[发明专利]一种工业生产数据风险等级评估方法及系统

权利要求书

1.一种工业生产数据风险等级评估方法，其特征在于，包括：

获取工业生产数据；所述工业生产数据由工业生产设备产生；

根据所述工业生产数据的安全等级将所述工业生产数据存储到对应的数据库中；所述工业生产数据根据安全等级分为一般数据、重要数据和核心数据；

获取所述工业生产数据的监测信息；所述监测信息为所述数据库被访问时对应的流量信息或日志信息；

将所述监测信息输入至训练好的分类卷积神经网络模型中，得到所述监测信息对应的工业生产数据的风险等级；所述分类卷积神经网络模型为以样本监测信息为输入，以所述样本监测信息对应的工业生产数据的风险等级为标签训练的模型；

在所述将所述监测信息输入至训练好的分类卷积神经网络模型中之前，还包括：

步骤1：采用第一样本集对所述分类卷积神经网络模型进行训练；所述第一样本集包括若干个第一样本监测信息以及每个所述第一样本监测信息对应的风险等级标签；所述样本监测信息包括每个所述数据库对应的历史流量信息或历史日志信息；所述第一样本集中所述第一样本监测信息的数量小于预设值；

步骤2：采用第二样本集对步骤1得到的模型进行测试，若步骤1得到的模型未通过测试，则采用主动查询策略选取N个第三样本监测信息；N个所述第三样本监测信息为所述第二样本集中信息熵从高到低排序的前端N个第二样本监测信息；所述第二样本集包括若干个第二样本监测信息以及每个所述第二样本监测信息对应的风险等级标签；

步骤3：对N个所述第三样本监测信息进行人工标记，得到每个所述第三样本监测信息对应的风险等级标签；

步骤4：将N个所述第三样本监测信息添加到所述第一样本集中，并返回步骤1，直至步骤1得到的模型通过测试，得到训练好的分类卷积神经网络模型；

在所述采用主动查询策略选取N个第三样本监测信息之前，还包括：

将每个所述第二样本监测信息分别输入至所述分类卷积神经网络模型中，得到每个所述第二样本监测信息所属各风险等级的预测概率；

根据每个所述第二样本监测信息所属各风险等级的预测概率计算每个所述第二样本监测信息的信息熵。

2.根据权利要求1所述的工业生产数据风险等级评估方法，其特征在于，在所述将所述监测信息输入至训练好的分类卷积神经网络模型中之前，还包括：

将威胁到所述核心数据的安全对应的样本监测信息标记为高危；

将未威胁所述核心数据的安全，威胁到所述重要数据的安全对应的样本监测信息标记为中危；

将只威胁到所述一般数据的安全对应的样本监测信息标记为低危；所述高危、中危和低危用于作为样本监测信息的风险等级标签。

3.根据权利要求1所述的工业生产数据风险等级评估方法，其特征在于，所述获取工业生产数据，具体包括：

判断所述工业生产设备是否有接口，若是，则采用接口采集工业生产数据；若否，则采用摄像头拍摄工业生产设备的屏幕，得到工业生产图像，并将所述工业生产图像输入至卷积神经网络中进行数据的提取，得到工业生产数据。

4.根据权利要求1所述的工业生产数据风险等级评估方法，其特征在于，在所述根据所述工业生产数据的安全等级将所述工业生产数据存储到对应的数据库中之前，还包括：

对异构工业生产数据进行结构化处理，并对敏感工业生产数据进行脱敏处理，得到所述工业生产数据。

5.根据权利要求1所述的工业生产数据风险等级评估方法，其特征在于，在所述将所述监测信息输入至训练好的分类卷积神经网络模型中之前，还包括：

将访问流量信息或访问日志信息转换为二维图像，得到所述监测信息。

6.根据权利要求5所述的工业生产数据风险等级评估方法，其特征在于，所述将访问流量信息或访问日志信息转换为二维图像，具体包括：

采用GASF算法将访问流量信息或访问日志信息转换为二维图像。

7.根据权利要求1所述的工业生产数据风险等级评估方法，其特征在于，所述分类卷积神经网络模型包括依次连接的第一卷积块、第一最大池化层、第二卷积块、第二最大池化层、第三卷积块、第三最大池化层、第四卷积块和两个全连接层。

8.一种工业生产数据风险等级评估系统，其特征在于，包括：

工业生产数据获取模块，用于获取工业生产数据；所述工业生产数据由工业生产设备产生；

存储模块，用于根据所述工业生产数据的安全等级将所述工业生产数据存储到对应的数据库中；所述工业生产数据根据安全等级分为一般数据、重要数据和核心数据；

监测信息获取模块，用于获取所述工业生产数据的监测信息；所述监测信息为所述数据库被访问时对应的流量信息或日志信息；

风险等级评估模块，用于将所述监测信息输入至训练好的分类卷积神经网络模型中，得到所述监测信息对应的工业生产数据的风险等级；所述分类卷积神经网络模型为以样本监测信息为输入，以所述样本监测信息对应的工业生产数据的风险等级为标签训练的模型；

模型训练模块，用于：步骤1：采用第一样本集对所述分类卷积神经网络模型进行训练；所述第一样本集包括若干个第一样本监测信息以及每个所述第一样本监测信息对应的风险等级标签；所述样本监测信息包括每个所述数据库对应的历史流量信息或历史日志信息；所述第一样本集中所述第一样本监测信息的数量小于预设值；

步骤2：采用第二样本集对步骤1得到的模型进行测试，若步骤1得到的模型未通过测试，则采用主动查询策略选取N个第三样本监测信息；N个所述第三样本监测信息为所述第二样本集中信息熵从高到低排序的前端N个第二样本监测信息；所述第二样本集包括若干个第二样本监测信息以及每个所述第二样本监测信息对应的风险等级标签；

步骤3：对N个所述第三样本监测信息进行人工标记，得到每个所述第三样本监测信息对应的风险等级标签；

步骤4：将N个所述第三样本监测信息添加到所述第一样本集中，并返回步骤1，直至步骤1得到的模型通过测试，得到训练好的分类卷积神经网络模型；

在所述采用主动查询策略选取N个第三样本监测信息之前，还包括：

将每个所述第二样本监测信息分别输入至所述分类卷积神经网络模型中，得到每个所述第二样本监测信息所属各风险等级的预测概率；

根据每个所述第二样本监测信息所属各风险等级的预测概率计算每个所述第二样本监测信息的信息熵。