[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

说明书

本发明公开了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，涉及物联网访问风险评估技术领域。本发明记录数据空间的访问行为数据，构建单个终端数据访问行为向量，进而基于多个终端访问向量之间的相关性，构建关联拓扑矩阵；然后基于深度学习机制，分别训练单终端访问风险评估及数据空间访问风险评估深度学习模型，从而实现对单终端访问行为的风险评级，以及物联网数据空间数据安全的风险评级。本发明针对工业物联网数据空间的数据访问，实现了终端访问和数据空间风险的联合评估，扩展了评估的全面性，并且利用深度学习机制，提高了风险评估的准确性，降低工业物联网的运行风险。

技术领域

本发明涉及物联网风险评估技术领域，具体为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。

背景技术

数据信息是一项长期的、重要的业务资产，其对于企业在竞争日益激烈的市场中的生存具有重要作用，需要像任何其他形式的有价值资产一样受到保护。工业物联网中的制造企业数据空间具有动态演化、数据共享的特点，同时存在企业数据共享性和隐私性的矛盾。因此，风险评估就成为解决企业数据空间数据安全问题的重要方法，其目标是核实和评定数据资产所面临的风险，以防范和化解安全风险，将风险控制在可接受的水平，从而最大限度地保障数据安全。

目前，如何实现多角度的数据空间风险评估，还是一个难题。现有技术缺乏对数据空间风险评估的研究，不能对数据空间访问行为及数据空间数据安全做出有效的风险评估。此外，机器学习的多种算法中，涉及精度、参数数量、实施复杂度等问题，从而导致风险评估时准确性不高，适应性低，各终端访问行为之间的复杂关系难以有效反映与分析的问题。

因此，提出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来解决上述问题很有必要。

发明内容

（一）解决的技术问题

本发明的目的在于提供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，以解决现有技术中工业物联网数据空间访问风险评估方法准确性不高，适应性低，各终端访问行为之间的复杂关系难以有效反映与分析的问题。

（二）技术方案

为实现工业物联网数据空间数据访问安全的多角度风险评估，提高评估精确度，本发明使用复杂网络理论与深度学习方法，构建深度学习模型，分别完成对终端的访问行为，以及数据空间的数据安全的风险评级，以对数据空间访问的风险进行评估。

为实现以上目的，本发明通过以下技术方案予以实现：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，具体包括：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；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；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；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；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。

优选的，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。

优选的，所述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。

优选的，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；