(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111282154.0 (22)申请日 2021.11.01 (71)申请人 北京计算机技 术及应用研究所 地址 100854 北京市海淀区永定路51号 (72)发明人 钱丰　王佳　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 代理人 刘瑞东 (51)Int.Cl. G06F 21/57(2013.01) G06N 20/00(2019.01) (54)发明名称 一种基于深度学习的系统安全状态评级方 法 (57)摘要 本发明涉及一种基于深度学习的系统安全 状态评级方法， 属于人工智能领域。 该方法包括： (1)通过收集当前系统的系统各方面状态数据， 构建系统状态特征向量； (2)将上一步的特征向 量输入到深度模 型中， 通过深度学习技术计算输 出分析判别向量； (3)将分析判别向量输入到 Logistic多分类回归模型中， 通过Logi stic多分 类回归分析模型最终得到系统安全状态的分类 评级。 本发明应用于系统安全状态评级， 从而增 强对系统的安全监控、 增加系统运行稳定性， 及 早发现系统安全状态异常， 增强系统安全。 利用 深度学习技术和Logi stic多分类回归分析模型， 可通过以往的数据来判断预测当前以及未来系 统状态的安全分类评级。 本发明在系统运维与安 全防护测领域有广泛的应用。 权利要求书1页 说明书6页 附图1页 CN 113987514 A 2022.01.28 CN 113987514 A 1.一种基于深度学习的系统安全状态评级方法， 其特 征在于， 该 方法包括如下步骤： S1、 通过收集当前系统的各 方面状态数据， 构建系统状态特 征向量； S2、 将上一步的特征向量输入到深度模型中， 通过深度学习技术计算输出分析判别向 量； S3、 将分析判别向量输入到Logistic多分类回归模型中， 通过Logistic多分类回归分 析模型最终得到系统安全状态的分类评级。 2.如权利要求1所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 所述步骤 S1具体包括： 首先应该制定一个特征向量表， 然后收集当前系统状态的特征， 将特定的系统 状态特征通过特征向量表编 码成对应的取值， 最 终每一个时刻的系统状态特征通过特征向 量表被编码成一个固定 长度的特 征向量{x1， x2， x3..， xn}其中n为特征向量的维度。 3.如权利要求2所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 每一个特 征向量都包括离 散的整数 特征值。 4.如权利要求2所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 特征向量 表的构建需要考虑几个因素： 所在的单位拥有什么样的系统功 能； 该数据是否可以充分揭 示系统的安全性； 该 数据在模型构建过程中， 从技 术角度上来讲 是否具有分辨能力。 5.如权利要求2 ‑4任一项所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 所述步骤S2具体包括： 首先把每个系统状态的特征向量{ x1， x2， x3..， xn}输入到一个标准的 全连接深度学习模型中， 深度模型维度结构为n ‑l1‑l2‑l3‑m， 其中n为特征向量{x1， x2， x3..， xn}的维度n， m为输出分析判别向量的维度m， l1， l2， l3为全连接深度模型 的中间维度， 系统 状态的特征向量{x1， x2， x3..， xn}输入到深度学习模型计算后， 将会得到一个m维的输出向 量{a1， a2， a3， ...am}， 该输出向量经过softmax归一化后， 即可输出向量{b1， b2， b3， ...bm}， 其 中bi∈[0， 1]， 该输出向量 为输出分析判别向量。 6.如权利要求5所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 深度 学习 模型的结构和层级根据实际的训练和生产环境应用效果进行调节。 7.如权利要求5所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 中间维度 根据实际的模型表现进行调整。 8.如权利要求5所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 所述步骤 S3具体包括： 将单个系统状态的输出分析判别向量{b1， b2， b3， ...bm}输入到logistic多分 类回归分析模型中， 由Logistic多分类回归分析模型对输入的分析判别向量{b1， b2， b3， ...bm}给出分类c， 其中c∈[1， 2， 3. ..j]， 其中j为训练模型中对于安全级别的分类。 9.如权利要求8所述的基于深度学习的系统安全状态评级方法， 其特征在于， 分类c的 分类表需根据业 务的实际情况进行设计。 10.如权利要求9所述的基于深度 学习的系统安全状态评级方法， 其特征在于， 该分类c ∈[1， 2， 3， 4， 5]， 1为非常安全， 2为安全， 建议1天后重新评估， 3为模糊， 建议技术人员保持 警惕， 4为不安全， 技术人员检修， 5为非常不 安全， 立即抢修。权　利　要　求　书 1/1 页 2 CN 113987514 A 2一种基于深度学习的 系统安全状态 评级方法 技术领域 [0001]本发明属于人工智能领域， 具体涉及一种基于深度学习 的系统安全状态评级方 法。 背景技术 [0002]系统安全状态评级方法， 即针对系统安全状态的的安全性评级， 是对带有不 同安 全状态级别的系统状态进 行分析、 处理、 归类的过程。 随着系统架构的日益复杂以及系统中 承载的程序日益增多， 系统中往往会同时运行海量的程序并且呈现多种多样的状态。 系统 提供的服务数量大量提升， 用户对于安全性的要求也越来越高， 但判定系统的安全状态也 越来越难， 所以系统安全状态评级技术越来越受到重视。 系统安全状态评级是系统安全保 护中的一项重要工作， 主要用于系统保护、 入侵检测、 系统危险预警等方面， 对于系统安全 和系统数据安全发挥着至关重要的作用。 [0003]随着系统架构的日益复杂以及系统中承载的程序日益增多， 传统的系统安全监测 评级方法， 即手工规则书写方法以及传统机器学习方法， 越来越不能满足日益增长的对安 全性的要求。 [0004]传统的规则判别方法利用手工进行规则书写， 然后使用条件进行判断分类。 利用 手工进行规则书写， 然后使用条件进行判断分类的方法通常会将规则进行硬编码， 写入系 统， 从而不能够 对规则随意修改， 这往往会导致手工的规则相对于 现实非常落后的情况。 另 外， 利用手工进行规则书写， 然后使用条件进行判断分类的方法往往需要很多的人工工作， 会对工作效率带来比较大的拖累。 [0005]而传统的机器学习方法不使用深度学习的特征提取层， 导致无法对高维度的特征 向量进行有效的映射和分类。 在过去系统复杂度尚不惊人时可以较好的完成任务。 但当今 的系统复杂度日益提高， 特征向量的长度也大幅提升， 此时传统的机器学习方法并不能很 好的应对。 [0006]因此， 迫切需要一种进一步利用深度学习的系统安全状态评级能力， 在满足对系 统安全状态进 行有效评级的情况下， 解决手工规则书写困难， 更新换代慢的问题。 本发明正 式为满足这个现实需求而产生的。 发明内容 [0007](一)要解决的技 术问题 [0008]本发明要解决的技术问题是如何提供一种基于深度学习的系统安全状态评级方 法， 以解决传统手工规则构建时效性差， 覆盖率低、 效率低的问题， 也解决了传统机器学习 方法支持维度低的劣势。 [0009](二)技术方案 [0010]为了解决上述技术问题， 本发明提出一种基于深度学习 的系统安全状态评级方 法， 该方法包括如下步骤：说　明　书 1/6 页 3 CN 113987514 A 3