1.一种基于ai的白名单生成方法,其特征在于,该方法具体为:
1)获取目标网站的流量数据;该流量数据包含所述目标网站下多个网页的统一资源定位符url;
2)针对每一个所述url,提取url的路径部分,并对所述url的路径部分进行泛化替换,得到url的第一泛化路径信息;所述url的第一泛化路径信息用于表征url的初始模式;
3)将所述初始模式相似的url的第一泛化路径信息进行合并处理,得到url的第二泛化路径信息;所述url的第二泛化路径信息用于表征url的最终模式;
4)根据第一泛化路径信息、第二泛化路径信息,进行变量解析,获得变量参数;
5)获取变量参数对应的ai模型,ai模型为基于人工智能学习的表征变量安全的模型;
6)对变量参数进行判断,判断变量参数是否符合ai模型;
7)若变量参数符合ai模型,基于所述url的第二泛化路径信息生成与目标网站对应的白名单;
8)若变量参数不符合ai模型,基于该检测结果对相应的web数据进行防护。
2.如权利要求1所述的基于ai的白名单生成方法,其特征在于,对所述url的路径部分进行泛化替换,得到url的第一泛化路径信息,包括:计算所述url的路径部分的相似度;若所述相似度大于或等于预设阈值,则基于预设泛化规则对所述url的路径部分进行泛化替换,得到所述url的第一泛化路径信息。
3.如权利要求1所述的基于ai的白名单生成方法,其特征在于,计算所述url的路径部分的相似度,包括:将所述url的路径部分解析为多层级的目录;记录所述目录的总层数和最长公共层数;基于所述目录的总层数和所述最长公共层数,计算所述url的路径部分的相似度。
4.如权利要求1所述的基于ai的白名单生成方法,其特征在于,基于预设泛化规则对所述url的路径部分进行泛化替换,得到所述url的第一泛化路径信息,包括:确定所述url的路径部分中的待泛化目录;所述待泛化目录为所述url的路径部分中的任一层级的目录;基于预设泛化规则对所述url的路径部分中的待泛化目录进行泛化处理,得到所述url的第一泛化路径信息。
5.如权利要求1所述的基于ai的白名单生成方法,其特征在于,将所述初始模式相似的url的第一泛化路径信息进行合并处理,得到url的第二泛化路径信息,包括:基于所述相似度,判断多个url的初始模式是否相似;若相似,则将所述初始模式相似的所述多个url的第一泛化路径信息进行合并处理,得到url的第二泛化路径信息。
6.如权利要求1所述的基于ai的白名单生成方法,其特征在于,所述步骤5)中,所述基于人工智能学习的表征变量安全的模型,具体为:获取已知安全网站对应的白名单的第一泛化路径信息、第二泛化路径信息,对该已知的第一泛化路径信息、第二泛化路径信息进行变量解析,得到实时变量参数;将实时变量参数输入至预先训练的机器学习模型;获取所述机器学习模型基于所述实时变量输出的ai模型。
7.如权利要求1所述的基于ai的白名单生成方法,其特征在于,所述变量参数包括参数类型、参数关键词、参数名、关键词编码、请求参数值、路径信息。
8.一种基于ai的白名单生成装置,其特征在于,该装置包括:
获取单元,用于获取目标网站的流量数据;其中,流量数据包含目标网站下多个网页的统一资源定位符url;
泛化替换单元,用于针对每一个url,提取url的路径部分,并对url的路径部分进行泛化替换,得到url的第一泛化路径信息;其中,url的第一泛化路径信息用于表征url的初始模式;
合并处理单元,用于将初始模式相似的url的第一泛化路径信息进行合并处理,得到url的第二泛化路径信息;其中,url的第二泛化路径信息用于表征url的最终模式;
变量解析单元,根据第一泛化路径信息、第二泛化路径信息,进行变量解析,获得变量参数;
ai模型,通过变量参数对应的ai模型,对变量参数进行判断,判断变量参数是否符合ai模型;
生成单元,若变量参数符合ai模型,用于基于url的第二泛化路径信息生成与目标网站对应的白名单。若变量参数不符合ai模型,基于该检测结果对相应的web数据进行防护。
9.一种电子设备,其特征在于,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种可读介质,其特征在于,具体为具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行如权利要求1至7任一项所述的方法。