基于人工智能的数据访问分析方法、系统及云平台

摘要

本发明提供的基于人工智能的数据访问分析方法、系统及云平台，通过基于访问行为检测记录及对应的行为要素描述短语，从多个候选神经网络中筛选不少于一个候选神经网络进行访问行为检测记录的知识向量挖掘，不仅可以通过多个候选神经网络扩展模型集群，从而提高越界预警分析网络的越界预警分析质量；还可以在实际的越界预警分析中，可以筛选部分的候选神经网络实现对访问行为检测记录的越界预警分析，从而能够避免过大的运算开销，减少人工智能云平台的处理压力，以提高针对访问行为的越界预警分析时效性和精度。

权利要求

1.一种基于人工智能的数据访问分析方法，其特征在于，应用于人工智能云平台，所述方法包括：

获得待进行越界预警分析的访问行为检测记录和所述访问行为检测记录对应的行为要素描述短语；其中，所述行为要素描述短语至少包括如下一项：访问行为检测记录中的访问类型、访问时段、访问权限认证结果、访问安全评价、访问行为状态和检测信噪比；

依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；其中，所述联动AI模型集群为混合模型集；

通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识；其中，所述决策知识挖掘操作为基于专家系统的特征提取处理；

其中，所述联动AI模型集群包括不少于一个AI算法模型，每个所述AI算法模型中包括多个候选神经网络；

所述依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：针对任一所述AI算法模型，依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为所述前处理神经网络；

其中，所述依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：将行为要素隐含知识和行为要素描述短语进行合并，得到联动知识短语，所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；依据所述联动知识短语得到神经网络筛选指示，所述神经网络筛选指示中包括X个筛选变量，X与所述AI算法模型中待筛选的多个候选神经网络的数目相等，且所述筛选变量用于表示对应所述筛选变量的候选神经网络的被筛选可能性；依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络；

其中，针对任一所述AI算法模型，在从所述AI算法模型中筛选的所述前处理神经网络的数目为多个的基础上，所述通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，包括：针对任一所述AI算法模型，将行为要素隐含知识分别加载到从所述AI算法模型中确定的多个前处理神经网络，得到各前处理神经网络分别生成的前处理知识向量；所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；将各前处理神经网络生成的前处理知识向量进行基于权重的合并处理，得到所述AI算法模型生成的行为越界决策知识。

2.如权利要求1所述的方法，其特征在于，所述依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络，包括：从所述AI算法模型中待筛选的X个候选神经网络中，基于筛选变量确定所述被筛选可能性最大的候选神经网络作为所述前处理神经网络。

3.如权利要求1所述的方法，其特征在于，所述依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络，包括：从所述AI算法模型中待筛选的X个候选神经网络中，基于筛选变量确定所述被筛选可能性在设定可能性区间内的多个候选神经网络作为多个前处理神经网络。

4.如权利要求1所述的方法，其特征在于，所述联动AI模型集群包括：第一AI算法模型和第二AI算法模型，所述第一AI算法模型和第二AI算法模型分别包括多个候选神经网络；

所述从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：对于所述第一AI算法模型和第二AI算法模型中的其中一个，由所述多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；

所述通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识，包括：将通过所述第一AI算法模型中的所述前处理神经网络进行所述决策知识挖掘操作后生成的决策知识作为行为要素隐含知识，加载到所述第二AI算法模型；通过所述第二AI算法模型中的前处理神经网络对所述行为要素隐含知识进行所述决策知识挖掘操作；在所述第二AI算法模型是联动AI模型集群中的末尾的AI算法模型的基础上，将所述第二AI算法模型生成的行为越界决策知识作为所述访问行为检测记录对应的行为越界决策知识。

5.如权利要求1所述的方法，其特征在于，所述联动AI模型集群包括：第三AI算法模型；

所述第三AI算法模型中包括多个候选神经网络；

所述依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：通过所述联动AI模型集群中的向量挖掘单元对所述访问行为检测记录进行知识向量挖掘，得到行为要素隐含知识；将所述行为要素隐含知识和行为要素描述短语进行合并，得到联动知识短语；依据所述联动知识短语，由所述第三AI算法模型包含的所述多个候选神经网络中确定所述前处理神经网络。

6.如权利要求1所述的方法，其特征在于，所述行为要素描述短语包含以下至少一项：

所述访问行为检测记录中的访问行为对应的访问类型、访问时段、访问权限认证结果、访问安全评价、访问行为状态和检测信噪比。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：依据所述行为越界决策知识进行越界预警分析处理；

其中，依据所述行为越界决策知识进行越界预警分析处理通过越界预警分析网络实现，所述越界预警分析网络包括联动AI模型集群，所述联动AI模型集群中包括多个候选神经网络；所述越界预警分析网络的调试步骤为：获得示例型访问行为检测记录、所述示例型访问行为检测记录的先验注释以及所述示例型访问行为检测记录对应的行为要素描述短语；

将所述示例型访问行为检测记录和所述示例型访问行为检测记录对应的行为要素描述短语加载到所述越界预警分析网络；

由所述越界预警分析网络依据所述示例型访问行为检测记录和所述行为要素描述短语，从所述多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，通过所述前处理神经网络进行所述示例型访问行为检测记录的决策知识挖掘操作，得到所述示例型访问行为检测记录的行为越界决策知识，依据所述行为越界决策知识对所述示例型访问行为检测记录进行越界预警分析，得到所述示例型访问行为检测记录的越界预警分析报告；

结合所述越界预警分析报告与所述先验注释之间的比较结果，改进所述越界预警分析网络的神经网络变量。

8.一种基于人工智能的数据访问分析系统，其特征在于，该系统包括互相通信的人工智能云平台和业务用户设备，所述人工智能云平台，用于：获得待进行越界预警分析的访问行为检测记录和所述访问行为检测记录对应的行为要素描述短语；依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识；其中，所述行为要素描述短语至少包括如下一项：访问行为检测记录中的访问类型、访问时段、访问权限认证结果、访问安全评价、访问行为状态和检测信噪比；所述联动AI模型集群为混合模型集；所述决策知识挖掘操作为基于专家系统的特征提取处理；

其中，所述联动AI模型集群包括不少于一个AI算法模型，每个所述AI算法模型中包括多个候选神经网络；

所述依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：针对任一所述AI算法模型，依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为所述前处理神经网络；

其中，所述依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：将行为要素隐含知识和行为要素描述短语进行合并，得到联动知识短语，所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；依据所述联动知识短语得到神经网络筛选指示，所述神经网络筛选指示中包括X个筛选变量，X与所述AI算法模型中待筛选的多个候选神经网络的数目相等，且所述筛选变量用于表示对应所述筛选变量的候选神经网络的被筛选可能性；依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络；

其中，针对任一所述AI算法模型，在从所述AI算法模型中筛选的所述前处理神经网络的数目为多个的基础上，所述通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，包括：针对任一所述AI算法模型，将行为要素隐含知识分别加载到从所述AI算法模型中确定的多个前处理神经网络，得到各前处理神经网络分别生成的前处理知识向量；所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；将各前处理神经网络生成的前处理知识向量进行基于权重的合并处理，得到所述AI算法模型生成的行为越界决策知识。

9.一种人工智能云平台，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求

1‑7任一项所述的方法。

说明书

基于人工智能的数据访问分析方法、系统及云平台

技术领域

[0001] 本发明涉及人工智能技术领域，特别涉及一种基于人工智能的数据访问分析方法、系统及云平台。

背景技术

[0002] 人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。在网络数据访问过程中，基于人工智能的越界预警分析的应用场景是对云服务过程中的网络数据访问行为安全识别，也即对访问行为的权限越界进行预警分析，从而保障云服务运行时的安全性和稳定性。如今，云服务所涉及的访问量和访问行为激增，这给网络数据访问行为的越界预警分析带来了不小的挑战。

发明内容

[0003] 为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的数据访问分析方法、系统及云平台。

[0004] 第一方面，本发明实施例提供了一种基于人工智能的数据访问分析方法，应用于人工智能云平台，所述方法包括：

[0005] 获得待进行越界预警分析的访问行为检测记录和所述访问行为检测记录对应的行为要素描述短语；

[0006] 依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；

[0007] 通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识。

[0008] 对于一种示例性的技术方案而言，所述联动AI模型集群包括不少于一个AI算法模型，每个所述AI算法模型中包括多个候选神经网络；

[0009] 所述依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：针对任一所述AI算法模型，依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为所述前处理神经网络。

[0010] 对于一种示例性的技术方案而言，所述依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：

[0011] 将行为要素隐含知识和行为要素描述短语进行合并，得到联动知识短语，所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；

[0012] 依据所述联动知识短语得到神经网络筛选指示，所述神经网络筛选指示中包括X个筛选变量，X与所述AI算法模型中待筛选的所述多个候选神经网络的数目相等，且所述筛选变量用于表示对应所述筛选变量的候选神经网络的被筛选可能性；

[0013] 依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络。

[0014] 对于一种示例性的技术方案而言，所述依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络，包括：从所述AI算法模型中待筛选的X个候选神经网络中，基于筛选变量确定所述被筛选可能性最大的候选神经网络作为所述前处理神经网络。

[0015] 对于一种示例性的技术方案而言，所述依据所述神经网络筛选指示中的筛选变量，从所述AI算法模型中待筛选的X个候选神经网络中确定所述前处理神经网络，包括：从所述AI算法模型中待筛选的X个候选神经网络中，基于筛选变量确定所述被筛选可能性在设定可能性区间内的多个候选神经网络作为多个前处理神经网络。

[0016] 对于一种示例性的技术方案而言，针对任一所述AI算法模型，在从所述AI算法模型中筛选的所述前处理神经网络的数目为多个的基础上，所述通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，包括：

[0017] 针对任一所述AI算法模型，将行为要素隐含知识分别加载到从所述AI算法模型中确定的所述多个前处理神经网络，得到各前处理神经网络分别生成的前处理知识向量；所述行为要素隐含知识是通过对所述访问行为检测记录进行知识挖掘所得；

[0018] 将各前处理神经网络生成的前处理知识向量进行基于权重的合并处理，得到所述AI算法模型生成的行为越界决策知识。

[0019] 对于一种示例性的技术方案而言，所述联动AI模型集群包括：第一AI算法模型和第二AI算法模型，所述第一AI算法模型和第二AI算法模型分别包括多个候选神经网络；

[0020] 所述从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：对于所述第一AI算法模型和第二AI算法模型中的其中一个，由所述多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；

[0021] 所述通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识，包括：将通过所述第一AI算法模型中的所述前处理神经网络进行所述决策知识挖掘操作后生成的决策知识作为行为要素隐含知识，加载到所述第二AI算法模型；通过所述第二AI算法模型中的前处理神经网络对所述行为要素隐含知识进行所述决策知识挖掘操作；在所述第二AI算法模型是联动AI模型集群中的末尾的AI算法模型的基础上，将所述第二AI算法模型生成的行为越界决策知识作为所述访问行为检测记录对应的行为越界决策知识。

[0022] 对于一种示例性的技术方案而言，所述联动AI模型集群包括：第三AI算法模型；所述第三AI算法模型中包括多个候选神经网络；

[0023] 所述依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，包括：通过所述联动AI模型集群中的向量挖掘单元对所述访问行为检测记录进行知识向量挖掘，得到行为要素隐含知识；将所述行为要素隐含知识和行为要素描述短语进行合并，得到联动知识短语；依据所述联动知识短语，由所述第三AI算法模型包含的所述多个候选神经网络中确定所述前处理神经网络。

[0024] 对于一种示例性的技术方案而言，所述行为要素描述短语包含以下至少一项：所述访问行为检测记录中的访问行为对应的访问类型、访问时段、访问权限认证结果、访问安全评价、访问行为状态和检测信噪比。

[0025] 对于一种示例性的技术方案而言，所述方法还包括：依据所述行为越界决策知识进行越界预警分析处理。

[0026] 对于一种示例性的技术方案而言，依据所述行为越界决策知识进行越界预警分析处理通过越界预警分析网络实现，所述越界预警分析网络包括联动AI模型集群，所述联动AI模型集群中包括多个候选神经网络；所述越界预警分析网络的调试步骤为：

[0027] 获得示例型访问行为检测记录、所述示例型访问行为检测记录的先验注释以及所述示例型访问行为检测记录对应的行为要素描述短语；

[0028] 将所述示例型访问行为检测记录和所述示例型访问行为检测记录对应的行为要素描述短语加载到所述越界预警分析网络；

[0029] 由所述越界预警分析网络依据所述示例型访问行为检测记录和所述行为要素描述短语，从所述多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，通过所述前处理神经网络进行所述示例型访问行为检测记录的决策知识挖掘操作，得到所述示例型访问行为检测记录的行为越界决策知识，依据所述行为越界决策知识对所述示例型访问行为检测记录进行越界预警分析，得到所述示例型访问行为检测记录的越界预警分析报告；

[0030] 结合所述越界预警分析报告与所述先验注释之间的比较结果，改进所述越界预警分析网络的神经网络变量。

[0031] 第二方面，本发明还提供了一种基于人工智能的数据访问分析系统，该系统包括互相通信的人工智能云平台和业务用户设备，所述人工智能云平台，用于：获得待进行越界预警分析的访问行为检测记录和所述访问行为检测记录对应的行为要素描述短语；依据所述访问行为检测记录和所述行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络；通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识。

[0032] 第三方面，本发明还提供了一种人工智能云平台，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。

[0033] 本发明实施例提供的基于人工智能的数据访问分析方法、系统及云平台，通过基于访问行为检测记录及对应的行为要素描述短语，从多个候选神经网络中筛选不少于一个候选神经网络进行访问行为检测记录的知识向量挖掘，不仅可以通过多个候选神经网络扩展模型集群，从而提高越界预警分析网络的越界预警分析质量；还可以在实际的越界预警分析中，可以筛选部分的候选神经网络实现对访问行为检测记录的越界预警分析，从而能够避免过大的运算开销，减少人工智能云平台的处理压力，以提高针对访问行为的越界预警分析时效性和精度。

附图说明

[0034] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

[0035] 图1是本发明实施例提供的一种基于人工智能的数据访问分析方法的流程示意图。

[0036] 图2是本发明实施例提供的一种基于人工智能的数据访问分析系统的通信架构示意图。

具体实施方式

[0037] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

[0038] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

[0039] 本发明实施例所提供的方法实施例可以在人工智能云平台、计算机设备或者类似的运算装置中执行。以运行在人工智能云平台上为例，人工智能云平台10可以包括一个或多个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述人工智能云平台还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能云平台的结构造成限定。例如，人工智能云平台10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

[0040] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于人工智能的数据访问分析方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至人工智能云平台10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0041] 传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能云平台10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

[0042] 基于此，请参阅图1，图1是本发明实施例所提供的一种基于人工智能的数据访问分析方法的流程示意图，该方法应用于人工智能云平台，进一步可以包括S100‑S104所描述的技术方案。

[0043] S100、获得待进行越界预警分析的访问行为检测记录及该访问行为检测记录对应的行为要素描述短语。

[0044] 举例而言，访问行为检测记录对应的行为要素描述短语，可以是通过已完成调试的行为要素挖掘网络对待进行越界预警分析的访问行为检测记录进行行为要素的挖掘得到。本发明实施例中的越界预警分析可以理解为对访问行为的权限越界进行分析，比如对某一访问行为是否执行超过其自身应有的权限的操作的预警分析和判断，因此本发明实施例设计访问行为的权限安全以及相关数据信息的安全分析。通过进行权限预警分析，能够避免个别超出自身权限范围的访问行为的运行，从而保障相关数据信息的安全。

[0045] 比如，所述的行为要素描述短语至少包括如下一项：访问行为检测记录中的访问类型、访问时段、访问权限认证结果、访问安全评价、访问行为状态和检测信噪比等。举例来说，行为要素挖掘网络生成的行为要素描述短语可以是一个数组，该数组中可以包括多维特征，各维特征可以表示访问行为对应与不同描述角度的信息。比如，其中一个维度特征可以表示访问权限认证结果，比如，“N”表征访问权限认证通过，“Y”表征访问权限认证未通过。又比如，另一个维度特征可以表示访问类型，“N”表征本地类型，“Y”表征远程类型。进一步地，访问安全评价可以理解为评价等级，访问行为状态和检测信噪比各自对应行为的执行状态和行为数据的噪声率，也可以作相关现有技术的理解，在此不作赘述。

[0046] 此外，访问行为检测记录可以设计各类云服务，比如电子商务、数字办公、虚拟现实、区块链等，在此不作限定。

[0047] S102、基于访问行为检测记录和行为要素描述短语，从联动AI模型集群中包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络。

[0048] 本发明实施例的联动AI模型集群（混合模型集）中可以包括多个候选神经网络（比如基于专家系统搭建的子模型）。比如，每个候选神经网络的架构可以包括一个滑动滤波单元（conv），也可以包括由多个滑动滤波单元重叠的架构，具体conv的数目可以灵活设置。所述的联动AI模型集群中包含的多个候选神经网络的架构的异同性不限。

[0049] 对于本发明实施例而言，可以基于访问行为检测记录及对应的行为要素描述短语，从所述的多个候选神经网络中筛选不少于一个候选神经网络来处理该访问行为检测记录。被筛选到的候选神经网络可以视作前处理神经网络（比如目标神经网络）。比如，可以从多个候选神经网络中筛选一个候选神经网络，也可以从多个候选神经网络中筛选多个候选神经网络。比如，假定联动AI模型集群中包括5个候选神经网络，可以筛选其中的2个作为前处理神经网络实现对访问行为检测记录的决策知识挖掘操作（比如基于专家系统的特征提取处理），或者也可以筛选其中的4个作为前处理神经网络。换言之，对于本发明实施例而言，所筛选的前处理神经网络可以是联动AI模型集群中的部分候选神经网络来加入本轮访问行为越界分析，而不是利用联动AI模型集群中包含的所有候选神经网络。选择性地，也可以筛选联动AI模型集群中的所有候选神经网络都作为前处理神经网络。

[0050] 另外，在基于访问行为检测记录及对应的行为要素描述短语筛选前处理神经网络时，不同的访问行为检测记录筛选的前处理神经网络可以存在差异。假定对于本发明实施例而言用于进行访问行为越界分析的越界预警分析网络中包括NN1‑NN7多个候选神经网络，在进行前处理神经网络的筛选时，若访问行为检测记录的行为要素描述短语表明该访问行为检测记录为访问权限认证通过的访问行为检测记录时，可以筛选候选神经网络NN1作为用于处理该访问行为检测记录的前处理神经网络；若访问行为检测记录的行为要素描述短语表明这是个访问权限认证未通过的访问行为检测记录时，可以筛选候选神经网络NN2作为用于处理该访问行为检测记录的前处理神经网络；若访问行为检测记录的行为要素描述短语表明这是个活跃状态的访问行为检测记录时，可以筛选候选神经网络NN3和NN4作为用于处理该访问行为检测记录的前处理神经网络；若访问行为检测记录的行为要素描述短语表明这是个高信噪比的访问行为检测记录时，可以筛选候选神经网络NN1和NN5作为对应的前处理神经网络。

[0051] 基于此，行为要素描述短语可以表征待进行越界预警分析的访问行为检测记录不同角度的特征，而基于该行为要素描述短语筛选前处理神经网络时，可以是基于访问行为检测记录的特征来筛选对应处理具有该特征的访问行为检测记录的候选神经网络。比如，访问权限认证通过的访问行为检测记录可以由候选神经网络NN1来处理，高信噪比的访问行为检测记录可以由候选神经网络NN1和NN5来处理。

[0052] S104、通过所述前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作，得到所述访问行为检测记录对应的行为越界决策知识。

[0053] 对于本发明实施例而言，在S102中选定了前处理神经网络之后，在S104中可以通过这些前处理神经网络实现对访问行为检测记录的决策知识挖掘操作。可以理解，本发明实施例中的通过前处理神经网络实现对访问行为检测记录的决策知识挖掘操作，并不是说前处理神经网络的输入非要为访问行为检测记录，也可以是通过访问行为检测记录进行知识挖掘所得的越界分析知识向量。比如，可以先对访问行为检测记录进行知识挖掘所得行为越界决策知识feature，再将该行为越界决策知识feature输入前处理神经网络继续进行知识向量挖掘的处理。换言之，在通过联动AI模型集群对访问行为检测记录进行越界预警分析的过程中，所述的前处理神经网络加入了该过程中对访问行为检测记录的知识向量挖掘。

[0054] 进一步地，在得到访问行为检测记录对应的行为越界决策知识后，可以继续基于该行为越界决策知识得到越界预警分析报告。比如事先创建了一个访问行为云存储空间，该云存储空间中包括存入的多个访问行为检测记录，并且还对应缓存了各访问行为检测记录的行为越界决策知识。假定当前采集到一组待进行越界预警分析的访问行为检测记录，想要从上述访问行为云存储空间中查找到与待进行越界预警分析的访问行为检测记录对应匹配的访问行为检测记录是哪一组，在这种情况下便能够利用本发明实施例的越界预警分析网络得到待进行越界预警分析的访问行为检测记录对应的行为越界决策知识，暂时视作第一行为越界决策知识。并将该第一行为越界决策知识分别与访问行为云存储空间中的各个访问行为检测记录的行为越界决策知识之间计算知识共性值（比如特征相似度），将访问行为云存储空间中满足共性值指标的访问行为检测记录作为确定出的目标访问行为检测记录。

[0055] 换言之，本发明实施例描述的基于人工智能的数据访问分析方法侧重于挖掘待进行越界预警分析的访问行为检测记录的行为越界决策知识（该行为越界决策知识能够作为确定越界预警分析报告的依据，行为越界决策知识包括访问行为的一系列异常操作特征、行为偏好/意向特征等），而对于后续如何基于行为越界决策知识进一步分析访问行为检测记录得到越界预警分析报告，本领域技术人员可以根据实际需求进行选择。

[0056] 本发明实施例的基于人工智能的数据访问分析方法，通过基于访问行为检测记录及对应的行为要素描述短语，从多个候选神经网络中筛选不少于一个候选神经网络进行对访问行为检测记录的知识向量挖掘，不仅可以通过多个候选神经网络扩展模型集群，从而提高越界预警分析网络的越界预警分析质量；还可以在实际的越界预警分析中，如果筛选了一部分候选神经网络实现对访问行为检测记录的越界预警分析，从而能够避免过大的运算开销，减少人工智能云平台的处理压力，以提高针对访问行为的越界预警分析时效性和精度。

[0057] 如下的相关内容为本发明不少于一个实施例提供的一种行为越界决策知识的挖掘的介绍，该行为越界决策知识挖掘可以是通过联动AI模型集群实现，所述的联动AI模型集群可以包括不少于一个AI算法模型，每个所述AI算法模型中包括多个候选神经网络。其中，从联动AI模型集群中的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，可以包括：针对任一所述AI算法模型，依据所述访问行为检测记录和所述行为要素描述短语，从所述AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为所述前处理神经网络。换言之，对于联动AI模型集群中的每一个AI算法模型，都要从多个候选神经网络中筛选出前处理神经网络。

[0058] 以下为从一个AI算法模型中包含的多个候选神经网络筛选前处理神经网络的介绍，本发明实施例以AI算法模型中包括4个候选神经网络为例进行说明。进一步地，待进行越界预警分析的访问行为检测记录record21和该访问行为检测记录对应的行为要素描述短语description22加载到一个AI算法模型。可以理解，AI算法模型中还可以包括用于从访问行为检测记录挖掘出行为要素描述短语的访问行为要素挖掘节点，基于此，可以理解为将访问行为检测记录作为AI算法模型的原料，通过AI算法模型进行行为要素描述短语的挖掘处理。

[0059] 对于本发明实施例而言，AI算法模型可以基于获得到的访问行为检测记录及对应的行为要素描述短语，由其中包含的4个候选神经网络中筛选部分候选神经网络，作为用于处理访问行为检测记录的前处理神经网络。以下为前处理神经网络的筛选思路：可以先通过AI算法模型中的向量挖掘单元unit23对访问行为检测记录record21进行知识向量挖掘，得到行为要素隐含知识。比如，向量挖掘单元unit23中可以包括2个滑动滤波单元。可以通过特征处理单元unit24对行为要素描述短语description22进行特征处理，输出一个对应的独热向量。其中，特征处理单元unit24可以是相关的编码单元。

[0060] 进一步地，上述独热向量和所述的行为要素隐含知识可以输入筛选处理单元unit25。该筛选处理单元unit25可以沿用现有模型的架构，该筛选处理单元unit25可以将行为要素隐含知识与行为要素描述短语进行合并，得到联动知识短语。比如可以是将行为要素隐含知识调整成一维的描述短语，并与所述的独热向量组合，组合后的结果可以理解为联动知识短语。筛选处理单元unit25可以基于该联动知识短语得到神经网络筛选指示。比如，可以通过现有模型的架构对该联动知识短语进行处理，并输出一个神经网络筛选指示（可以理解为神经网络的筛选决策向量）。

[0061] 进一步地，该神经网络筛选指示中可以包括X个筛选变量，所述X与所述AI算法模型中待筛选的多个候选神经网络的数目相等，且所述筛选变量用于表示对应所述筛选变量的候选神经网络的被筛选可能性。比如，包括4个候选神经网络，分别是候选神经网络NN261、候选神经网络NN262、候选神经网络NN263和候选神经网络NN264。基于此，筛选处理单元unit25得到的神经网络筛选指示可以是【0.09，0.02，0.13，0.81】，其中包括4个筛选变量，每个筛选变量表示对应的候选神经网络的被筛选可能性。

[0062] 本发明实施例不约束筛选变量与各候选神经网络的对应列表（映射关系）的建立规则，比如，可以将筛选变量与候选神经网络依次对应。换言之，筛选变量0.09对应候选神经网络NN261，筛选变量0.02对应候选神经网络NN262，等等。

[0063] 进一步地，筛选处理单元unit25可以依据所述神经网络筛选指示中的筛选变量，由待筛选的X个候选神经网络中确定所述前处理神经网络。

[0064] 比如，可以由待筛选的4个候选神经网络中，基于筛选变量确定所述被筛选可能性最大的候选神经网络作为所述前处理神经网络。即可以筛选神经网络筛选指示【0.09，0.02，0.13，0.81】中的0.81对应的候选神经网络NN264作为前处理神经网络。

[0065] 又比如，由待筛选的4个候选神经网络中，基于筛选变量确定所述被筛选可能性在设定可能性区间内的多个候选神经网络作为多个前处理神经网络。这里的设定可能性区间可以是将神经网络筛选指示中的各个筛选变量根据被筛选可能性的降序排序，筛选被筛选可能性在前两位的筛选变量对应的候选神经网络。又比如，设定一个可能性判定值，只要被筛选可能性大于该可能性判定值，便能够将对应的候选神经网络作为前处理神经网络。比如，若神经网络筛选指示中有两个筛选变量对应的被筛选可能性高于可能性判定值，便能够筛选2个前处理神经网络。

[0066] 进一步地，在筛选确定前处理神经网络后，便能够通过前处理神经网络进行所述访问行为检测记录的决策知识挖掘操作。若从4个候选神经网络中筛选的是一个前处理神经网络，那么该前处理神经网络输出挖掘出的知识即可。而如果从4个候选神经网络中筛选的是最少两个前处理神经网络，那么可以将该最少两个前处理神经网络的输出进行合并。

[0067] 以筛选了4个候选神经网络中的两个前处理神经网络为例：假定筛选了候选神经网络NN263和候选神经网络NN264作为前处理神经网络。那么筛选处理单元unit25可以将向量挖掘单元unit23生成的行为要素隐含知识分别加载到候选神经网络NN263和候选神经网络NN264这两个前处理神经网络将分别对行为要素隐含知识进行处理，比如可以通过其中的滑动滤波单元进行卷积处理，得到各前处理神经网络分别生成的前处理知识向量。假定候选神经网络NN263生成的前处理知识向量是feature2，候选神经网络NN264生成的前处理知识向量是feature3。

[0068] 更进一步地，可以将各前处理神经网络生成的前处理知识向量进行基于权重的合并处理，得到所述AI算法模型生成的行为越界决策知识。举例来说，可以基于各前处理神经网络生成的前处理知识向量和所述前处理神经网络对应的筛选变量，将各前处理神经网络生成的前处理知识向量进行基于权重的合并处理，得到这些前处理神经网络共同生成的行为越界决策知识作为AI算法模型生成的行为越界决策知识。比如，共同生成的行为越界决策知识为AI算法模型生成的结果，可以理解为whole_F=feature2*0.13+feature3*0.81。举例而言，可以将筛选变量0.13和0.81分别作为对应的合并系数。应当理解，以0.13和0.81作为合并系数仅为例子，但不限于此。

[0069] 共同生成的行为越界决策知识即将候选神经网络NN263和候选神经网络NN264的生成结果合并后生成的决策知识。在一个示例下，可以将该whole_F直接作为AI算法模型生成的对应所述访问行为检测记录的行为越界决策知识。在另一个示例下，上述AI算法模型生成的行为越界决策知识还可以作为行为要素隐含知识，继续加载到后一个AI算法模型。

[0070] 以下为另一种思路的基于人工智能的数据访问分析方法，本发明实施例示例了一个联动AI模型集群，该联动AI模型集群中包括多个AI算法模型，比如，AI算法模型model1、AI算法模型model2、AI算法模型model3……直至AI算法模型model_n。其中，本发明实施例可以将向量挖掘单元unit23作为联动AI模型集群中不关联于各个AI算法模型的一个处理单元，可以通过该向量挖掘单元unit23对访问行为检测记录进行知识向量挖掘，得到行为要素隐含知识，并将该行为要素隐含知识输入AI算法模型model1。每个AI算法模型可以包括特征处理单元、筛选处理单元和多个候选神经网络，比如，AI算法模型model1可以包括：特征处理单元unit24、筛选处理单元unit25以及4个候选神经网络，分别为：候选神经网络NN311‑候选神经网络NN314。

[0071] 剩余的AI算法模型的架构与AI算法模型model1类似，都可以包括特征处理单元、筛选处理单元和待筛选的多个候选神经网络。不同的AI算法模型中包含的候选神经网络的数目或网络架构都可以不同。比如，AI算法模型model1中可以包括4个候选神经网络，AI算法模型model2中可以包括3个候选神经网络：候选神经网络NN321至候选神经网络NN323。结合上述内容，该AI算法模型model2中包含的多个候选神经网络，但该AI算法模型model2中还包括特征处理单元和筛选处理单元等相关的功能单元，在此不展开描述。

[0072] 此外，上述也仅为一种联动AI模型集群的架构示例，在另一些情况下，上述的特征处理单元可以是分别在每个AI算法模型中都包括如AI算法模型model1那样的特征处理单元，或者，还可以是将特征处理单元从各个AI算法模型中分离出来，近似于向量挖掘单元那样，先通过特征处理单元对行为要素描述短语进行特征处理，然后将特征处理后的行为要素描述短语分别加载到到各个AI算法模型中，这样各AI算法模型内部便能够不再配置特征处理单元，而包括筛选处理单元和多个候选神经网络便能够满足要求。

[0073] 进一步地，在通过联动AI模型集群执行决策知识挖掘操作时，可以对于其中的其中一个AI算法模型，都从AI算法模型包含的多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络，并通过这些前处理神经网络进行知识向量挖掘。比如，任一AI算法模型在得到行为要素隐含知识后，都可以将该行为要素隐含知识和行为要素描述短语进行合并得到联动知识短语，再基于联动知识短语由AI算法模型包含的多个候选神经网络中确定出前处理神经网络。具体的基于联动知识短语筛选前处理神经网络的方式，可以结合上述生成神经网络筛选指示的思路。

[0074] 在一些可能的示例下，以其中的AI算法模型model2为例，描述AI算法模型的处理：该AI算法模型model2可以接收行为要素描述短语和所述AI算法模型model1生成的第一行为要素隐含知识。可以看到，每个AI算法模型的输入都可以是行为要素隐含知识以及行为要素描述短语。比如，AI算法模型model1是通过其中选择的前处理神经网络实现决策知识挖掘操作后得到的行为要素隐含知识，可以视作第一行为要素隐含知识。该第一行为要素隐含知识可以进一步加载到AI算法模型model2；该AI算法模型model2可以通过其中的特征处理单元对行为要素描述短语进行特征处理，并将特征处理后的结果与第一行为要素隐含知识进行合并后输入筛选处理单元；AI算法模型model2中的筛选处理单元可以生成神经网络筛选指示，该神经网络筛选指示中包括多个筛选变量，该筛选变量的数目可以与AI算法模型model2中包含的候选神经网络的数目相等。比如，假定该筛选变量可以是【0.59，0.42，
0.13】，并且，基于该神经网络筛选指示，可以筛选候选神经网络NN321（与变量0.59对应）和候选神经网络NN322（与变量0.42对应）作为前处理神经网络。

[0075] 然后，AI算法模型model2可以通过选中的候选神经网络NN321和候选神经网络NN322对第一行为要素隐含知识进行决策知识挖掘操作，例如可以是通过多个滑动滤波单元进行处理。最后该AI算法模型model2生成的行为越界决策知识可以视作第二行为要素隐含知识。

[0076] 进一步地，该第二行为要素隐含知识可以继续加载到越界预警分析网络中包含的AI算法模型model3，继续进行知识向量挖掘。当最后AI算法模型model_n处理完之后，该AI算法模型model_n生成的行为越界决策知识便能够作为联动AI模型集群生成的对应访问行为检测记录record21的行为越界决策知识。因此，行为要素隐含知识也可以理解为中间层特征向量或者过渡特征向量。

[0077] 基于此，联动AI模型集群中包括了多个AI算法模型，其中任意两个邻居AI算法模型皆可以理解为第一AI算法模型和第二AI算法模型。比如，AI算法模型model1可以视作第一AI算法模型，AI算法模型model2可以视作第二AI算法模型。又比如，还可以将AI算法模型model2视作第一AI算法模型，将AI算法模型model3视作第二AI算法模型等。

[0078] 进一步地，AI算法模型model1还有一个优势为，该AI算法模型model1获得的行为要素隐含知识是向量挖掘单元生成的，即向量挖掘单元对访问行为检测记录进行知识向量挖掘后得到的行为要素隐含知识。而像AI算法模型model2、AI算法模型model3等其他AI算法模型获得的行为要素隐含知识是由上一个AI算法模型生成的，比如，输入AI算法模型model2的行为要素隐含知识是由AI算法模型model1生成的。考虑到AI算法模型model1的上述优势，还可以将AI算法模型model1理解为第三AI算法模型。

[0079] 因此，如果从AI算法模型使用的行为要素隐含知识的源头看，可以包括“向量挖掘单元生成的行为要素隐含知识”和“上一个AI算法模型生成的行为要素隐含知识”，可以将具有“向量挖掘单元生成的行为要素隐含知识”特征的AI算法模型视作第三AI算法模型。如此，第三AI算法模型通常可以是联动AI模型集群中的处理事件先后上的第一个AI算法模型，比如，在上述相关示例中，AI算法模型model1处于联动AI模型集群的首位。并且，上述相关的架构中包括了多个AI算法模型，在实际中，联动AI模型集群中也可以包括一个AI算法模型，比如只包括AI算法模型model1，此时AI算法模型model1得到的行为要素隐含知识也是向量挖掘单元输出得到。

[0080] 另外，“上一个AI算法模型输出行为要素隐含知识，关联的下一个AI算法模型接收该行为要素隐含知识”，那么可以将所述的“上一个AI算法模型”视作第一AI算法模型，将所述的“关联的下一个AI算法模型”视作第二AI算法模型，这样也可行。基于上述相关内容，AI算法模型model2视作第一AI算法模型，将AI算法模型model3视作第二AI算法模型。

[0081] 进一步地，当所述第二AI算法模型是联动AI模型集群中的末尾的AI算法模型的基础上，便能够将该第二AI算法模型生成的行为越界决策知识作为所述访问行为检测记录对应的行为越界决策知识。比如，AI算法模型model_n‑1视作第一AI算法模型，AI算法模型model_n视作第二AI算法模型，而结合上述相关内容，该AI算法模型model_n已经是联动AI模型集群中的末尾的AI算法模型，所以AI算法模型model_n生成的行为越界决策知识作为所述访问行为检测记录对应的行为越界决策知识。假定第二AI算法模型并不是联动AI模型集群中的末尾的AI算法模型，则第二AI算法模型生成的行为越界决策知识可以作为行为要素隐含知识，继续加载到后一个AI算法模型。比如，AI算法模型model2生成的行为越界决策知识可以作为行为要素隐含知识，继续加载到AI算法模型model3。

[0082] 本发明实施例的基于人工智能的数据访问分析方法，通过基于访问行为检测记录及对应的行为要素描述短语，由联动AI模型集群包含的多个候选神经网络中筛选不少于一个候选神经网络进行对访问行为检测记录的知识向量挖掘，实现了不仅通过多个候选神经网络实现了网络的扩展，提升越界预警分析网络的越界预警分析质量，而且联动AI模型集群中部分候选神经网络的加入，避免了过大的运算开销，提高了访问行为越界分析的效率。此外，可以基于实际情况灵活确定AI算法模型的数目或者候选神经网络的数目，比如，如果侧重于精度要求，可以筛选较多数目的候选神经网络或者设置多个数目的AI算法模型；如果侧重于资源节约要求，可以适当减少AI算法模型的数目。

[0083] 在一些可独立的实施例中，所述方法还包括：依据所述行为越界决策知识进行越界预警分析处理，进一步地，依据所述行为越界决策知识进行越界预警分析处理通过越界预警分析网络实现。以下为本发明不少于一个实施例提供的一种越界预警分析网络的调试方案，其中，该越界预警分析网络中可以包括联动AI模型集群，所述的联动AI模型集群中包括多个候选神经网络。比如，联动AI模型集群中可以包括多个AI算法模型，每个AI算法模型包括多个候选神经网络。可以根据如下思路进行网络模型调试。

[0084] S400、获得示例型访问行为检测记录、所述示例型访问行为检测记录的先验注释以及所述示例型访问行为检测记录对应的行为要素描述短语。

[0085] S402、将所述示例型访问行为检测记录和所述示例型访问行为检测记录对应的行为要素描述短语加载到所述越界预警分析网络；由所述越界预警分析网络依据所述示例型访问行为检测记录和行为要素描述短语，从多个候选神经网络中筛选不少于一个候选神经网络作为前处理神经网络。

[0086] S404、通过所述前处理神经网络进行所述示例型访问行为检测记录的决策知识挖掘操作，得到所述示例型访问行为检测记录的行为越界决策知识。

[0087] 其中，上述的S400至S404的处理，可以结合基于人工智能的数据访问分析方法的介绍。其中，在调试越界预警分析网络时使用到的示例型访问行为检测记录及其对应的行为要素描述短语，可以是事先通过行为要素挖掘网络对示例型访问行为检测记录挖掘得到，并建立示例型访问行为检测记录与挖掘的行为要素描述短语的对应关系，后续便能够将“示例型访问行为检测记录‑‑行为要素描述短语”的对应关系对输入待调试的越界预警分析网络。

[0088] S406、依据所述行为越界决策知识对所述示例型访问行为检测记录进行越界预警分析，得到所述示例型访问行为检测记录的越界预警分析报告。

[0089] S408、结合所述越界预警分析报告与所述先验注释之间的比较结果，改进所述越界预警分析网络的神经网络变量。

[0090] 本发明实施例不约束基于行为越界决策知识所做的越界预警分析的示例性思路，举例来说，可以采用多元回归分析（多分类）的思路进行调试，预测示例型访问行为检测记录对应的报告标签作为越界预警分析报告。并基于该示例型访问行为检测记录的报告标签先验注释值作为先验注释（标注信息），基于先验注释与越界预警分析报告之间的比较结果（差异值），改进越界预警分析网络的神经网络变量（模型参数）。比如，可以改进越界预警分析网络中的特征处理单元、筛选处理单元和候选神经网络的神经网络变量。

[0091] 进一步地，上述示例性访问行为检测记录可以理解为训练样本，其他的示例性数据信息也可作类似理解。

[0092] 在一些可独立实施的设计思路下，在依据所述行为越界决策知识进行越界预警分析处理之后，该方法还可以包括如下内容：如果通过越界预警分析处理后得到的目标越界预警分析报告表征所述待进行越界预警分析的访问行为检测记录存在越界风险，则基于所述行为越界决策知识确定越界防护策略；利用所述越界防护策略对所述访问行为检测记录对应的访问行为进行约束。

[0093] 举例而言，如果访问行为检测记录存在越界风险，可以基于行为越界决策知识进行超前的越界防护策略定制，然后结合越界防护策略对相关访问行为进行限制和约束，从而实现对相关数据信息的防护处理。其中，访问行为检测记录可以是实时更新的，因此越界防护策略也可以适应性的实时更新或者间隔一定时段更新，从而提高越界防护的质量。

[0094] 在一些可独立实施的设计思路下，基于所述行为越界决策知识确定越界防护策略，可以包括如下内容：对所述行为越界决策知识的第一异常操作偏好知识簇进行深度知识提炼（知识精简处理），得到所述第一异常操作偏好知识簇对应的第一目标风险知识分布簇；根据所述第一目标风险知识分布簇进行模拟（比如进行事件趋势特征的预测处理），得到模拟的第二目标风险知识分布簇；对所述第二目标风险知识分布簇进行深度知识转换，得到所述第二目标风险知识分布簇对应的第一越界事件趋势信息集；利用所述第一越界事件趋势信息集生成越界防护策略。如此一来，利用经过深度知识提炼的第一目标风险知识分布簇进行趋势模型预测，能够快速且准确地得到第二目标风险知识分布簇，从而可以基于深度知识转换（特征翻译）得到第一越界事件趋势信息集，以便高效精准地生成越界防护策略。

[0095] 在一些可独立实施的设计思路下，在所述得到所述第二目标风险知识分布簇对应的第一越界事件趋势信息集之后，所述方法还包括：根据所述第一异常操作偏好知识簇中的至少部分异常操作偏好知识进行模拟，得到模拟的第二越界事件趋势信息集；根据所述第一越界事件趋势信息集和所述第二越界事件趋势信息集，得到模拟的第三越界事件趋势信息集。

[0096] 在一些可独立实施的设计思路下，所述对所述行为越界决策知识的第一异常操作偏好知识簇进行深度知识提炼，得到所述第一异常操作偏好知识簇对应的第一目标风险知识分布簇，包括：对所述行为越界决策知识的第一异常操作偏好知识簇进行第一知识映射，得到所述第一异常操作偏好知识簇对应的第一风险知识迁移分布簇；对所述第一风险知识迁移分布簇进行卷积处理，得到所述第一异常操作偏好知识簇对应的第一目标风险知识分布簇。

[0097] 在一些可独立实施的设计思路下，所述对所述第二目标风险知识分布簇进行深度知识转换，得到所述第二目标风险知识分布簇对应的第一越界事件趋势信息集，包括：对所述第二目标风险知识分布簇进行深度知识转换，得到所述第二目标风险知识分布簇对应的第二风险知识迁移分布簇；对所述第二风险知识迁移分布簇进行第二知识映射，得到所述第二目标风险知识分布簇对应的第一越界事件趋势信息集。其中，第一知识映射和第二知识映射互逆，这样可以确保不同目标风险知识分布簇在知识提炼和知识转换过程中的准确性和可靠性。

[0098] 基于上述相同或相似的发明构思，请结合参阅图2，本发明还提供了一种基于人工智能的数据访问分析系统30的架构示意图，包括互相之间通信的人工智能云平台10和业务用户设备20，人工智能云平台10和业务用户设备20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

[0099] 进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

[0100] 在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0101] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0102] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，媒体业务服务器10，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0103] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。