[发明专利]基于隔离算法的异常数据检测方法

说明书

本发明公开了基于隔离算法的异常数据检测方法，属于数据处理技术领域，该检测方法具体步骤如下：(1)收集并筛选数据；(2)构建学习神经网络以进行参数设置；(3)对数据进行数据隔离；(4)对异常数据进行溯源处理并记录；(5)修复异常数据并反馈用户；本发明无需人工设置参数且不需要人工建模，能够方便用户对计算机中的异常数据进行检测，提高用户异常处理效率，操作简单，能够快速对不符合许可规则的软件进行中断处理，有效的保证计算机的安全性，同时节省用户处理方案设计时间。

技术领域

本发明涉及数据处理技术领域，尤其涉及基于隔离算法的异常数据检测方法。

背景技术

在数据挖掘中，异常检测对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别，通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题，异常也被称为离群值、新奇、噪声、偏差和例外，特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动，这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法将对此类数据失效，除非进行了合适的聚集，相反，聚类分析算法可能可以检测出这些模式形成的微聚类；因此，发明出基于隔离算法的异常数据检测方法变得尤为重要；

经检索，中国专利号CN202110815076.X公开了数据异常检测方法，该发明虽然能够快速精准定位到数据异常，实现了对于业务核心指标的智能预警能力，但是需要人工设置参数以及人工建模，不方便用户对计算机中的异常数据进行检测；此外，现有的基于隔离算法的异常数据检测方法违规软件处理效率慢，无法有效的保证计算机的安全性；为此，我们提出基于隔离算法的异常数据检测方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于隔离算法的异常数据检测方法。

为了实现上述目的，本发明采用了如下技术方案：

基于隔离算法的异常数据检测方法，该检测方法具体步骤如下：

(1)收集并筛选数据：对计算机数据进行收集，并对收集的数据进行数据分类，同时分别生成数据黑名单以及数据白名单对数据进行记录，同时对两组名单数据进行实时更新；

(2)构建学习神经网络以进行参数设置：将数据黑名单上的数据分为训练集和测试集，并通过训练样本对学习神经网络进行训练，再用测试样本对训练得到的学习神经网络进行数据验证，并获取最佳参数；

(3)对数据进行数据隔离：参数设置完成后，构建隔离模型并将参数导入隔离模型中，同时将数据黑名单中的数据导入隔离模型中进行隔离检测，并将其中检测出的异常数据进行记录，同时构建风险管控数据库对相关软件进行监控；

(4)对异常数据进行溯源处理并记录：依次对检测出的异常数据进行数据溯源，并对溯源结果进行判断分类，同时对分类完成的异常数据进行二次分析，并将分析结果反馈给用户；

(5)修复异常数据并反馈用户：对风险指数高的异常数据进行数据修复处理，同时生成修复日志，并将修复日志上传至云端服务器进行存储，将修复信息上传至共享平台进行数据共享。

作为本发明的进一步方案，步骤(1)中所述数据分类具体步骤如下：

步骤一：收集计算机中所有软件数据，并将其按照系统软件数据以及应用软件数据进行分类；

步骤二：将系统软件数据录入数据白名单中，将应用软件数据录入数据黑名单中，同时将相关软件名称分别录入两组名单中；

步骤三：将两组名单记录的软件名称按照名称首字母A～Z进行排序，同时将各组软件数据与相关软件名称进行关联。

作为本发明的进一步方案，步骤(2)中所述数据验证具体步骤如下：

第一步：统计数据黑名单中的数据总量n，并从中中选择一个数据作为验证数据；