[发明专利]一种基于深度学习的工业物联网数据空间访问风险评估方法

权利要求书

1.本发明公开一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于，具体包括以下步骤：

（1）记录并结构化存储用户终端访问数据空间的访问行为数据，根据所述访问行为数据构建终端访问行为向量；

（2）根据多个所述终端访问行为向量建立多终端访问行为数据关联网络，获得数据空间访问关联矩阵；

（3）构建单终端深度学习模型和数据空间深度学习模型，对深度神经网络的待优化参数进行参数估计，待优化参数包括权重参数与偏置参数；

（4）使用终端访问行为向量所构建的训练数据集训练单终端深度学习模型，使用数据空间访问关联矩阵所构建的训练数据集训练数据空间深度学习模型；

（5）获取数据空间实时访问数据，使用单终端深度学习模型和数据空间深度学习模型，实现终端访问行为的风险评估，及数据空间安全的风险评估。

2.根据权利要求1所述的一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于：步骤（1）中所述访问行为数据包括但不仅限于访问痕迹、数据下载请求、复制、地址分享、操作间隔时间和非法操作。

3.根据权利要求1所述的一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于：步骤（1）中所述的终端访问行为向量的构建方法如下：将终端各单位时间下的一系列访问行为数据按照时序顺序分别表示为，其中，则终端访问行为向量表示为。

4.根据权利要求1所述的一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于：步骤（2）中所述的数据空间访问关联矩阵由以下方法获得：利用复杂网络理论，基于不同终端访问行为向量数据之间的关联性，以终端为节点，终端访问行为向量数据间的关联性为边，构建多终端访问行为数据关联网络获得数据空间访问关联矩阵；

式中，表示数据空间访问关联矩阵，表示终端n与终端m行为向量之间的关联性，两节点关联性越强，的取值越接近1，表示两终端的访问行为向量无关联。

5.根据权利要求1所述的一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于：步骤（3）中所述的对深度神经网络的待优化参数进行参数估计，包括以下步骤：计算得到权重参数和偏置参数的分布；对分布进行多次采样组合获得组合集；基于同一特征进行多次测试，优化权重参数和偏置参数。

6.根据权利要求1所述的一种基于深度学习的工业物联网数据空间访问风险评估方法，其特征在于：步骤（3）中所述深度神经网络的待优化参数还包括深度神经网络层数、学习率及迭代次数。