有关联关系；所述操作行为特征数据用于反映操作行为的相关信息；

将所述第一特征向量和所述第二特征向量输入到违规识别模型，获得识别结果；

其中，所述违规识别模型包括基于图嵌入算法构建的第一神经网络层和基于集成学习算法构建的第二神经网络层，所述第一神经网络层为自编码网络；所述自编码网络用于监督学习异常操作行为，所述第一神经网络层的输入为所述第一特征向量，所述第一神经网络层的输出为第一图嵌入向量，所述第一图嵌入向量用于表示所述图数据中节点的结构信息，所述第二神经网络层的输入为所述第一图嵌入向量和所述第二特征向量，输出为所述识别结果。

第二方面，本发明实施例提供了一种违规识别模型训练方法，包括：

获取待训练的样本数据；

基于所述样本数据确定第三特征向量和第四特征向量，所述第三特征向量为图数据的向量，所述第四特征向量为操作行为特征数据的向量，所述图数据用于表示操作行为的结构特征，所述图数据包括多个节点以及节点与节点的连线，每一个所述节点用于表示所述操作行为特征数据中的一条数据，每一条连线用于表示两个所述节点对应的所述操作行为特征数据具有关联关系；所述操作行为特征数据用于反映操作行为的相关信息；

基于所述第三特征向量和第四特征向量对待训练违规识别模型进行训练，获得违规识别模型；

其中，所述待训练违规识别模型包括基于图嵌入算法构建的第一神经网络层和基于集成学习算法构建的第二神经网络层，所述第一神经网络层为自编码网络；所述自编码网络用于监督学习异常操作行为，所述第一神经网络层的输入为所述第三特征向量，所述第一神经网络层的输出为第二图嵌入向量，所述第二图嵌入向量用于表示所述图数据中节点的结构信息，所述第二神经网络层的输入为所述第二图嵌入向量和所述第四特征向量，输出为对异常操作行为的识别结果。