一种基于云计算的智慧业务信息风险处理方法及系统与流程

1.本技术实施例涉及云计算及业务风险处理技术领域，具体涉及一种基于云计算的智慧业务信息风险处理方法及系统。


背景技术：

2.云计算的突出特点是具备大量的基础软硬件资源，实现了基础资源的规模化。云计算/云服务可以提高资源的利用率，降低单位资源的使用成本。考虑基于iaas架构进行设计，以云计算数据中心为核心，打造独立于多个应用系统的公共云，通过各类不同的云，比如：市政云、交通云、教育云、安全云、社区云、旅游云为各类上层应用提供支持，其架构能后续扩展支持其它云。
3.而随着云业务的快速发展，云业务处理过程中越来越复杂的应用环境使得信息威胁检测变得越来越困难，因此，加强对相关业务信息的风险防护变得尤其重要。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于云计算的智慧业务信息风险处理方法及系统。
5.第一方面，本技术提供了一种基于云计算的智慧业务信息风险处理方法，包括：对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1；基于对所述异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2；其中，不同业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2的兴趣描述属性一致；逐一更新每个业务状态下的异常活动兴趣描述feature2的兴趣描述属性，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，其中，每个业务状态下的异常活动兴趣描述feature3的阶段性层面指标的量化分析结果与设定量化分析结果相匹配；结合所述异常活动兴趣描述feature3，确定所述存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
6.通过上述所描述的技术方案，基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，并对每个业务状态下的异常活动兴趣描述feature2的阶段性层面指标进行更新，使得所得的每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3的阶段性层面指标存在量化相关性，进而可以基于阶段性层面不同的异常活动兴趣描述feature3（通过不同的阶段性层面来反映隐私威胁的不同关注点，进而得到不同关注点下的隐私威胁特征），确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息，实现了基于初始会话分布的存在隐私信息窃取风险的智慧业务会话日志，确定存在隐私信息窃取风险的智慧业务会话日志的隐私威胁信息，鉴于无需修改存在隐私信息窃取风险的智慧业务会话日志的会话分布结构，在保证隐私威胁信息检测精度的同时，减少了
隐私威胁信息检测的软硬件资源开销，在一定程度上提升了隐私威胁检测的效率。
7.对于一种可独立实施的技术方案而言，所述基于对所述异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，包括：确定所述每个业务状态下的异常活动兴趣描述feature1对应的兴趣描述属性中量化约束最少的异常活动兴趣描述feature1，并将除所述量化约束最少的异常活动兴趣描述feature1外的剩余异常活动兴趣描述feature1，更新为与该量化约束最少的异常活动兴趣描述feature1相同兴趣描述属性的异常活动兴趣描述，将所述量化约束最少的异常活动兴趣描述feature1，以及更新后所述与该量化约束最少的异常活动兴趣描述feature1相同兴趣描述属性的异常活动兴趣描述作为所述异常活动兴趣描述feature2；或者，将所述每个业务状态下的异常活动兴趣描述feature1更新为设定兴趣描述属性下的异常活动兴趣描述，将该设定兴趣描述属性下的异常活动兴趣描述作为所述异常活动兴趣描述feature2。
8.如此设计，将每个业务状态下的异常活动兴趣描述feature1更新为较少的量化约束，在对存在隐私信息窃取风险的智慧业务会话日志中涵盖的隐私威胁信息进行检测时，可以减少隐私威胁信息检测的软硬件资源开销，进而在一定程度上提升了隐私威胁检测的效率。
9.对于一种可独立实施的技术方案而言，所述对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1，包括：通过多个业务状态下的第一ai机器学习模型对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1；所述基于对所述异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，包括：根据确定的更新后的兴趣描述属性，以及每一个业务状态下的第一ai机器学习模型导出的所述异常活动兴趣描述feature1的兴趣描述属性，确定该业务状态下的第一ai机器学习模型对应的第二ai机器学习模型的模型变量数据；结合涵盖了确定的模型变量数据的所述每一个业务状态下的第二ai机器学习模型，对该业务状态下的第二ai机器学习模型对应的第一ai机器学习模型导出的异常活动兴趣描述feature1进行兴趣特征分析，得到该业务状态下的第二ai机器学习模型导出的所述异常活动兴趣描述feature2。
10.如此设计，通过确定每个业务状态下的第二ai机器学习模型的模型变量数据，并结合涵盖了确定的模型变量数据的每一个业务状态下的第二ai机器学习模型，对对应的异常活动兴趣描述feature1进行兴趣特征分析，实现了将每个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的兴趣描述属性中的量化约束更新为较少的量化约束，进而使得对存在隐私信息窃取风险的智慧业务会话日志进行分析时，减少了软硬件资源开销，在一定程度上提升了隐私威胁检测的效率。
11.对于一种可独立实施的技术方案而言，所述对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1，包括：通过多个业务状态下的第一ai机器学习模型对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1；所述逐一更新每个业务状态下的异常活动兴趣描述feature2的兴趣
描述属性，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，包括：基于不同业务状态下的第一ai机器学习模型之间的阶段性层面指标的量化分析结果，以及每一个业务状态下的第一ai机器学习模型对应的所述异常活动兴趣描述feature2的阶段性层面指标，确定每个业务状态下的第一ai机器学习模型分别对应的异常活动兴趣描述feature3的阶段性层面指标；根据确定的每个业务状态下的第一ai机器学习模型分别对应的异常活动兴趣描述feature3的阶段性层面指标，以及每一个业务状态下的第一ai机器学习模型对应的所述异常活动兴趣描述feature2的阶段性层面指标，确定该业务状态下的第一ai机器学习模型对应的第三ai机器学习模型的模型变量数据；结合涵盖了确定的模型变量数据的所述每一个业务状态下的第三ai机器学习模型，对该业务状态下的第三ai机器学习模型对应的异常活动兴趣描述feature2进行兴趣特征分析，得到该业务状态下的第三ai机器学习模型导出的所述异常活动兴趣描述feature3。
12.如此设计，通过修改每一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature2的阶段性层面指标，使得所得的每一个业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3的阶段性层面指标与设置的量化分析结果相匹配（相当于修改了存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息的关注点），使得基于更新阶段性层面指标后的异常活动兴趣描述feature3，能够相对精确的对存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息进行检测，进而在一定程度上提升了隐私威胁检测的精确性。
13.对于一种可独立实施的技术方案而言，所述结合所述异常活动兴趣描述feature3，确定所述存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息，包括：将每个业务状态下的异常活动兴趣描述feature2对应的所述异常活动兴趣描述feature3进行连接处理，得到完成连接的异常活动兴趣描述feature4；结合所述异常活动兴趣描述feature4，确定所述存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
14.如此设计，将所得的每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3进行连接处理，使得所得的异常活动兴趣描述feature4可以包括阶段性层面指标不同的异常活动兴趣描述feature3的特征，进而基于异常活动兴趣描述feature4确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息时，能够提升隐私威胁检测的精确性。
15.对于一种可独立实施的技术方案而言，将每个业务状态下的异常活动兴趣描述feature2对应的所述异常活动兴趣描述feature3进行连接处理，得到完成连接的异常活动兴趣描述feature4，包括：依据预设的连接方式，将每个业务状态下的异常活动兴趣描述feature2对应的所述异常活动兴趣描述feature3逐一进行连接处理，得到每一轮完成连接的过渡异常活动兴趣描述；基于每一轮完成连接的过渡异常活动兴趣描述，得到所述异常活动兴趣描述feature4。
16.对于一种可独立实施的技术方案而言，将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3作为第一个业务状态下的异常活动兴趣描述feature3至第x个业务状态下的异常活动兴趣描述feature3，其中第x个业务状态下的异常活动兴趣描述feature3的阶段性层面指标大于第x-1个业务状态下的异常活动兴趣描述feature3的阶段性层面指标，x为大于1的正整数，则依据预设的连接方式，将每个业务状态
下的异常活动兴趣描述feature2对应的所述异常活动兴趣描述feature3逐一进行连接处理，得到每一轮完成连接的过渡异常活动兴趣描述，包括：依据从第一个业务状态下的异常活动兴趣描述feature3到所述第x个业务状态下的异常活动兴趣描述feature3的连接方式，逐一将每个业务状态下的所述异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第一个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述，作为所得的所述过渡异常活动兴趣描述；或者，依据从第x个业务状态下的异常活动兴趣描述feature3到所述第一个业务状态下的异常活动兴趣描述feature3的连接方式，逐一将每个业务状态下的所述异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第x个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述，作为得到所述过渡异常活动兴趣描述；或者，依据从第一个业务状态下的异常活动兴趣描述feature3到所述第x个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的所述异常活动兴趣描述feature3进行连接处理，分别得到从第一个业务状态下的异常活动兴趣描述feature3到所述第x个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，分别对第一个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述进行兴趣特征分析，得到第一个业务状态下的连接异常活动兴趣描述至第x个业务状态下的连接异常活动兴趣描述，其中，每一个业务状态下的所述连接异常活动兴趣描述的兴趣描述属性与兴趣特征分析前对应的异常活动兴趣描述的兴趣描述属性一致；依据从第x个业务状态下的连接异常活动兴趣描述到所述第一个业务状态下的连接异常活动兴趣描述的连接方式，逐一将每个业务状态下的所述连接异常活动兴趣描述进行连接处理，分别得到从第x个业务状态下的连接异常活动兴趣描述到所述第一个业务状态下的连接异常活动兴趣描述进行连接处理时每一轮完成连接的异常活动兴趣描述，将每一轮完成连接的异常活动兴趣描述以及第x个业务状态下的连接异常活动兴趣描述，作为所得的所述过渡异常活动兴趣描述；或者，依据从第一个业务状态下的异常活动兴趣描述feature3到所述第x个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的所述异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第一个业务状态下的异常活动兴趣描述feature3以及从第一个业务状态下的异常活动兴趣描述feature3到所述第x个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第一过渡异常活动兴趣描述，并依据从第x个业务状态下的异常活动兴趣描述feature3到所述第一个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的所述异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第x个业务状态下的异常活动兴趣描述feature3以及从第x个业务状态下的异常活动兴趣描述feature3到所述第一个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第二过渡异常活动兴趣描述；将所述第一过渡异常活动兴趣描述和所述第二过渡异常活动兴趣描述作为所得的所述过渡异常活动兴趣描述。
17.如此设计，通过设置多种不同的连接方式，逐一将每个业务状态下的异常活动兴趣描述feature3进行连接处理，能够灵活实现异常活动兴趣描述的连接处理。
18.对于一种可独立实施的技术方案而言，所述基于每一轮完成连接的过渡异常活动兴趣描述，得到所述异常活动兴趣描述feature4，包括：对每一轮完成连接的过渡异常活动兴趣描述进行兴趣特征分析，得到该过渡异常活动兴趣描述对应的异常活动兴趣描述feature5；其中，每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5的阶段性层面指标一致；将每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5进行整理，得到所述异常活动兴趣描述feature4。
19.如此设计，基于对每一轮完成连接的过渡异常活动兴趣描述进行兴趣特征分析，并将兴趣特征分析后所得的异常活动兴趣描述feature5进行整理，得到异常活动兴趣描述feature4，使得异常活动兴趣描述feature4中既包括全局兴趣描述较全面的描述内容，也包括局部兴趣描述较全面的描述内容，且所得的异常活动兴趣描述feature4中还包括不同阶段性层面指标的描述内容，使得基于异常活动兴趣描述feature4对存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息进行检测时，能够提升隐私威胁检测的精确性。
20.第二方面，本技术实施例还提供了一种信息风险处理系统，包括处理器、网络模块和存储器；所述处理器和所述存储器通过所述网络模块通信，所述处理器从所述存储器中读取计算机程序并运行，以执行上述的方法。
21.第三方面，本技术实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。
22.在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为本技术实施例所提供的一种信息风险处理系统的方框示意图。
25.图2为本技术实施例所提供的一种基于云计算的智慧业务信息风险处理方法的流程图。
26.图3为本技术实施例所提供的一种基于云计算的智慧业务信息风险处理装置的框图。
具体实施方式
27.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本技术的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
28.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
30.图1示出了本技术实施例所提供的一种信息风险处理系统10的方框示意图。本技术实施例中的信息风险处理系统10可以为具有数据存储、传输、处理功能的服务端，如图1所示，信息风险处理系统10包括：存储器11、处理器12、网络模块13和基于云计算的智慧业务信息风险处理装置20。
31.存储器11、处理器12和网络模块13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有基于云计算的智慧业务信息风险处理装置20，所述基于云计算的智慧业务信息风险处理装置20包括至少一个可以软件或固件（firmware）的形式储存于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，例如本技术实施例中的基于云计算的智慧业务信息风险处理装置20，从而执行各种功能应用以及数据处理，即实现本技术实施例中的基于云计算的智慧业务信息风险处理方法。
32.其中，所述存储器11可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。
33.所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器 (central processing unit，cpu)、网络处理器 (network processor，np)等。可以实现或者执行本技术实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
34.网络模块13用于通过网络建立信息风险处理系统10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
35.可以理解，图1所示的结构仅为示意，信息风险处理系统10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
36.本技术实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。
37.为方便对本技术进行理解，首先对如下名词进行解释。
38.在本技术实施例中，异常活动兴趣描述feature1可以理解为第一异常活动兴趣描述，异常活动兴趣描述feature2可以理解为第二异常活动兴趣描述，异常活动兴趣描述feature3可以理解为第三异常活动兴趣描述，异常活动兴趣描述feature4可以理解为第四异常活动兴趣描述，异常活动兴趣描述feature5可以理解为第五异常活动兴趣描述，依次类推。
39.图2示出了本技术实施例所提供的一种一种基于云计算的智慧业务信息风险处理方法的流程图。所述方法有关的流程所定义的方法步骤应用于信息风险处理系统10，可以由所述处理器12实现，所述方法包括以下步骤101-步骤104所记录的内容。
40.步骤101，对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1。
41.步骤102，基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2；其中，不同业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2的兴趣描述属性一致。
42.步骤103，逐一更新每个业务状态下的异常活动兴趣描述feature2的兴趣描述属性，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，其中，每个业务状态下的异常活动兴趣描述feature3的阶段性层面指标的量化分析结果与设定量化分析结果相匹配。
43.步骤104，基于异常活动兴趣描述feature3，确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
44.实施步骤101-步骤104所记录的技术方案，基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，并对每个业务状态下的异常活动兴趣描述feature2的阶段性层面指标进行更新，使得所得的每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3的阶段性层面指标存在量化相关性，进而可以基于阶段性层面不同的异常活动兴趣描述feature3（通过不同的阶段性层面来反映隐私威胁的不同关注点，进而得到不同关注点下的隐私威胁特征），确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息，实现了基于初始会话分布的存在隐私信息窃取风险的智慧业务会话日志，确定存在隐私信息窃取风险的智慧业务会话日志的隐私威胁信息，鉴于无需修改存在隐私信息窃取风险的智慧业务会话日志的会话分布结构，在保证隐私威胁信息检测精度的同时，减少了隐私威胁信息检测的软硬件资源开销，在一定程度上提升了隐私威胁检测的效率。
45.对于步骤101-步骤104所描述的技术方案，具体可以通过如下描述内容进行说明。
46.可以理解的是，对于步骤101所描述的对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1。
47.在本技术实施例中，第一个业务状态下的异常活动兴趣描述feature1是对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘所得的，存在关联的两个业务状态下的异常活动兴趣描述feature1中的后一个业务状态下的异常活动兴趣描述feature1是对存在关联的两个业务状态下的异常活动兴趣描述feature1中的前一个业务状态下的异常活动兴趣描述feature1执行会话活动兴趣挖掘所得的。
48.可以理解的是，隐私信息窃取风险的存在性判定可以根据预先设置的规则实现，比如通过时段条件或者业务类型条件进行判断。因此，存在隐私信息窃取风险的智慧业务会话日志可以理解为待处理的智慧业务会话日志，该会话日志可以是流式记录的日志文本或者图文信息。进一步地，会话互动兴趣挖掘可以理解为特征提取（对应于异常活动兴趣描述的提取）。
49.本技术实施例中，对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1时，可以通过多个业务状态下的第一ai机器学习模型（比如cnn）对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1。进一步地，多个业务状态下的第一ai机器学习模型形成的机器学习模型可以理解为对存在隐私信息窃取风险的智慧业务会话日志中涵盖的隐私威胁信息进行检测的其中一个机器学习模型，在实际实施时，对待检测智慧业务会话日志中涵盖的隐私威胁信息进行检测的机器学习模型可以分割（拆分或者划分）为多个进程（多个阶段）的ai机器学习模型，每一进程的ai机器学习模型对应一个业务状态下的第一ai机器学习模型。其中，多个业务状态下的第一ai机器学习模型的结构可以根据真实业务需求进行设置，本技术实施例在此不作更多说明。
50.举例而言，若多个业务状态下的第一ai机器学习模型包括第一个业务状态下的第一ai机器学习模型、第二个业务状态下的第一ai机器学习模型、第三个业务状态下的第一ai机器学习模型，则第一个业务状态下的第一ai机器学习模型可以对存在隐私信息窃取风险的智慧业务会话日志进行兴趣特征分析，得到第一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1；并将第一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1传输至第二个业务状态下的第一ai机器学习模型，第二个业务状态下的第一ai机器学习模型对获取到的异常活动兴趣描述feature1进行兴趣特征分析，得到第二个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1；再将第二个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1传输至第三个业务状态下的第一ai机器学习模型，第三个业务状态下的第一ai机器学习模型对获取到的异常活动兴趣描述feature1进行兴趣特征分析，得到第三个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1，进而得到了每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1。其中，由于第一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1经过的兴趣特征分析的次数较少，因此第一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的局部描述较丰富、全局描述较匮乏；而第三个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1经过的兴趣特征分析的次数较多，故第三个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的全局描述较多（即异常活动兴趣描述feature1中涵盖的与隐私威胁信息相关的描述内容较丰富）、局部描述较匮乏。
51.在本技术实施例中，存在隐私信息窃取风险的智慧业务会话日志可以为涵盖隐私威胁信息的任一智慧业务会话日志。其中，存在隐私信息窃取风险的智慧业务会话日志的持续时段可以为随机持续时段，例如：存在隐私信息窃取风险的智慧业务会话日志的持续时段可以为15min、25min等。在实际实施时，可以基于多个业务状态下的第一ai机器学习模型确定智慧业务会话日志检测持续时段，在存在隐私信息窃取风险的智慧业务会话日志的持续时段超过智慧业务会话日志检测持续时段时，可以将存在隐私信息窃取风险的智慧业务会话日志分割为多个智慧业务会话日志，使得分割后的每个智慧业务会话日志的持续时段与智慧业务会话日志检测持续时段一致。比如：若存在隐私信息窃取风险的智慧业务会话日志的持续时段为1.5小时时，确定的智慧业务会话日志检测持续时段为15min，则可以
将存在隐私信息窃取风险的智慧业务会话日志分割为6个持续时段为15min的智慧业务会话日志，多个业务状态下的第一ai机器学习模型分别对每个15min的智慧业务会话日志执行会话活动兴趣挖掘，确定每个15min智慧业务会话日志对应的隐私威胁信息，进而得到该存在隐私信息窃取风险的智慧业务会话日志的隐私威胁信息。
52.在本技术实施例中，异常活动兴趣描述feature1可以包括四个层面下的兴趣描述属性（比如，参数信息）。举例而言，如果多个业务状态下的第一ai机器学习模型为三个层面下的ai机器学习模型（还可以为卷积神经网络），则可以得到存在隐私信息窃取风险的智慧业务会话日志的异常活动兴趣描述feature1，该异常活动兴趣描述feature1可以包括四个层面下的兴趣描述属性；若多个业务状态下的第一ai机器学习模型为两个层面下的ai机器学习模型，则可以通过多个业务状态下的第一ai机器学习模型执行会话活动兴趣挖掘，得到存在隐私信息窃取风险的智慧业务会话日志中每组会话事件对应的异常活动兴趣描述，将所得的存在隐私信息窃取风险的智慧业务会话日志中每组会话事件关键词的异常活动兴趣描述依据阶段性层面进行整合，得到存在隐私信息窃取风险的智慧业务会话日志对应的异常活动兴趣描述feature1。
53.可以理解的是，对于步骤102而言，基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2。
54.举例而言，将第一个业务状态下的异常活动兴趣描述feature1的兴趣描述属性、第二个业务状态下的异常活动兴趣描述feature1的兴趣描述属性、以及第三个业务状态下的异常活动兴趣描述feature1的兴趣描述属性更新为相同。
55.对于一种可独立实施的技术方案而言，步骤102所记录的基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，示例性的可以包括如下内容：确定每个业务状态下的异常活动兴趣描述feature1对应的兴趣描述属性中量化约束最少的异常活动兴趣描述feature1，并将除量化约束最少的异常活动兴趣描述feature1外的剩余异常活动兴趣描述feature1，更新为与该量化约束最少的异常活动兴趣描述feature1相同兴趣描述属性的异常活动兴趣描述，将量化约束最少的异常活动兴趣描述feature1，以及更新后与该量化约束最少的异常活动兴趣描述feature1相同兴趣描述属性的异常活动兴趣描述作为异常活动兴趣描述feature2；或者，将每个业务状态下的异常活动兴趣描述feature1更新为设定兴趣描述属性下的异常活动兴趣描述，将该设定兴趣描述属性下的异常活动兴趣描述作为异常活动兴趣描述feature2。
56.在本技术实施例中，若多个业务状态下的异常活动兴趣描述feature1包括第一个业务状态下的异常活动兴趣描述feature1、第二个业务状态下的异常活动兴趣描述feature1、第三个业务状态下的异常活动兴趣描述feature1，则确定第一个业务状态下的异常活动兴趣描述feature1、第二个业务状态下的异常活动兴趣描述feature1、第三个业务状态下的异常活动兴趣描述feature1中，量化约束最少的异常活动兴趣描述feature1，则确定第三个业务状态下的异常活动兴趣描述feature1对应的兴趣描述属性中量化约束最少，则分别将第一个业务状态下的异常活动兴趣描述feature1以及第二个业务状态下的异常活动兴趣描述feature1的兴趣描述属性进行更新，使得更新后的每个业务状态下的异
常活动兴趣描述feature2的兴趣描述属性互相之间存在一致性。
57.或者，确定一个设定兴趣描述属性，将每个业务状态下的异常活动兴趣描述feature1更新为设定兴趣描述属性下的异常活动兴趣描述，将该设定兴趣描述属性下的异常活动兴趣描述作为异常活动兴趣描述feature2。可以理解，设定兴趣描述属性中的量化约束不大于每个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1对应的兴趣描述属性中量化约束最少的异常活动兴趣描述feature1的兴趣描述属性。
58.如此设计，将每个业务状态下的第一异常活动兴趣描述feature1更新为较少的量化约束，在对存在隐私信息窃取风险的智慧业务会话日志中涵盖的隐私威胁信息进行检测时，可以减少隐私威胁信息检测的软硬件资源开销，进而在一定程度上提升了隐私威胁检测的效率。
59.对于一种可独立实施的技术方案而言，步骤101所记录的对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1，示例性地可以包括：通过多个业务状态下的第一ai机器学习模型对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1。
60.在上述内容的基础上，步骤102所记录的基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2，示例性的可以包括步骤201和步骤202所记录的技术方案。
61.步骤201，根据确定的更新后的兴趣描述属性，以及每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的兴趣描述属性，确定该业务状态下的第一ai机器学习模型对应的第二ai机器学习模型的模型变量数据。
62.步骤202，结合涵盖了确定的模型变量数据的每一个业务状态下的第二ai机器学习模型，对该业务状态下的第二ai机器学习模型对应的第一ai机器学习模型导出的异常活动兴趣描述feature1进行兴趣特征分析，得到该业务状态下的第二ai机器学习模型导出的异常活动兴趣描述feature2。
63.在本技术实施例中，可以根据确定的更新后的兴趣描述属性，以及每一个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的兴趣描述属性，分别确定第一个业务状态下的第一ai机器学习模型对应的第二ai机器学习模型的模型变量数据、第二个业务状态下的第一ai机器学习模型对应的第二ai机器学习模型的模型变量数据、第三个业务状态下的第一ai机器学习模型对应的第二ai机器学习模型的模型变量数据。
64.举例而言，第一个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据（比如，模型参数信息）的第二ai机器学习模型，对第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature1进行兴趣特征分析，得到该业务状态下的第二ai机器学习模型导出的异常活动兴趣描述feature2。逐一类推，第二个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据的第二ai机器学习模型，对第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature1进行兴趣特征分析，得到该业务状态下的第二ai机器学习模型导出的异常活动兴趣描述feature2。第三个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据的第二ai机器学习模型，对第三个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature1进行兴趣特征分析，得到该业务状态
下的第二ai机器学习模型导出的异常活动兴趣描述feature2。
65.如此设计，通过确定每个业务状态下的第二ai机器学习模型的模型变量数据，并结合涵盖了确定的模型变量数据的每一个业务状态下的第二ai机器学习模型，对对应的异常活动兴趣描述feature1进行兴趣特征分析，实现了将每个业务状态下的第一ai机器学习模型导出的异常活动兴趣描述feature1的兴趣描述属性中的量化约束更新为较少的量化约束，进而使得对存在隐私信息窃取风险的智慧业务会话日志进行分析时，减少了软硬件资源开销，在一定程度上提升了隐私威胁检测的效率。
66.可以理解的是，对于步骤103而言：本技术实施例中，可以对每个业务状态下的异常活动兴趣描述feature2的兴趣描述属性进行更新，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，使得所得的每个业务状态下的异常活动兴趣描述feature3的阶段性层面指标的量化分析结果与设定量化分析结果相匹配。其中，每一个业务状态下的异常活动兴趣描述feature3的阶段性层面指标（比如时间维度值）与其覆盖范围相关。在实际实施时，异常活动兴趣描述经过兴趣特征分析的次数越少，覆盖范围越小，则对应的阶段性层面指标设置的较大时，才能相对精确的确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息；反之，异常活动兴趣描述经过兴趣特征分析的次数越多，覆盖范围越大，则为了减少软硬件资源开销，则可以将对应的阶段性层面指标的较少，实现了在保证存在隐私信息窃取风险的智慧业务会话日志检测的精度的同时，尽量减少软硬件资源开销，提高隐私威胁检测效率。比如，第一个业务状态下的异常活动兴趣描述feature3与第二个业务状态下的异常活动兴趣描述feature3之间的阶段性层面指标的量化分析结果可以设置为2：6或者4：16等。
67.对于一种可独立实施的技术方案而言，103所记录的逐一更新每个业务状态下的异常活动兴趣描述feature2的兴趣描述属性，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，示例性地可以包括步骤301-步骤303所记录的技术方案。
68.步骤301，基于不同业务状态下的第一ai机器学习模型之间的阶段性层面指标的量化分析结果，以及每一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature2的阶段性层面指标，确定每个业务状态下的第一ai机器学习模型分别对应的异常活动兴趣描述feature3的阶段性层面指标。
69.步骤302，根据确定的每个业务状态下的第一ai机器学习模型分别对应的异常活动兴趣描述feature3的阶段性层面指标，以及每一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature2的阶段性层面指标，确定该业务状态下的第一ai机器学习模型对应的第三ai机器学习模型的模型变量数据。
70.步骤303，结合涵盖了确定的模型变量数据的每一个业务状态下的第三ai机器学习模型，对该业务状态下的第三ai机器学习模型对应的异常活动兴趣描述feature2进行兴趣特征分析，得到该业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3。
71.本技术实施例中，不同业务状态下的第一ai机器学习模型之间的阶段性层面指标的量化分析结果可以根据真实业务需求进行设置，例如：若多个业务状态下的第一ai机器学习模型包括第一个业务状态下的第一ai机器学习模型、第二个业务状态下的第一ai机器
学习模型、第三个业务状态下的第一ai机器学习模型，则不同业务状态下的第一ai机器学习模型之间的阶段性层面指标的量化分析结果（比如可以是比例）可以为1：4：6，也可以为1：5：10等。进一步的，若每一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature2的阶段性层面指标（比如，时间维度值）为32，阶段性层面指标的量化分析结果为1：4：6，则可以确定第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的阶段性层面指标为8第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的阶段性层面指标为16，第三个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的阶段性层面指标为32。
72.本技术实施例中，可以根据上述的相关内容确定每一个业务状态下的第一ai机器学习模型对应的第三ai机器学习模型的模型变量数据。比如，可以通过为每一个业务状态下的第三ai机器学习模型设置不同的时维间隔，使得每个业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3的阶段性层面指标与设置的量化分析结果相同。
73.示例性的，第一个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据的第三ai机器学习模型，对该业务状态下的对应的异常活动兴趣描述feature2进行兴趣特征分析，得到该业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3。逐一推导，第二个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据的第三ai机器学习模型，对该业务状态下的对应的异常活动兴趣描述feature2进行兴趣特征分析，得到该业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3。第三个业务状态下的第一ai机器学习模型对应的涵盖了模型变量数据的第三ai机器学习模型，对该业务状态下的对应的异常活动兴趣描述feature2进行兴趣特征分析，得到该业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3。
74.实施步骤301-步骤303所记录的内容，通过修改每一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature2的阶段性层面指标，使得所得的每一个业务状态下的第三ai机器学习模型导出的异常活动兴趣描述feature3的阶段性层面指标与设置的量化分析结果相匹配（相当于修改了存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息的关注点），使得基于更新阶段性层面指标后的异常活动兴趣描述feature3，能够相对精确的对存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息进行识别，进而在一定程度上提升了隐私威胁检测的精确性。
75.可以理解的是，对于步骤104而言：本技术实施例中，可以将每个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接，并将异常活动兴趣描述feature3连接后所得的异常活动兴趣描述导入到测试机器学习模型中，得到存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息。若存在隐私信息窃取风险的智慧业务会话日志中包括多个隐私威胁信息，则可以得到存在隐私信息窃取风险的智慧业务会话日志中包括的每一隐私威胁信息。
76.对于一种可独立实施的技术方案而言，步骤104所记录的基于异常活动兴趣描述feature3，确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息，示例性地可以包括步骤401和步骤402所记录的内容。
77.步骤401，将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3进行连接处理，得到完成连接的异常活动兴趣描述feature4。
78.步骤402，基于异常活动兴趣描述feature4，确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
79.在本技术实施例中，在得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3之后，可以将每个业务状态下的异常活动兴趣描述feature3进行连接处理，得到完成连接的异常活动兴趣描述feature4，在基于异常活动兴趣描述feature4，确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
80.实施步骤401和步骤402所记录的内容，将所得的每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3进行连接处理，使得所得的异常活动兴趣描述feature4可以包括阶段性层面指标不同的异常活动兴趣描述feature3的特征，进而基于异常活动兴趣描述feature4确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息时，能够提升隐私威胁检测的精确性。
81.对于一种可独立实施的技术方案而言，上述步骤401所记录的将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3进行连接处理，得到完成连接的异常活动兴趣描述feature4，示例性地可以包括如下内容：依据预设的连接方式，将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3逐一进行连接处理，得到每一轮完成连接的过渡异常活动兴趣描述；基于每一轮完成连接的过渡异常活动兴趣描述，得到异常活动兴趣描述feature4。
82.在本技术实施例中，可以设定异常活动兴趣描述feature3的连接方式（可以理解为融合顺序），将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3依据预设的连接方式，逐一进行连接处理，得到每一轮完成连接的过渡异常活动兴趣描述。
83.举例而言，若预设的连接方式为：第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3、第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3、第三个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3，则可以先将第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3与第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接，得到第一轮完成连接的过渡异常活动兴趣描述；在将所得的完成连接的过渡异常活动兴趣描述与第三个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接，得到第二轮完成连接的过渡异常活动兴趣描述。在可以基于每一轮完成连接的过渡异常活动兴趣描述，得到异常活动兴趣描述feature4。
84.可以理解，第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3与第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接时，可以先将第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行上采样操作，在将上采样操作后的第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3与第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接，得到第一轮完成连接的过渡异常活动兴趣描述。每一轮的连接过程，可以参考第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3与第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行连接的过程，本技术实施例在此不作过多描述。
85.举例而言，若第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的兴趣描述属性为value1，第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的兴趣描述属性为value2，则可以先将第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3进行上采样操作，上采样操作后的第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3的兴趣描述属性为value2；然后将上采样操作后的第一个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3中每一活动兴趣描述事项的描述值，与第二个业务状态下的第一ai机器学习模型对应的异常活动兴趣描述feature3中对应的活动兴趣描述事项的描述值进行整合，得到第一轮完成连接的过渡异常活动兴趣描述，其中，该第一轮完成连接的过渡异常活动兴趣描述的兴趣描述属性为value2。
86.对于一种可独立实施的技术方案而言，将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3作为第一个业务状态下的异常活动兴趣描述feature3至第x个业务状态下的异常活动兴趣描述feature3，其中第x个业务状态下的异常活动兴趣描述feature3的阶段性层面指标大于第x-1个业务状态下的异常活动兴趣描述feature3的阶段性层面指标，x为大于1的正整数。则依据预设的连接方式，将每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3逐一进行连接处理，得到每一轮完成连接的过渡异常活动兴趣描述，包括以下几项设计思路中的其中一种。
87.第一项设计思路：依据从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3的连接方式，逐一将每个业务状态下的异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第一个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述，作为所得的过渡异常活动兴趣描述。
88.第二项设计思路：依据从第x个业务状态下的异常活动兴趣描述feature3到第一个业务状态下的异常活动兴趣描述feature3的连接方式，逐一将每个业务状态下的异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第x个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述，作为得到过渡异常活动兴趣描述。
89.第三项设计思路：依据从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的异常活动兴趣描述feature3进行连接处理，分别得到从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，分别对第一个业务状态下的异常活动兴趣描述feature3以及每一轮完成连接的异常活动兴趣描述进行兴趣特征分析，得到第一个业务状态下的连接异常活动兴趣描述至第x个业务状态下的连接异常活动兴趣描述，其中，每一个业务状态下的连接异常活动兴趣描述的兴趣描述属性与兴趣特征分析前对应的异常活动兴趣描述的兴趣描述属性一致；依据从第x个业务状态下的连接异常活动兴趣描述到第一个业务状态下的连接异常活动兴趣描述的连接方式，逐一将每个业务状态下的连接异常活动兴趣描述进行连接处理，分别得到从第x个业务状态下的连接异常活动兴趣描述到第一个业务状态下的连接异常活动兴趣描述进行连接处理时每一轮完成连接的异常活动兴趣描述，将每一轮完成
连接的异常活动兴趣描述以及第x个业务状态下的连接异常活动兴趣描述，作为所得的过渡异常活动兴趣描述。
90.第四项设计思路：依据从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第一个业务状态下的异常活动兴趣描述feature3以及从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第一过渡异常活动兴趣描述，并依据从第x个业务状态下的异常活动兴趣描述feature3到第一个业务状态下的异常活动兴趣描述feature3的连接方式，将每个业务状态下的异常活动兴趣描述feature3进行连接处理，分别得到每一轮完成连接的异常活动兴趣描述，将第x个业务状态下的异常活动兴趣描述feature3以及从第x个业务状态下的异常活动兴趣描述feature3到第一个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第二过渡异常活动兴趣描述；将第一过渡异常活动兴趣描述和第二过渡异常活动兴趣描述作为所得的过渡异常活动兴趣描述。
91.在本技术实施例中，对上述第一项设计思路进行说明，对每个业务状态下的异常活动兴趣描述feature3进行连接时，可以先将第一个业务状态下的异常活动兴趣描述feature3与第二个业务状态下的异常活动兴趣描述feature3进行连接，得到第一轮完成连接的异常活动兴趣描述；再将第一轮所得的完成连接的异常活动兴趣描述与第三个业务状态下的异常活动兴趣描述feature3进行连接，得到第二轮完成连接的异常活动兴趣描述，由此推算，直到第x-2轮完成连接的异常活动兴趣描述与第x个业务状态下的异常活动兴趣描述feature3进行连接，得到第x-1轮完成连接的异常活动兴趣描述结束；将第一轮完成连接的异常活动兴趣描述（第一个业务状态下的异常活动兴趣描述feature3与第二个业务状态下的异常活动兴趣描述feature3连接后所得的异常活动兴趣描述）、第二轮完成连接的异常活动兴趣描述、
…
、第x-1轮完成连接的异常活动兴趣描述以及第一个业务状态下的异常活动兴趣描述feature3，作为所得的过渡异常活动兴趣描述。
92.在本技术实施例中，对上述第二项设计思路进行说明，对每个业务状态下的异常活动兴趣描述feature3进行连接时，可以先将第x个业务状态下的异常活动兴趣描述feature3与第x-1个业务状态下的异常活动兴趣描述feature3进行连接，得到第一轮完成连接的异常活动兴趣描述；再将第一轮连接后所得的异常活动兴趣描述与第x-1个业务状态下的异常活动兴趣描述feature3进行连接，得到第二轮完成连接的异常活动兴趣描述，由此推算，直到将第x-2轮完成连接的异常活动兴趣描述与第一个业务状态下的异常活动兴趣描述feature3501进行连接，得到第x-1轮完成连接的异常活动兴趣描述结束；将第一轮完成连接的异常活动兴趣描述（第x个业务状态下的异常活动兴趣描述feature3与第x-1个业务状态下的异常活动兴趣描述feature3连接后所得的异常活动兴趣描述）、第二轮完成连接的异常活动兴趣描述、
…
、第x-1轮完成连接的异常活动兴趣描述以及第x个业务状态下的异常活动兴趣描述feature3，作为所得的过渡异常活动兴趣描述。
93.在本技术实施例，对上述第三项设计思路进行说明，对每个业务状态下的异常活动兴趣描述feature3进行连接时，可以先将第一个业务状态下的异常活动兴趣描述
feature3与第二个业务状态下的异常活动兴趣描述feature3进行连接，得到第一轮完成连接的异常活动兴趣描述；再将第一轮所得的完成连接的异常活动兴趣描述与第三个业务状态下的异常活动兴趣描述feature3进行连接，得到第二轮完成连接的异常活动兴趣描述，由此推算，可以得到第x-1轮完成连接的异常活动兴趣描述；分别将第一个业务状态下的异常活动兴趣描述feature3、第一轮完成连接的异常活动兴趣描述、第二轮完成连接的异常活动兴趣描述、
…
、第x-1轮完成连接的异常活动兴趣描述导入到对应的过渡ai机器学习模型中进行兴趣特征分析，得到第一个业务状态下的异常活动兴趣描述feature3对应的第一个业务状态下的连接异常活动兴趣描述、第一轮完成连接的异常活动兴趣描述对应的第二个业务状态下的连接异常活动兴趣描述、第二轮完成连接的异常活动兴趣描述对应的第三个业务状态下的连接异常活动兴趣描述、
…
、第x-1轮完成连接的异常活动兴趣描述对应的第x个业务状态下的连接异常活动兴趣描述。其中，每一个业务状态下的连接异常活动兴趣描述的兴趣描述属性与兴趣特征分析前对应的异常活动兴趣描述的兴趣描述属性一致，比如，若第一个业务状态下的异常活动兴趣描述feature3的兴趣描述属性为value1，则第一个业务状态下的异常活动兴趣描述feature3对应的过渡ai机器学习模型对第一个业务状态下的异常活动兴趣描述feature3进行兴趣特征分析后，所得的第一个业务状态下的连接异常活动兴趣描述的兴趣描述属性也为value1；若第一轮完成连接的异常活动兴趣描述的兴趣描述属性为value2，则第一轮完成连接的异常活动兴趣描述对应的过渡ai机器学习模型对第一轮完成连接的异常活动兴趣描述进行兴趣特征分析后，所得的第二个业务状态下的连接异常活动兴趣描述的兴趣描述属性也为value2。
94.进一步地，依据从第x个业务状态下的连接异常活动兴趣描述到第一个业务状态下的连接异常活动兴趣描述的连接方式，逐一将每个业务状态下的连接异常活动兴趣描述进行连接处理，分别得到从第x个业务状态下的连接异常活动兴趣描述到第一个业务状态下的连接异常活动兴趣描述进行连接处理时每一轮完成连接的异常活动兴趣描述，将每一轮完成连接的异常活动兴趣描述以及第x个业务状态下的连接异常活动兴趣描述，作为所得的过渡异常活动兴趣描述。
95.在本技术实施例中，对上述第四项设计思路进行说明，对每个业务状态下的异常活动兴趣描述feature3进行连接时，可以通过上述第一项设计思路将每个业务状态下的异常活动兴趣描述feature3进行连接处理，将第一个业务状态下的异常活动兴趣描述feature3以及从第一个业务状态下的异常活动兴趣描述feature3到第x个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第一过渡异常活动兴趣描述；同时，可以通过上述第二项设计思路将每个业务状态下的异常活动兴趣描述feature3进行连接处理，将第x个业务状态下的异常活动兴趣描述feature3以及从第x个业务状态下的异常活动兴趣描述feature3到第一个业务状态下的异常活动兴趣描述feature3进行连接处理时每一轮完成连接的异常活动兴趣描述，作为所得的第二过渡异常活动兴趣描述；其中，第一过渡异常活动兴趣描述以及第二过渡异常活动兴趣描述形成了通过第四项设计思路所得的过渡异常活动兴趣描述。
96.实施上述四种实施例，通过设定多种不同的连接方式，逐一将每个业务状态下的异常活动兴趣描述feature3进行连接处理，能够灵活实现异常活动兴趣描述的连接处理。
97.对于一种可独立实施的技术方案而言，上述所记录的基于每一轮完成连接的过渡
异常活动兴趣描述，得到异常活动兴趣描述feature4，示例性地可以包括步骤601和步骤602所记录的技术方案。
98.步骤601，对每一轮完成连接的过渡异常活动兴趣描述进行兴趣特征分析，得到该过渡异常活动兴趣描述对应的异常活动兴趣描述feature5；其中，每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5的阶段性层面指标一致。
99.步骤602，将每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5进行整理，得到异常活动兴趣描述feature4。
100.在本技术实施例中，若每一轮完成连接的过渡异常活动兴趣描述（可以理解为中间异常活动兴趣描述）包括兴趣描述属性为value1的过渡异常活动兴趣描述、value2的过渡异常活动兴趣描述、value4的过渡异常活动兴趣描述，确定的完成连接的阶段性层面指标为1，其中，完成连接的阶段性层面指标可以根据真实业务需求进行设置，则可以确定每一过渡异常活动兴趣描述对应的第四ai机器学习模型的模型变量数据，即可以确定兴趣描述属性为value1的过渡异常活动兴趣描述对应的第四ai机器学习模型networks_1的模型变量数据、确定兴趣描述属性为value2的过渡异常活动兴趣描述对应的第四ai机器学习模型networks_2的模型变量数据、确定兴趣描述属性为value4的过渡异常活动兴趣描述对应的第四ai机器学习模型networks_3的模型变量数据；基于标记模型变量数据的第四ai机器学习模型networks_1对兴趣描述属性为value1的过渡异常活动兴趣描述进行兴趣特征分析，得到兴趣描述属性为value1的过渡异常活动兴趣描述对应的异常活动兴趣描述feature5；进而可以得到兴趣描述属性为value2的过渡异常活动兴趣描述对应的异常活动兴趣描述feature5、以及兴趣描述属性为value4的过渡异常活动兴趣描述对应的异常活动兴趣描述feature5，其中，每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5的兴趣描述属性皆是value1。
101.可以理解，将每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5进行整理，得到异常活动兴趣描述feature4，即所得的异常活动兴趣描述feature4的兴趣描述属性为value4.3。其中，对每个过渡异常活动兴趣描述对应的异常活动兴趣描述feature5进行整理时，可以通过相关操作将异常活动兴趣描述feature5进行整理（连接或者融合），得到异常活动兴趣描述feature4。
102.实施步骤601和步骤602所记录的技术方案，基于对每一轮完成连接的过渡异常活动兴趣描述进行兴趣特征分析，并将兴趣特征分析后所得的异常活动兴趣描述feature5进行整理，得到异常活动兴趣描述feature4，使得异常活动兴趣描述feature4中既涵盖全局兴趣描述较全面的描述内容，也包括局部兴趣描述较全面的描述内容，且所得的异常活动兴趣描述feature4中还包括不同阶段性层面指标的描述内容，使得基于异常活动兴趣描述feature4对存在隐私信息窃取风险的智慧业务会话日志中包括的隐私威胁信息进行检测时，能够提升隐私威胁检测的精确性。
103.在上述内容的基础上，对于一些可独立实施的设计思路而言，在确定所述存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息之后，该方法还可以包括以下内容：根据所述隐私威胁信息执行对应的隐私威胁防护措施。
104.在上述内容的基础上，对于一些可独立实施的设计思路而言，根据所述隐私威胁信息执行对应的隐私威胁防护措施，可以包括以下内容：根据所述隐私威胁信息确定待进
行匿名化处理的目标个体用户信息；对所述目标个体用户信息中的多个个体用户信息片段分别进行共享型使用需求解析和独占型使用需求解析，得到共享型使用需求解析结果集和独占型使用需求解析结果集；通过第一指定调整策略，对所述共享型使用需求解析结果集进行第一调整处理，得到包括有共享型使用需求的第一个体用户信息簇；通过第二指定调整策略，对所述独占型使用需求解析结果集进行第二调整处理，得到包括有独占型使用需求的第二个体用户信息簇；基于所述第一个体用户信息簇和所述第二个体用户信息簇进行下采样处理，得到所述目标个体用户信息中与目标使用需求相匹配的目标个体用户信息簇；所述目标使用需求包括共享型使用需求和独占型使用需求中的至少一种，所述目标个体用户信息簇用于对所述目标个体用户信息进行匿名化处理；基于所述目标个体用户信息簇对所述目标个体用户信息中的至少部分进行匿名化处理。如此设计，能够通过考虑不同的使用需求从而实现针对性的信息匿名化处理，从而实现准确可靠的隐私威胁防护。
105.基于上述同样的发明构思，本技术实施例还提供了一种基于云计算的智慧业务信息风险处理装置20，应用于信息风险处理系统10，所述装置包括：活动兴趣挖掘模块21，用于对存在隐私信息窃取风险的智慧业务会话日志执行会话活动兴趣挖掘，得到多个业务状态下的异常活动兴趣描述feature1；兴趣描述获取模块22，用于基于对异常活动兴趣描述feature1执行兴趣描述属性更新，得到每个业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2；其中，不同业务状态下的异常活动兴趣描述feature1对应的异常活动兴趣描述feature2的兴趣描述属性一致；兴趣描述更新模块23，用于逐一更新每个业务状态下的异常活动兴趣描述feature2的兴趣描述属性，得到每个业务状态下的异常活动兴趣描述feature2对应的异常活动兴趣描述feature3，其中，每个业务状态下的异常活动兴趣描述feature3的阶段性层面指标的量化分析结果与设定量化分析结果相匹配；威胁信息确定模块24，用于基于异常活动兴趣描述feature3，确定存在隐私信息窃取风险的智慧业务会话日志中的隐私威胁信息。
106.在本技术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技术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。
107.另外，在本技术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。
108.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，本技术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，信息风险处理系统10，或者网络设备等）执行本技术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。
109.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。