威胁检测规则的处理方法及装置与流程

1.本发明涉及安全技术领域，具体涉及一种威胁检测规则的处理方法及装置。


背景技术：

2.随着科技及社会的不断发展，各类计算机或互联网产品的出现极大方便了人们的工作与生活。然而，目前针对于计算机或互联网产品的安全威胁问题也不断发生。因此，为了便于对该安全威胁问题的及时处理，减小用户损失，通常需通过相应的威胁检测规则来实现对安全威胁问题的检测。
3.然而，发明人在实施过程中发现，现有技术中存在如下缺陷：在现有技术中，针对于同一威胁检测规则的表述存在差别，从而不利于对威胁检测规则的管理及使用，并易造成存储资源及系统资源的浪费。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的威胁检测规则的处理方法及装置。
5.根据本发明的一个方面，提供了一种威胁检测规则的处理方法，其包括：
6.提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
7.针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
8.将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
9.基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
10.根据本发明的另一方面，提供了一种威胁检测规则的处理装置，其包括：
11.预分类模块，适于提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
12.攻击场景确定模块，适于针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
13.检测结果获取模块，适于将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
14.校验调整模块，适于基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
15.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和
通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
16.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述威胁检测规则的处理方法对应的操作。
17.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述威胁检测规则的处理方法对应的操作。
18.根据本发明提供的威胁检测规则的处理方法及装置，首先提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；进一步地针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；进而将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；最终基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销。
19.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
20.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
21.图1示出了根据本发明一个实施例提供的一种威胁检测规则的处理方法的流程图；
22.图2示出了根据本发明另一个实施例提供的一种威胁检测规则的处理方法的流程图；
23.图3示出了根据本发明一个实施例提供的一种威胁检测规则的处理装置的功能结构示意图；
24.图4示出了根据本发明一个实施例提供的一种计算设备的结构示意图。
具体实施方式
25.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
26.图1示出了根据本发明一个实施例提供的一种威胁检测规则的处理方法的流程图，该方法应用于具有相应处理能力的计算设备中，本实施例对具体的计算设备的类型等不做限定。例如，本方法可以作为一应用软件运行于移动终端设备(如手机，平板电脑，智能
手表等等)中，也可以运行于服务器端等固定计算设备中。
27.如图1所示，该方法包括以下步骤：
28.步骤s110，提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果。
29.本实施例中能够对威胁检测规则进行准确地类别划分，其中，本实施例对威胁检测规则的具体类型等不作限定，例如，该威胁检测规则可以为针对于终端的威胁检测规则，也可以为针对于网络侧的威胁检测规则；还可以为针对于某类特定信息或应用的威胁检测规则，如针对于邮件、短信的威胁检测规则等等。
30.在具体的实施过程中，由于规则名能够反映该威胁检测规则的核心内容，因此本申请首先提取威胁检测规则的规则名，本实施例对具体的规则名提取方式不作限定。
31.进一步地，基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果。具体地，本实施例在提取了威胁检测规则的规则名之后，首先利用该规则名进行威胁检测规则的预分类。其中，该预分类结果并非为最终的分类结果。在该预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则。
32.通过本步骤能够实现对威胁检测规则的初步分类，为了进一步提升威胁检测规则分类的准确度，本实施例进一步通过后续步骤s120-步骤s140进行预分类结果的校验调整，以获得最终的分类结果。
33.步骤s120，针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景。
34.在对预分类结果进行校验调整的过程中，本实施例首先针对于预分类结果中至少一个规则类别中的每个规则类别，均配置了相应的攻击场景(如“端口攻击”规则类别所对应的攻击场景可以为“针对于某端口的攻击次数超过预设阈值”)。该攻击场景能够模拟真实的攻击行为，一个规则类别可对应于一个或多个攻击场景。本实施例对每个规则类别所对应的攻击场景的配置方式不做限定，本领域技术人员可根据实际的业务情况，为相应的规则类别配置相应的攻击场景。
35.步骤s130，将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果。
36.待确定与该规则类别所对应的攻击场景之后，可以将该规则类别所对应的威胁检测规则运行在该攻击场景中，从而获得该规则类别中与每个威胁检测规则对应的威胁检测结果。
37.举例来说，“端口攻击”规则类别所对应的攻击场景为“针对于某端口的攻击次数超过预设阈值”，并且，在预分类结果中，“端口攻击”规则类别对应于威胁检测规则a、威胁检测规则b、及威胁检测规则c，则在本步骤中，在“针对于某端口的攻击次数超过预设阈值”的运行环境中，分别利用威胁检测规则a、威胁检测规则b、及威胁检测规则c进行威胁检测，从而分别获得相应的威胁检测结果。
38.在一种可选的实施方式中，在对预分类结果进行校验调整的过程中，为了避免对实际待威胁检测对象的影响，提升用户体验，本实施例可在沙箱环境中，将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果。
39.步骤s140，基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
40.待获得该规则类别中与每个威胁检测规则对应的威胁检测结果之后，将该规则类别中每个威胁检测规则的威胁检测结果，与该规则类别对应的标准检测结果进行匹配，从而能够根据匹配结果对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
41.沿用上例，若威胁检测规则a对应的威胁检测结果与“端口攻击”规则类别对应的标准检测结果相匹配，则确定威胁检测规则a的预分类结果准确，从而将威胁检测规则a划分为“端口攻击”规则类别；若威胁检测规则b对应的威胁检测结果与“端口攻击”规则类别对应的标准检测结果不匹配，则确定威胁检测规则b的预分类结果有误，从而将威胁检测规则b不再划分为“端口攻击”规则类别。
42.由此可见，本实施例首先提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；并进一步地通过预分类结果中规则类别对应的威胁检测规则在相应攻击场景中的威胁检测结果，来对预分类结果进行校验，从而来获得最终的分类结果。因此，采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销。
43.图2示出了根据本发明另一个实施例提供的一种威胁检测规则的处理方法的流程图，该方法应用于具有相应处理能力的计算设备中，本实施例对具体的计算设备的类型等不做限定。例如，本方法可以作为一应用软件运行于移动终端设备(如手机，平板电脑，智能手表等等)中，也可以运行于服务器端等固定计算设备中，本实施例所提供的威胁检测规则的处理方法是针对于图1所示方法的进一步优化。
44.如图2所示，该方法包括以下步骤：
45.步骤s210，提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
46.本实施例中，为提升预分类结果的准确性，采用了机器学习的方式对提取的威胁检测规则的规则名进行预分类。其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则。
47.在采用机器学习模型对威胁检测规则进行预分类过程中，首先需进行机器学习模型的构建。其中，本实施例对该机器学习模型的具体类型等不作限定，例如其可以采用有监督的机器学习算法进行机器学习模型的构建。在该机器学习模型中可以包含有输入层、连接层及输出层，本实施例对连接层的具体层数等不作限定。在初始的机器学习模型训练过程中，可预先配置训练样本，该样本可以包括正样本和/或负样本，通过训练样本的训练，当损失函数值小于预设损失阈值时，获得训练后的机器学习模型。
48.进一步地，在利用训练好的机器学习模型进行预分类过程中，可将提取出的威胁检测规则的规则名转换为对应的特征向量，进而将相应的特征向量输入训练好的机器学习模型中，从而实现对威胁检测规则的预分类。
49.步骤s220，针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景，并将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果。
50.其中，本步骤的具体实施过程可参照步骤s120及步骤s130中相应部分的描述，本实施例在此不做赘述。
51.在一种可选的实施方式中，若预分类结果中，某一规则类别对应有多个威胁检测规则，而该多个威胁检测规则中有超过预设比例(如百分之90等)或预设数目的威胁检测规则的威胁检测结果相同，但该超过预设比例或预设数目的威胁检测规则的威胁检测结果与该规则类别所对应的标准威胁检测结果不同时，反馈相应的异常信息，以供对该规则类别对应的标准威胁检测结果进行调整，或对该规则类别名称进行调整，还可进一步地将该超过预设比例或预设数目的威胁检测规则聚类为一个新的规则类别，并根据该该超过预设比例或预设数目的威胁检测规则的规则名获得该新的规则类别的类别名称。
52.步骤s230，基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
53.其中，若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定该威胁检测规则的预分类校验成功，从而将该该威胁检测规则的预分类类别作为最终的分类；若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。可选的，可在获得最终的分类结果之后，为每个威胁检测规则分配相应的类别标签，以供便于后续对威胁检测规则的管理及使用。
54.可选的，在确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整过程中，为了能够快速准确地重新确定该威胁检测规则的分类，可根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。例如，可根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度及威胁检测结果权重值，以及该威胁检测规则的规则名与其他规则类别的匹配度及规则名权重值，通过加权求和的方式，确定该威胁检测规则最终的分类；或者，对该威胁检测规则的规则名进行部分缺失或增补(如剔除相应的特殊符号等等)后，重新放入机器学习模型进行预分类，并进一步根据预分类结果进行校验调整。
55.在一种可选的实施方式中，在获得最终的分类结果之后，可进一步地将校验调整后的威胁检测规则的分类结果反馈至步骤s210中的机器学习模型中，以供该机器学习模型能够适应性调整其相关参数，以达到优化机器学习模型，提升后续预分类结果准确性的目的。
56.在又一种可选的实施方式中，在获得最终的威胁检测规则分类结果之后，为了进一步减少系统存储开销，提升用户使用威胁检测规则的便捷性，本实施例可针对于规则类别对应的威胁检测规则包含多条的情形，对该规则类别中包含的威胁检测规则进行去重处理。在实际的实施过程中，在本实施例最终的分类结果中，同一规则类别所对应的威胁检测规则的规则名具有相似性，且同一规则类别所对应的威胁检测规则的威胁检测结果相同，即表明本实施例中同一规则类别所对应的多个威胁检测规则仅仅是表述方式存在不同，其功能往往相同。基于此，本实施例可以仅保留规则类别中的某一威胁检测规则，可对该规则类别中的其他威胁检测规则进行剔除处理，从而使得去重处理之后，同一规则类别中仅包含有一条威胁检测规则。
57.由此可见，本实施例首先提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，利用机器学习模型对威胁检测规则进行预分类，以获得准确的预分类结果；并进一步地通过预分类结果中规则类别对应的威胁检测规则在相应攻击场景中的威胁检测结果，来对预分类结果进行校验，从而来获得最终的分类结果。从而采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销；并且，本实施例能够对同一规律类别下的威胁检测结果进行去重处理，进一步节约系统存储开销，提升对威胁检测规则的使用便捷性。
58.图3示出了根据本发明一个实施例提供的一种威胁检测规则的处理装置的功能结构示意图。如图3所示，该装置包括：预分类模块31、攻击场景确定模块32、检测结果获取模块33、以及校验调整模块34。
59.预分类模块31，适于提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
60.攻击场景确定模块32，适于针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
61.检测结果获取模块33，适于将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
62.校验调整模块34，适于基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
63.可选的，预分类模块31进一步适于：基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
64.可选的，预分类模块31进一步适于：将提取出的威胁检测规则的规则名转换为对应的特征向量；将所述特征向量输入所述机器学习模型中，以对威胁检测规则进行预分类。
65.可选的，该装置还包括：反馈模块(图中未示出)，适于在所述对该规则类别中的威胁检测规则的分类进行校验调整之后，将校验调整后的威胁检测规则的分类结果反馈至所述机器学习模型，以优化所述机器学习模型。
66.可选的，校验调整模块34进一步适于：若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定该威胁检测规则的预分类校验成功；
67.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。
68.可选的，校验调整模块34进一步适于：根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。
69.可选的，该装置还包括：去重模块(图中未示出)，适于在所述对该规则类别中的威胁检测规则的分类进行校验调整之后，若规则类别对应的威胁检测规则包含多条，则对该规则类别中包含的威胁检测规则进行去重处理。
70.其中，本实施例中各装置的具体实施过程可参照图1和/或图2方法实施例中相应部分的描述，本实施例在此不做赘述。
71.由此可见，本实施例首先提取威胁检测规则的规则名，并基于提取出的威胁检测
规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；并进一步地通过预分类结果中规则类别对应的威胁检测规则在相应攻击场景中的威胁检测结果，来对预分类结果进行校验，从而来获得最终的分类结果。从而采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销。
72.根据本发明一个实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的威胁检测规则的处理方法。
73.可执行指令具体可以用于使得处理器执行以下操作：
74.提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
75.针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
76.将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
77.基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
78.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
79.基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
80.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
81.将提取出的威胁检测规则的规则名转换为对应的特征向量；
82.将所述特征向量输入所述机器学习模型中，以对威胁检测规则进行预分类。
83.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
84.将校验调整后的威胁检测规则的分类结果反馈至所述机器学习模型，以优化所述机器学习模型。
85.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
86.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定该威胁检测规则的预分类校验成功；
87.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。
88.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
89.根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。
90.在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
91.若规则类别对应的威胁检测规则包含多条，则对该规则类别中包含的威胁检测规则进行去重处理。
92.由此可见，本实施例首先提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，利用机器学习模型对威胁检测规则进行预分类，以获得准确的预分类结果；
并进一步地通过预分类结果中规则类别对应的威胁检测规则在相应攻击场景中的威胁检测结果，来对预分类结果进行校验，从而来获得最终的分类结果。从而采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销；并且，本实施例能够对同一规律类别下的威胁检测结果进行去重处理，进一步节约系统存储开销，提升对威胁检测规则的使用便捷性。
93.图4示出了根据本发明一个实施例提供的一种计算设备的结构示意图，本发明具体实施例并不对该计算设备的具体实现做限定。
94.如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
95.其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于威胁检测规则的处理方法实施例中的相关步骤。
96.具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
97.处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。该计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
98.存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
99.程序410具体可以用于使得处理器402执行以下操作：
100.提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
101.针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
102.将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
103.基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
104.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
105.基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
106.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
107.将提取出的威胁检测规则的规则名转换为对应的特征向量；
108.将所述特征向量输入所述机器学习模型中，以对威胁检测规则进行预分类。
109.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
110.将校验调整后的威胁检测规则的分类结果反馈至所述机器学习模型，以优化所述机器学习模型。
111.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
112.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定该威胁检测规则的预分类校验成功；
113.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。
114.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
115.根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。
116.在一种可选的实施方式中，程序410具体可以用于使得处理器402执行以下操作：
117.若规则类别对应的威胁检测规则包含多条，则对该规则类别中包含的威胁检测规则进行去重处理。
118.由此可见，本实施例首先提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，利用机器学习模型对威胁检测规则进行预分类，以获得准确的预分类结果；并进一步地通过预分类结果中规则类别对应的威胁检测规则在相应攻击场景中的威胁检测结果，来对预分类结果进行校验，从而来获得最终的分类结果。从而采用本方案能够实现对威胁检测规则的准确分类，从而便于对威胁检测规则的管理，进而降低存储开销及系统开销；并且，本实施例能够对同一规律类别下的威胁检测结果进行去重处理，进一步节约系统存储开销，提升对威胁检测规则的使用便捷性。
119.在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
120.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
121.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
122.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代
替。
123.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
124.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
125.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
126.本发明公开了：a1.一种威胁检测规则的处理方法，其包括：
127.提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
128.针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
129.将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
130.基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
131.a2.根据a1所述的方法，其中，所述基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类进一步包括：
132.基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
133.a3.根据a2所述的方法，其中，所述基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类进一步包括：
134.将提取出的威胁检测规则的规则名转换为对应的特征向量；
135.将所述特征向量输入所述机器学习模型中，以对威胁检测规则进行预分类。
136.a4.根据a2或a3所述的方法，其中，在所述对该规则类别中的威胁检测规则的分类
进行校验调整之后，所述方法还包括：
137.将校验调整后的威胁检测规则的分类结果反馈至所述机器学习模型，以优化所述机器学习模型。
138.a5.根据a1-a4中任一项所述的方法，其中，所述基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整进一步包括：
139.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定该威胁检测规则的预分类校验成功；
140.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。
141.a6.根据a5所述的方法，其中，所述对该威胁检测规则的分类进行调整进一步包括：
142.根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。
143.a7.根据a1-a6中任一项所述的方法，其中，在所述对该规则类别中的威胁检测规则的分类进行校验调整之后，所述方法还包括：
144.若规则类别对应的威胁检测规则包含多条，则对该规则类别中包含的威胁检测规则进行去重处理。
145.本发明还公开了：b8.一种威胁检测规则的处理装置，其包括：
146.预分类模块，适于提取威胁检测规则的规则名，并基于提取出的威胁检测规则的规则名，对威胁检测规则进行预分类，以获得预分类结果；其中，预分类结果中包含有至少一个规则类别，每个规则类别对应于至少一个威胁检测规则；
147.攻击场景确定模块，适于针对于预分类结果中至少一个规则类别中的每个规则类别，确定与该规则类别所对应的攻击场景；
148.检测结果获取模块，适于将该规则类别所对应的至少一个威胁检测规则应用于该攻击场景中，以获得该规则类别中与每个威胁检测规则对应的威胁检测结果；
149.校验调整模块，适于基于该规则类别中与每个威胁检测规则对应的威胁检测结果，对该规则类别中的威胁检测规则的分类进行校验调整，以获得最终的分类结果。
150.b9.根据b8所述的装置，其中，所述预分类模块进一步适于：基于提取出的威胁检测规则的规则名，采用机器学习模型对威胁检测规则进行预分类。
151.b10.根据b9所述的装置，其中，所述预分类模块进一步适于：将提取出的威胁检测规则的规则名转换为对应的特征向量；
152.将所述特征向量输入所述机器学习模型中，以对威胁检测规则进行预分类。
153.b11.根据b9或b10所述的装置，其中，所述装置还包括：
154.反馈模块，适于在所述对该规则类别中的威胁检测规则的分类进行校验调整之后，将校验调整后的威胁检测规则的分类结果反馈至所述机器学习模型，以优化所述机器学习模型。
155.b12.根据b8-b11中任一项所述的装置，其中，所述校验调整模块进一步适于：
156.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别相匹配，则确定
该威胁检测规则的预分类校验成功；
157.若该规则类别中威胁检测规则对应的威胁检测结果与该规则类别不匹配，则确定该威胁检测规则的预分类校验不成功，并对该威胁检测规则的分类进行调整。
158.b13.根据b12所述的装置，其中，所述校验调整模块进一步适于：
159.根据该威胁检测规则对应的威胁检测结果与其他规则类别的匹配度，和/或，根据该威胁检测规则的规则名与其他规则类别的匹配度，对该威胁检测规则的分类进行调整。
160.b14.根据b8-b13中任一项所述的装置，其中，所述装置还包括：
161.去重模块，适于在所述对该规则类别中的威胁检测规则的分类进行校验调整之后，若规则类别对应的威胁检测规则包含多条，则对该规则类别中包含的威胁检测规则进行去重处理。
162.本发明还公开了：c15.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
163.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如a1-a7中任一项所述的威胁检测规则的处理方法对应的操作。
164.本发明还公开了：d16.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如a1-a7中任一项所述的威胁检测规则的处理方法对应的操作。