一种人工智能的电商数据防护方法及系统与流程

本发明涉及数据安全，尤其涉及一种人工智能的电商数据防护方法及系统。

背景技术：

1、在电商领域，大量的用户数据、交易信息和商业机密被广泛应用，大量敏感信息如支付账号、地址、联系方式等被存储和传输，同时也吸引了黑客和恶意攻击者的关注。为了防止数据泄露、信息被盗用或者未经授权的访问，一种有效的电商数据防护方法成为不可或缺的安全措施。然而，传统的电商数据防护方法对于日益复杂的攻击手段进行解决时过于繁琐，并且对于隐匿的攻击手段不易发现，导致电子商务的交易安全得不到保障。

技术实现思路

1、基于此，本发明提供一种人工智能的电商数据防护方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种人工智能的电商数据防护方法，所述方法包括以下步骤：

3、步骤s1：获取原始电商数据；对原始电商数据进行数据预处理，生成标准电商数据；

4、步骤s2：对标准电商数据进行电商数据异常检测处理，生成电商数据异常值；根据电商数据异常值将标准电商数据进行数据划分，分别生成异常电商数据与常规电商数据；

5、步骤s3：对异常电商数据进行异常字段提取处理，生成异常字段数据；根据异常字段数据进行电商防护决策设计，生成电商防护决策；利用电商防护决策对常规电商数据进行电商数据防护处理，生成安全电商数据；

6、步骤s4：利用同态加密技术对安全电商数据进行同态加密处理，并进行实时更新，生成实时加密安全电商数据。

7、本发明在电商领域，原始数据通常来自多个不同的数据源，可能存在数据格式不统一、缺失、错误等问题，通过数据预处理，可以对原始电商数据进行清洗、填充缺失值、纠正错误，从而生成标准电商数据，这有助于提高数据质量，减少后续处理中的误差，确保后续步骤的有效性和准确性。标准电商数据的数据异常可能是由于意外错误、恶意攻击或系统故障引起的，通过电商数据异常检测处理，可以及时发现潜在的异常数据，进而分离异常电商数据和常规电商数据，对异常数据进行专门的处理和分析，有助于减少异常数据对常规数据的干扰，并帮助提高数据处理效率。异常字段数据的提取可以帮助揭示导致异常的具体原因，从而更好地了解潜在的数据安全威胁，通过电商防护决策的设计，可以根据异常字段数据制定针对性的防护策略和规则，以应对各类异常情况，提高电商系统的安全性，防范潜在的数据泄露、篡改、盗取等风险。同态加密技术是一种高级加密方法，允许在加密状态下进行数据运算，且结果仍然保持加密，这种技术使得数据在传输和处理过程中保持加密状态，即使在被攻击时也能保护数据的机密性，实时更新则确保数据的安全性不断得到维护，即使数据发生了变化，也能及时应用安全措施，同态加密结合实时更新的操作，可以有效保护电商数据在传输和处理中的安全。因此，本发明的人工智能的电商数据防护方法对于复杂的攻击手段时可以通过分析历史攻击手段来涉及防护决策，从而对异常行为解析以及预测攻击趋势，并且对于隐匿的攻击手段也可进行识别，使得电子商务的交易安全得到保障。

8、优选地，步骤s1包括以下步骤：

9、步骤s11：获取原始电商数据；

10、步骤s12：对原始电商数据进行电商数据有效时间序列筛选，生成有效电商数据；

11、步骤s13：根据预设的防护数据目标对有效电商数据进行数据筛选，生成目标电商数据；

12、步骤s14：对目标电商数据进行数据清洗处理，生成清洗电商数据；

13、步骤s15：利用最小-最大标准化法对清洗电商数据进行数据标准化处理，生成标准电商数据。

14、本发明原始电商数据可能来自不同的数据源，例如交易记录、用户行为、商品信息等，为后续本方法提供了数据基础。在电商环境中，数据的有效时间范围通常是有限的，通过对原始电商数据进行有效时间序列筛选，可以排除那些过时、无效或不再需要的数据，减少数据集的规模和复杂性，提高后续处理的效率，节省存储空间，并确保数据的时效性。根据预设的防护数据目标对经过有效时间序列筛选后的数据进行进一步筛选，例如保护用户隐私、防止欺诈、监测异常交易等，聚焦于对电商数据中重要的、需要特别保护的部分，减少对不相关数据的处理，优化数据处理流程。原始数据可能包含噪声、错误、缺失值等问题，这些问题可能导致后续数据处理过程中的误差和不准确性，通过数据清洗处理纠正数据中的错误，填充缺失值，排除噪声，确保数据的质量和一致性，提高后续处理步骤的可靠性和准确性。不同数据的尺度和范围可能不同，这使得数据难以进行有效的比较和分析，通过最小-最大标准化法，将清洗后的电商数据进行标准化处理，使得数据在统一的尺度范围内，便于后续分析和处理，这有助于确保不同数据特征之间的可比性，同时提高数据处理和分析的效率。

15、优选地，步骤s2包括以下步骤：

16、步骤s21：利用电商数据异常检测算法对标准电商数据进行电商数据异常检测处理，生成电商数据异常值；

17、步骤s22：根据预设的电商数据异常阈值对电商数据异常值进行电商数据异常判定，当电商数据异常值大于电商数据异常阈值时，则将电商数据异常值对应的标准电商数据标记为异常电商数据；当电商数据异常值不大于电商数据异常阈值时，则将电商数据异常值对应的标准电商数据标记为常规电商数据。

18、本发明利用电商数据异常检测算法对标准电商数据进行处理，以识别可能存在的异常值，通过对标准电商数据进行异常检测，系统可以发现可能存在的欺诈交易、异常行为或其他潜在的风险情况，这有助于在早期阶段发现和识别异常情况，为后续的数据处理和防护决策提供重要依据。根据预设的电商数据异常阈值对电商数据异常值进行判定，如果电商数据异常值大于电商数据异常阈值，那么将对应的标准电商数据标记为异常电商数据；相反，如果电商数据异常值不大于电商数据异常阈值，那么将对应的标准电商数据标记为常规电商数据。通过这样的判定和标记过程，系统能够有效地区分异常和正常的电商数据，从而为后续的防护决策提供重要指导。

19、优选地，步骤s21中的电商数据异常检测算法如下所示：

20、

21、式中，k表示为电商数据异常值，n表示为标准电商数据的数据类别，yi表示为第i类的电商数据均值，表示为第i类的电商数据历史均值，o表示为标准电商数据评论相似度，v表示为标准电商数据的购买用户重复度，u表示为标准商电商数据的交易异常权重信息，v表示为标准电商数据的订单量，t表示为访问该标准电商数据涉及的访问商品时间长度，δ表示为电商数据异常值的异常调整值。

22、本发明利用一种电商数据异常检测算法，该算法综合考虑了标准电商数据的数据类别n、第i类的电商数据均值yi、第i类的电商数据历史均值标准电商数据评论相似度o、标准电商数据的购买用户重复度v、标准商电商数据的交易异常权重信息u、标准电商数据的订单量v、访问该标准电商数据涉及的访问商品时间长度t以及函数之间的相互作用关系，以形成函数关系：

23、即，标准电商数据的数据类别代表了电商数据在不同类别上的划分，例如不同商品类别或不同用户行为类型；第i类的电商数据均值表示为标准电商数据在该类别上的均值；第i类的电商数据历史均值表示该数据类别在历史记录中的均值，用于与当前的标准电商数据均值进行对比；标准电商数据评论相似度反映了标准电商数据中评论信息的相似程度，可以用于评估用户对商品或服务的共识程度；标准电商数据的购买用户重复度在标准电商数据中购买同一件商品的用户购买重复频率；标准商电商数据的交易异常权重信息用于赋予电商数据的异常程度不同的权重，与不同类型的交易异常有关；标准电商数据的订单量反映了该数据类别的交易活跃度；访问该标准电商数据涉及的访问商品时间长度表示用户在访问标准电商数据时涉及的商品或服务的时间范围，可能用于反映用户的消费行为频率。该函数关系式通过多维度的参数计算电商数据异常值，实现了全面、个性化的异常检测，为电商数据防护提供了更准确和有效的分析工具，帮助电商平台及时发现潜在的异常行为，保障数据安全和业务稳健发展。利用电商数据异常值的异常调整值δ对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成电商数据异常值k，提高了对标准电商数据进行电商数据异常检测处理的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整，应用于不同的标准电商数据中，提高了算法的灵活性与适用性。

24、优选地，步骤s3包括以下步骤：

25、步骤s31：对异常电商数据进行异常电商数据特征提取，生成异常电商特征数据；

26、步骤s32：对异常电商特征数据进行异常电商特征数据的日志文件追踪，生成异常日志文件；

27、步骤s33：根据异常日志文件进行日志文件的异常字段提取处理，生成异常字段数据；

28、步骤s34：对异常字段数据进行电商数据的攻击类型识别，生成攻击类型数据；

29、步骤s35：对异常字段数据进行异常访问用户字段提取，生成异常访问用户字段；

30、步骤s36：根据攻击类型数据与异常访问用户字段进行电商防护决策设计，生成电商防护决策；

31、步骤s37：利用电商防护决策对常规电商数据进行电商数据防护处理，生成安全电商数据。

32、本发明对已经被标记为异常电商数据的数据进行特征提取，通过特征提取从异常电商数据中抽取出有意义的特征信息，例如交易金额、交易时间、地理位置等，这些特征信息有助于后续的日志文件追踪和异常字段提取，提供了对异常数据进行深入分析的基础。对异常电商特征数据进行日志文件追踪，通过将异常电商特征数据写入日志文件中，实时记录异常数据的变化和趋势，这有助于对异常情况进行实时监控，及时发现新的异常模式和行为。根据异常日志文件进行异常字段的提取处理，通过分析日志文件中的内容，系统可以发现异常字段，即与异常行为相关的关键信息，例如异常字段可能包括异常交易类型、异常用户id、异常ip地址等，有助于进一步理解异常情况，并为后续的攻击类型识别和电商防护决策提供详细数据支持。对异常字段数据进行分析，以识别电商数据的攻击类型，攻击类型识别可以基于机器学习、深度学习等技术进行，通过训练模型识别不同类型的攻击行为，如欺诈、网络攻击等，有助于快速准确地确定异常数据的来源和性质，为制定针对性的电商防护决策提供依据。对异常字段数据进行异常访问用户字段的提取，通过分析异常字段数据中的用户信息，识别异常访问用户，即涉嫌参与异常行为的用户，有助于进一步追踪和监控异常行为的来源，帮助电商平台采取必要的防护措施。根据攻击类型数据与异常访问用户字段进行电商防护决策的设计，根据识别出的攻击类型和异常访问用户，制定相应的防护策略，例如对于欺诈交易行为，可以设置风险评分机制或交易限额，对于恶意攻击者，可以进行封禁处理，这有助于针对不同的异常情况采取有针对性的防护措施，提高电商数据的安全性和可靠性。利用电商防护决策对常规电商数据进行防护处理，生成安全电商数据，根据制定的防护策略对常规电商数据进行安全处理，确保这些数据不受到潜在的异常行为的影响，有助于保障电商平台的正常运营和用户数据的安全。

33、优选地，步骤s31包括以下步骤：

34、步骤s311：利用均值计算对常规电商数据进行电商类别数据均值计算，生成分类常规电商均值数据；

35、步骤s312：根据分类常规电商均值数据进行电商数据安全区间设计，生成常规电商数据区间；

36、步骤s313：基于常规电商数据区间对异常电商数据进行异常电商数据提取，生成异常电商特征数据。

37、本发明利用均值计算方法对常规电商数据进行处理，以生成电商类别数据的均值，电商类别数据是指具有相似特征的一类数据，例如不同商品类别的销售额、用户注册来源的数量等，通过计算每个电商类别数据的均值，系统可以获得该类别数据的典型表现，作为后续异常检测的参考基准。根据分类常规电商均值数据进行电商数据的安全区间设计，电商数据安全区间是一个范围，表示该类别数据的允许变动范围，通过设定安全区间界定该类别数据的正常波动范围，超出此范围的数据可能属于异常情况。基于常规电商数据区间对异常电商数据进行提取，将超出电商数据安全区间的数据识别为异常电商数据，并生成相应的异常特征数据，这些异常特征数据包含了超出正常范围的信息，有助于后续的异常检测和防护决策。

38、优选地，步骤s36包括以下步骤：

39、步骤s361：根据异常访问用户字段进行用户真实性判断机制设计，生成用户真实性判断机制；

40、步骤s362：利用用户真实性甄别算法对用户真实性判断机制进行用户真实性判断机制优化，生成优化用户真实性判断机制；

41、步骤s363：根据攻击类型数据进行防护方案设计，生成攻击防护方案数据；

42、步骤s364：根据优化用户真实性判断机制与防护方案进行电商防护决策整合，生成电商防护决策。

43、本发明根据异常访问用户字段设计用户真实性判断机制，用户真实性判断机制旨在验证用户的真实身份，以识别潜在的恶意攻击者或虚假身份的用户，这个机制可以包括多种验证手段，例如短信验证码、人脸识别、声纹识别等，以提高用户身份验证的可靠性和安全性。利用用户真实性甄别算法对用户真实性判断机制进行优化，通过对历史数据和行为进行分析，提高对用户真实性的判别准确率，优化后的用户真实性判断机制能够更好地辨别真实用户和虚假身份，减少欺诈行为和攻击行为。根据攻击类型数据进行防护方案的设计，攻击类型数据提供了有关不同攻击行为的详细信息，例如欺诈交易、恶意刷单等，根据这些信息制定相应的防护策略，例如交易风险评分、异常交易检测、用户行为分析等，以应对不同类型的攻击行为。将优化后的用户真实性判断机制与防护方案进行整合，生成电商防护决策，电商防护决策综合考虑了用户真实性的验证和不同类型的攻击防护策略，以形成一套完整的防护措施，这些决策将应用于后续的常规电商数据防护处理，确保电商数据的安全性和可靠性。

44、优选地，步骤s362中的用户真实性甄别算法如下所示：

45、

46、p表示为优化用户真实性得分，a表示为用户电商平台信用评级，r表示为根据访问电商数据的网络地址生成的网络地址异常权重信息，b表示为根据用户真实性判断机制生成的初始用户真实性得分，m表示为根据访问电商数据的用户代理生成的代理异常权重信息，c表示为用户电商数据访问频率，ε表示为用户活跃度得分，d表示为用户异常行为得分，τ表示为优化用户真实性得分的异常调整值。

47、本发明利用一种用户真实性甄别算法，该算法综合考虑了用户电商平台信用评级a、根据访问电商数据的网络地址生成的网络地址异常权重信息r、根据用户真实性判断机制生成的初始用户真实性得分b、根据访问电商数据的用户代理生成的代理异常权重信息m、用户电商数据访问频率c、用户活跃度得分ε、用户异常行为得分d以及函数之间的相互作用关系，以形成函数关系式：

48、即，用户电商平台信用评级代表了用户在电商平台上的信用评级，这是一个重要的指标，反映了用户在过去的行为中是否有不良记录或信用问题；根据访问电商数据的网络地址生成的网络地址异常权重信息表示为与用户所使用的不同网络地址的信任程度有关；据用户真实性判断机制生成的初始用户真实性得分反映了用户的真实性初步判断结果；根据访问电商数据的用户代理生成的代理异常权重信息用于反映用户代理的可信程度；用户电商数据访问频率表示为用户的活跃度，与用户的使用习惯和行为有关；用户活跃度得分表示为基于用户在电商平台上的访问时长和访问频率得到；用户异常行为得分用于反映用户是否存在异常或可疑行为。该函数关系式用户的行为特征(如访问频率、异常行为等)与信用评级等信息综合考虑，从而对用户真实性进行综合评估。这有助于更全面地了解用户的行为模式，提高对用户真实性的准确判断。该函数关系式通过多维度的参数计算用户真实性得分，提高真实性判断的准确性和全面性，降低误判率，实现了全面、个性化的真实性评估。利用优化用户真实性得分的异常调整值τ对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成优化用户真实性得分p，提高了对用户真实性判断机制进行用户真实性判断机制优化的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整，应用于用户真实性判断机制不同的参数中，提高了算法的灵活性与适用性。

49、优选地，步骤s4包括以下步骤：

50、步骤s41：利用同态加密技术对安全电商数据进行同态加密处理，生成加密安全电商数据；

51、步骤s42：对安全电商数据进行实时更新处理，生成实时安全电商数据；

52、步骤s43：根据实时安全电商防护数据对加密安全电商数据进行加密数据实时更新，生成实时加密安全电商数据。

53、本发明利用同态加密技术对安全电商数据进行加密处理，生成加密安全电商数据，同态加密是一种特殊的加密技术，允许在加密状态下进行计算操作，而无需解密数据，通过同态加密保护安全电商数据的隐私和机密性，确保敏感信息不会在处理过程中被暴露。对加密安全电商数据进行实时更新处理，生成实时安全电商数据，电商数据可能会不断发生变化，例如交易数据的更新、用户信息的修改等，通过实时更新处理，系统能够及时更新加密安全电商数据，保持数据的最新状态，并确保更新后的数据仍然处于加密状态，不会泄露敏感信息。根据实时安全电商防护数据对加密安全电商数据进行实时更新，生成实时加密安全电商数据，实时安全电商防护数据可能包含最新的防护策略、规则和异常情况的反馈信息，通过将实时安全电商防护数据应用于加密安全电商数据，系统能够动态地调整数据的保护策略和处理方式，及时应对新出现的安全威胁和异常情况。

54、在本说明书中，提供了一种人工智能的电商数据防护系统，用于执行如上所述的人工智能的电商数据防护方法，该人工智能的电商数据防护系统包括：

55、电商数据处理模块，用于获取原始电商数据；对原始电商数据进行数据预处理，生成标准电商数据；

56、电商数据异常判定模块，用于对标准电商数据进行电商数据异常检测处理，生成电商数据异常值；根据电商数据异常值将标准电商数据进行数据划分，分别生成异常电商数据与常规电商数据；

57、电商数据防护模块，用于对异常电商数据进行异常字段提取处理，生成异常字段数据；根据异常字段数据进行电商防护决策设计，生成电商防护决策；利用电商防护决策对常规电商数据进行电商数据防护处理，生成安全电商数据；

58、电商数据加密模块，利用同态加密技术对安全电商数据进行同态加密处理，并进行实时更新，生成实时加密安全电商数据。

59、本技术有益效果在于，本发明对原始电商数据进行有效时间序列筛选、目标数据筛选、数据清洗和标准化处理，有助于去除无效数据、统一数据格式，并为后续的异常检测和防护决策提供高质量的数据基础。利用异常检测算法对标准电商数据进行处理，识别异常值，并根据设定的异常阈值判定数据是否属于异常，这能够提高异常检测的准确性和实时性，从而及早发现潜在的异常情况。对异常电商数据进行特征提取和攻击类型识别，这有助于深入分析异常行为的性质和来源，为后续的防护决策提供详细数据支持。设计用户真实性判断机制并制定针对不同攻击类型的防护方案，这能够提高用户身份验证的可靠性和针对性的防护策略，全面保障电商数据的安全性，能够制定有针对性的防护策略，避免对正常数据的误处理，提高了防护决策的准确性和有效性。利用异常检测、攻击识别和防护方案设计，能够快速识别和应对不同类型的异常和攻击行为，提高了电商数据的安全性和可靠性，保护用户和电商平台免受潜在风险的侵害。利用同态加密技术对安全电商数据进行加密处理，并实时更新数据，使其保持最新状态，这有助于保护数据的隐私和机密性，同时确保数据的实时性和准确性，保持数据的准确性和实时性，有助于迅速响应新的安全威胁和异常情况，加强数据防护的时效性，全面保护电商数据的安全性和完整性，提高了电商平台的信任度和声誉，促进业务的持续发展。