[发明专利]数据脱敏有效性验证方法、装置、计算机设备及存储介质

权利要求书

1.数据脱敏有效性验证方法，其特征在于，包括：

获取应用服务和数据访问过程中产生的数据，以得到初始数据；

判断所述初始数据是否是敏感数据；

若所述初始数据是敏感数据，则使用探针和字节码增强技术采集敏感数据，并获取应用服务之间的调用关系，以得到数据流经的接口信息；

根据数据流经的接口信息确定接口字段信息；

对所述接口字段信息进行脱敏操作，以得到脱敏数据；

将所述脱敏数据输入至脱敏有效性验证模型内进行脱敏有效性验证，以得到验证结果；

输出所述验证结果至终端；

所述判断所述初始数据是否是敏感数据，包括：

将所述初始数据输入至识别模型内进行个人隐私数据识别，以得到识别结果；

将所述初始数据与预设的数据识别策略进行匹配，以得到匹配分值；定义个人隐私类数据具体类型的正则表达式、字典、关键字识别规则，并对识别规则进行多模式组合，形成多种数据识别策略；多种数据识别策略包括关键字与正则表达式规则组合识别策略、正则表达式与字典规则组合识别策略、字典与关键字规则组合识别策略；定义身份证、手机号码、家庭地址、电子邮箱、车牌号、银行账号、社保号、公积金号码个人隐私类数据具体类型的正则表达式、字典、关键字识别规则，并对识别规则进行多模式组合，形成多种数据识别策略；

根据所述匹配分值以及所述识别结果确定数据类别；采用ResNet深度学习算法自动提取该初始数据的长度、字符类型、符号、格式特征，判别初始数据与个人隐私类数据的具体类型的相似度分值；该初始数据与各种数据识别策略进行依次匹配，得出策略匹配分值；最后采用加权平均的方式，得分最高的类表明该初始数据是否属于个人隐私类数据；

判断所述数据类别是否是个人隐私数据；

若所述数据类别是个人隐私数据，则确定所述初始数据是敏感数据；

若所述数据类别不是个人隐私数据，则确定所述初始数据不是敏感数据；

所述识别模型是通过若干个带有个人隐私数据具体类型标签的数据作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的；

识别模型是通过若干个带有个人隐私数据具体类型标签的数据作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的，包括以下步骤：

获取若干个带有个人隐私数据具体类型标签的数据，以得到样本集，且将所述样本集划分为训练集；

构建ResNet深度学习网络；

将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果；

对所有节点的求导结果进行加权平均并更新ResNet深度学习网络的网络参数，同步更新所有GPU节点；

判断所述ResNet深度学习网络是否收敛；

若所述ResNet深度学习网络收敛，则确定所述ResNet深度学习网络为识别模型；

若所述ResNet深度学习网络未收敛，则执行所述将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果。

2.根据权利要求1所述的数据脱敏有效性验证方法，其特征在于，所述根据数据流经的接口信息确定接口字段信息，包括：

分析数据流经的接口信息，以获取请求的响应内部执行情况；

对数据流经的接口信息中涉及的接口信息进行关联，并定位相关联的字段信息，以得到接口字段信息。

3.根据权利要求1所述的数据脱敏有效性验证方法，其特征在于，所述对所述接口字段信息进行脱敏操作，以得到脱敏数据，包括：

按照脱敏策略规则对所述接口字段信息进行变形处理，以得到脱敏数据。

4.根据权利要求1所述的数据脱敏有效性验证方法，其特征在于，所述脱敏有效性验证模型是通过若干个已脱敏的敏感数据作为样本集训练朴素贝叶斯NB分类器所得的。