[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

说明书

本申请涉及一种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，其中白帽画像标签预估模型生成方法包括：获取白帽提交漏洞数据，并进行特征处理，获得特征数据；将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，通过第一损失函数和第二损失函数计算出白帽画像下提交对于类型漏洞任务的第三损失函数，并反馈至预先设置的白帽画像标签预估模型，生成迭代训练后的白帽画像标签预估模型。相较于仅采用提交漏洞行为进行训练所生成的深度学习模型而言，能够对整个样本空间进行画像建模，采用的特征标识迁移学习技术有效的解决白帽子行为样本稀疏问题。

技术领域

本申请涉及白帽子画像建模领域，尤其涉及一种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。

背景技术

漏洞风险防范是保障网络空间稳定的必然要求，白帽子作为用实际行动守护网络环境的网络安全人才，其画像在安全众测平台中至关重要。常见的用户画像建模技术有基于大数据规则的策略挖掘方法、基于传统机器学习的方法和基于深度学习的方法。具体的，基于大数据规则的策略挖掘方法泛化性较差，存在用户覆盖度低的问题，传统机器学习方法需要人工挖掘数据特征进行有效建模，耗时耗力，而深度学习算法可以提升算法策略的泛化性，自动学习高维数据特征组合，因此通常采用深度学习方法进行画像建模。

由于安全众测平台的白帽子行为相对稀疏，采用市面上传统的深度学习方法进行建模，建模样本使用提交漏洞行为进行训练，未对整个样本空间进行建模，存在样本选择偏差的问题。

发明内容

有鉴于此，本申请提出了一种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，以解决上述问题。

根据本公开的第一方面，提供了一种白帽画像标签预估模型生成方法，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。

在一种可能的实现方式中，可选地，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。

在一种可能的实现方式中，可选地，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。

在一种可能的实现方式中，可选地，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；