技术特征：
1.一种基于人工智能的异常操作分析方法，其特征在于，应用于大数据应用系统，所述大数据应用系统与所述多个用户终端通信连接，所述方法包括：响应针对目标大数据应用系统的异常操作分析指令，调取所述目标大数据应用系统的系统请求响应大数据；对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。2.根据权利要求1所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息的步骤，包括：结合所述系统请求响应大数据，确定所述系统请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征；针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重；结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，其中，所述第二数量小于所述第一数量；结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动；以及，结合历史先验异常根因知识库，确定所述异常操作活动对应的历史先验异常根因信息；所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重，包括：针对各所述第一请求响应事件，对所述第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成所述第一请求响应事件对应的目标选择特征；结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重。3.根据权利要求2所述的基于人工智能的异常操作分析方法，其特征在于，所述结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重，包括：对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征；其中，所述第一迭代聚类分析特征对应的特征维度数量小于所述目标选择特征对应的特征维度数量；结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。4.根据权利要求3所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择
特征，包括：结合各所述第一请求响应事件对应的目标选择特征，确定各所述第一请求响应事件对应的可转换知识点；结合各所述第一请求响应事件对应的可转换知识点，对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。5.根据权利要求3或4所述的基于人工智能的异常操作分析方法，其特征在于，所述对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，包括：结合所述规则化转换后的目标选择特征，确定所述规则化转换后的目标选择特征对应的特征标签传播向量；通过所述特征标签传播向量，对所述规则化转换后的目标选择特征进行迭代聚类分析，生成所述第一迭代聚类分析特征；所述结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重，包括：对各所述第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的所述第一迭代聚类分析特征进行迭代聚类分析，生成各所述第一迭代聚类分析特征对应的第二迭代聚类分析特征；结合各所述第二迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。6.根据权利要求5所述的基于人工智能的异常操作分析方法，其特征在于，所述结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，包括：结合各所述第一请求响应事件对应的满足预设条件的特征关注权重对应的第一关联特征排列结构，所述第一关联特征排列结构的排列参数为第一数量乘以第二数量；对所述第一关联特征排列结构进行特征切换，生成第二关联特征排列结构，所述第二关联特征排列结构的排列参数为第二数量乘以第一数量；结合所述第二关联特征排列结构和所述第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成所述第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征；所述结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据的异常操作活动，包括：将所述第二请求响应事件覆盖第一请求响应事件，将所述第一数量对应对应的数值参数参数调整为所述第一请求响应事件对应的数值参数；循环执行所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重的步骤；在达到设定循环次数时，结合最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征，确定所述系统请求响应大数据对应的异常操作活动预测概率分布；结合所述异常操作活动预测概率分布，确定所述系统请求响应大数据的异常操作活
动。7.根据权利要求6所述的基于人工智能的异常操作分析方法，其特征在于，所述方法通过异常操作分析模型实现，所述异常操作分析模型通过以下步骤训练得到：获取系统请求响应模板数据；将所述系统请求响应模板数据加载初始化异常操作分析模型，所述异常操作分析模型包括多个特征更新网络；通过所述初始化异常操作分析模型的特征更新网络生成第一预测响应操作轨迹特征，并确定所述系统请求响应模板数据对应的第一预测异常操作活动信息；所述特征更新网络用于结合系统请求响应模板数据对应的第一模板请求响应事件的响应操作轨迹特征，确定所述第一模板请求响应事件的特征关注权重，并结合各所述第一模板请求响应事件对应的特征关注权重，对第三数量个第一模板请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第四数量个目标模板请求响应事件和各目标模板请求响应事件对应的第一预测响应操作轨迹特征；将所述系统请求响应模板数据加载到模板神经网络模型，并通过所述模板神经网络模型的各特征更新网络生成第二预测响应操作轨迹特征，并确定所述系统请求响应模板数据对应的第二预测异常操作活动信息；结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，并通过所述目标训练收敛评估指标对所述初始化异常操作分析模型进行模型收敛优化。8.据权利要求7所述的基于人工智能的异常操作分析方法，其特征在于，所述结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，包括：对于所述初始化异常操作分析模型中的各所述特征更新网络，结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标；结合所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的第二训练收敛评估指标；结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标；其中，所述结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：对所述第一预测响应操作轨迹特征对应的第二模板关联特征排列结构进行规则化转换，生成规则化转换后的第一预测目标选择特征，并对所述第一预测目标选择特征对应的模板关联特征排列结构进行特征切换，生成第三模板关联特征排列结构；对所述第三模板关联特征排列结构进行迭代聚类分析，生成第二预测目标选择特征，并对所述第二预测目标选择特征进行基于设定特征衍生规则的特征衍生，生成第三预测目标选择特征；
对所述第三预测目标选择特征对应的模板关联特征排列结构进行迭代聚类分析，并对迭代聚类分析后的模板关联特征排列结构进行特征切换，生成第四模板关联特征排列结构，并结合所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，其中，所述第四模板关联特征排列结构的排列参数中包括第三数量个字段，所述第四模板关联特征排列结构的排列参数中的特征维度数量为第一模板请求响应事件的响应操作轨迹特征对应的特征维度数量，所述第三数量为所述系统请求响应模板数据对应的第一模板请求响应事件的数量；结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标；其中，所述结合所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，包括：对所述第四模板关联特征排列结构进行规则化转换，并对规则化转换后的所述第四模板关联特征排列结构进行多次迭代聚类分析，生成第五模板关联特征排列结构；结合所述第五模板关联特征排列结构和所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征；其中，所述结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定第一成员训练收敛评估指标；对所述回归预测响应操作轨迹特征进行回归处理，生成所述回归预测响应操作轨迹特征关联的第一目标预测响应操作轨迹特征，获取所述第一目标预测响应操作轨迹特征相应的第三预测异常操作活动信息；对所述第二预测响应操作轨迹特征进行回归处理，生成所述第二预测响应操作轨迹特征关联的第二目标预测响应操作轨迹特征，获取所述第二目标预测响应操作轨迹特征相应的第四预测异常操作活动信息；结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标；结合所述第一成员训练收敛评估指标和所述第二成员训练收敛评估指标，确定所述第一训练收敛评估指标。9.根据权利要求8所述的基于人工智能的异常操作分析方法，其特征在于，所述结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标，包括：结合所述第三预测异常操作活动信息和所述第三预测异常操作活动信息对应的第一标注异常操作活动信息，确定第三成员训练收敛评估指标；结合所述第四预测异常操作活动信息和所述第四预测异常操作活动信息对应的第二标注异常操作活动信息，确定第四成员训练收敛评估指标；结合所述第三成员训练收敛评估指标和所述第四成员训练收敛评估指标，确定所述第二成员训练收敛评估指标；其中，所述结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收
敛评估指标，确定所述目标训练收敛评估指标，包括：结合所述第一预测异常操作活动信息和所述系统请求响应模板数据对应的标注异常操作活动信息，确定所述初始化异常操作分析模型对应的概率预测训练收敛评估指标；结合各所述特征更新网络对应的第一训练收敛评估指标、所述第二训练收敛评估指标和所述概率预测训练收敛评估指标，确定所述目标训练收敛评估指标；其中，所述结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标，包括：通过测试神经网络模型，对所述系统请求响应模板数据进行异常操作分析，确定系统请求响应模板数据对应的第五预测异常操作活动信息；结合所述第五预测异常操作活动信息和所述第一预测异常操作活动信息，确定所述初始化异常操作分析模型的第三训练收敛评估指标；结合所述第一训练收敛评估指标、所述第二训练收敛评估指标和所述第三训练收敛评估指标，确定所述目标训练收敛评估指标。10.一种大数据应用系统，其特征在于，所述大数据应用系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项的基于人工智能的异常操作分析方法。
技术总结
本申请实施例实施例提供一种基于人工智能的异常操作分析方法及大数据应用系统，响应针对目标大数据应用系统的异常操作分析指令，调取目标大数据应用系统的系统请求响应大数据，对系统请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及异常操作活动对应的历史先验异常根因信息，基于异常操作活动以及异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示，由此在进行异常操作分析时结合了特征关注权重，提高异常操作分析的准确性和效率，同时通过对用户终端进行相应的异常根因信息提示，可以便于相关用户及时获知可能存在的异常风险。的异常风险。的异常风险。
技术研发人员：许伟 陆广富
受保护的技术使用者：许伟
技术研发日：2022.12.23
技术公布日：2023/3/3