[发明专利]白帽画像标签预估模型生成方法、标签生成方法、装置及控制系统

权利要求书

1.一种白帽画像标签预估模型的生成方法，其特征在于，包括如下步骤：

S100、获取白帽提交漏洞数据，并进行特征处理，获得特征数据；

S200、将所述特征数据作为训练样本，按照漏洞提交类型预估任务计算第一损失函数，按照白帽画像标签预估任务计算第二损失函数；

S300、通过所述第一损失函数和所述第二损失函数，计算出白帽画像下提交对应类型漏洞任务的第三损失函数；

S400、通过将所述第三损失函数反馈至预先设置的白帽画像标签预估模型，生成迭代训练后的所述白帽画像标签预估模型。

2.根据权利要求1所述的白帽画像标签预估模型的生成方法，其特征在于，在步骤S100中，获取白帽提交漏洞数据，并进行特征处理，获得特征数据，包括：

S110、获取已有白帽画像标签；

S120、将所述白帽提交漏洞数据和已有白帽画像标签相关联；

S130、将关联后的所述白帽提交漏洞数据和已有白帽画像标签进行特征离散化和向量化处理，得到所述特征数据。

3.根据权利要求1所述的白帽画像标签预估模型的生成方法，其特征在于，在步骤S200中，将所述特征数据作为训练样本，按照漏洞提交类型预估任务计算第一损失函数，按照白帽画像标签预估任务计算第二损失函数，包括：

S210、初始化预先设置的漏洞提交类型预估模型和白帽画像标签预估模型的网络参数；

S220、将所述特征数据输入神经网络中，通过所述漏洞提交类型预估模型计算出所述第一损失函数，通过所述白帽画像标签预估模型计算出所述第二损失函数。

4.根据权利要求3所述的白帽画像标签预估模型的生成方法，其特征在于，在步骤S220中，将所述特征数据输入神经网络中，通过所述漏洞提交类型预估模型计算出所述第一损失函数，通过所述白帽画像标签预估模型计算出所述第二损失函数，包括：

S221、将所述特征数据输入所述神经网络的嵌入层；

S222、所述漏洞提交类型预估模型和所述白帽画像标签模型共享所述嵌入层的所有权重参数；

S223、分别按照所述漏洞提交类型预估任务和所述白帽画像标签预估任务将所述参数传递至逻辑参数输出层，计算出所述第一损失函数和所述第二损失函数。

5.根据权利要求1所述的白帽画像标签预估模型的生成方法，其特征在于，在步骤S300中，通过所述第一损失函数和所述第二损失函数，计算出白帽画像下提交对应类型漏洞任务的第三损失函数，包括：

将所述第一损失函数和所述第二损失函数相乘后，加上所述第一损失函数，计算出所述第三损失函数。

6.根据权利要求5所述的白帽画像标签预估模型的生成方法，其特征在于，在步骤S400中，通过将所述第三损失函数反馈至预先设置的白帽画像标签预估模型，生成迭代训练后的所述白帽画像标签预估模型，包括：

S410、通过所述第三损失函数计算梯度；

S420、利用反向传播方法和随机梯度下降方法回传所述梯度；

S430、通过回传后的所述梯度更新所述白帽画像标签预估模型权重，获得迭代训练后的所述白帽画像标签预估模型，用于白帽画像标签的生成。

7.一种标签生成方法，采用上述权利要求1至6任一项所述的白帽画像标签预估模型进行白帽提交漏洞业务数据处理，包括如下步骤：

S1000、获取所述白帽提交漏洞业务数据；

S2000、将所述白帽提交漏洞业务数据输入在线推理模块；

利用在线推理模块中的白帽画像标签预估模型对数据处理，生成白帽画像标签。

8.根据权利要求7所述的标签生成方法，其特征在于，在步骤S2000中，在线推理模块的生成方法，包括：

将所述白帽画像标签预估模型部署到在线推理服务器，生成所述在线推理模块。