访问请求的处理方法、装置、计算机设备、存储介质与流程

本公开涉及人工智能领域，特别是涉及一种访问请求的处理方法、装置、计算机设备、存储介质。

背景技术：

1、随着互联网技术的发展，目前网络中充斥着众多恶意的访问请求，而恶意的访问请求通常情况下会造成服务器出现安全问题，因此对服务器的运维就变得尤其重要。

2、当前的运维工作很大程度上是依靠运维人员手动操作，对于突发的恶意访问请求所带来的异常流量和恶意攻击很难做到及时发现和处理。传统技术中，大多数是通过随机森林算法来对异常的流量进行预测或者处理。然而，传统技术中的随机森林算法不能够准确的对各种特征进行标记处理，进而造成随机森林算法识别恶意的访问请求不准确，无法及时的对恶意的访问请求进行处理，进而造成服务器出现安全问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够准确的识别出恶意的访问请求，准确且及时的对恶意的访问请求进行处理的访问请求的处理方法、装置、计算机设备、存储介质。

2、第一方面，本公开提供了一种访问请求的处理方法，所述方法包括：

3、获取目标访问请求对应的目标访问请求数据；

4、将所述目标访问请求数据输入至预先训练得到的预测模型中，利用所述预测模型输出所述目标访问请求数据相对应的请求处理结果；其中，所述预测模型采用包括下述方式训练得到：获取历史访问请求数据，确定所述历史访问请求数据的请求特征，对所述请求特征进行编码处理、标准化处理，得到标准请求特征，对所述标准请求特征进行特征分析后，确定目标请求特征，利用目标请求特征对随机森林模型进行训练，得到预测模型；

5、基于所述请求处理结果，确定所述目标访问请求数据的访问类别；

6、响应于所述访问类别为异常访问类别，拦截所述目标访问请求。

7、在其中一个实施例中，所述请求特征包括：数值型特征和非数值型特征，所述数值型特征包括：流量特征、时间特征，所述非数值型特征包括：地址特征、协议特征、服务类型特征、异常行为相关特征、流量方向特征；所述对所述请求特征进行编码处理、标准化处理，得到标准请求特征，包括：

8、对所述非数值型特征进行编码处理，将所述非数值型特征转换为数值请求特征，所述编码处理包括：利用独热编码方式进行处理；

9、将所述数值请求特征和所述数值型特征进行标准化处理，使所述数值特征和所述数值型特征在同一维度上，得到标准请求特征。

10、在其中一个实施例中，所述对所述标准请求特征进行特征分析后，确定目标请求特征，包括：

11、对标准请求特征进行特征重要性分析，选择标准请求特征中具有预测能力的特征，得到目标请求特征，所述特征重要性分析包括：基于决策树算法进行特征重要性分析、基于线性模型方法进行特征重要性分析、基于统计方法进行特征重要性分析、基于神经网络方法进行特征重要性分析的中的一种或多种。

12、在其中一个实施例中，所述请求处理结果包括：所述目标访问请求对应的流量分类结果和所述目标访问请求对应的流量预测结果，所述基于所述请求处理结果，确定所述目标访问请求数据的访问类别，包括：

13、响应于所述流量分类结果和所述流量预测结果中存在任一为异常流量，确定所述目标访问请求的访问类别为异常访问类别。

14、在其中一个实施例中，所述获取历史访问请求数据之后，所述方法还包括：

15、对所述历史访问请求数据进行数据预处理，所述数据预处理包括：数据清洗、数据去重、数据缺失值处理。

16、在其中一个实施例中，所述拦截所述目标访问请求数据对应的目标访问请求之后，所述方法还包括：

17、基于所述目标访问请求数据对应的请求特征更新访问拦截规则。

18、第二方面，本公开还提供了一种预测模型的训练方法，所述方法包括：

19、获取历史访问请求数据，确定所述历史访问请求数据的请求特征；

20、对所述请求特征进行编码处理、标准化处理，得到标准请求特征；

21、对所述标准请求特征进行特征分析后，确定目标请求特征，利用目标请求特征对随机森林模型进行训练，得到预测模型

22、第三方面，本公开还提供了一种访问请求的处理装置。所述装置包括：

23、数据获取模块，用于获取目标访问请求对应的目标访问请求数据；

24、模型处理模块，用于将所述目标访问请求数据输入至预先训练得到的预测模型中，利用所述预测模型输出所述目标访问请求数据相对应的请求处理结果；其中，所述预测模型采用包括下述方式训练得到：获取历史访问请求数据，确定所述历史访问请求数据的请求特征，对所述请求特征进行编码处理、标准化处理，得到标准请求特征，对所述标准请求特征进行特征分析后，确定目标请求特征，利用目标请求特征对随机森林模型进行训练，得到预测模型；

25、访问类别确定模块，用于基于所述请求处理结果，确定所述目标访问请求数据的访问类别；

26、访问拦截模块，用于响应于所述访问类别为异常访问类别，拦截所述目标访问请求数据对应的目标访问请求。

27、第四方面，本公开还提供了一种预测模型的训练装置，所述装置包括：

28、特征确定模块，用于获取历史访问请求数据，确定所述历史访问请求数据的请求特征；

29、特征处理模块，用于对所述请求特征进行编码处理、标准化处理，得到标准请求特征；

30、模型训练模块，用于对所述标准请求特征进行特征分析后，确定目标请求特征，利用目标请求特征对随机森林模型进行训练，得到预测模型。

31、第五方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法实施例中的步骤。

32、第六方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例中的步骤。

33、第七方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法实施例中的步骤。

34、上述各实施例中，当用户需要访问系统服务器时，系统服务器可以获取目标访问请求对应的目标访问请求数据。由于需要及时的发现目标访问请求是否会产生异常流量或者发生恶意攻击。可以将目标访问请求数据输入至预先训练得到的预测模型中，利用预测模型输出请求处理结果。由于预测模型在训练过程中对请求特征进行编码处理、标准化处理以及特征分析等处理。因此，预测模型能够准确的利用各种请求特征，进而在对目标访问请求数据处理的过程中，能够准确的识别出目标访问请求是否会产生异常流量或者发生恶意攻击，进而来得到请求处理结果，后续可以根据请求处理结果，确定目标访问请求数据的访问类别。当访问类别为异常访问类别时，拦截目标访问请求。能够准确且及时的对恶意的访问请求进行处理。

技术特征：

1.一种访问请求的处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述请求特征包括：数值型特征和非数值型特征，所述数值型特征包括：流量特征、时间特征，所述非数值型特征包括：地址特征、协议特征、服务类型特征、异常行为相关特征、流量方向特征；所述对所述请求特征进行编码处理、标准化处理，得到标准请求特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述对所述标准请求特征进行特征分析后，确定目标请求特征，包括：

4.根据权利要求1所述的方法，其特征在于，所述请求处理结果包括：所述目标访问请求对应的流量分类结果和所述目标访问请求对应的流量预测结果，所述基于所述请求处理结果，确定所述目标访问请求数据的访问类别，包括：

5.根据权利要求4所述的方法，其特征在于，所述获取历史访问请求数据之后，所述方法还包括：

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述拦截所述目标访问请求数据对应的目标访问请求之后，所述方法还包括：

7.一种预测模型的训练方法，其特征在于，所述方法包括：

8.一种访问请求的处理装置，其特征在于，所述装置包括：

9.一种预测模型的训练装置，其特征在于，所述装置包括：

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项或权利要求7所述的方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项或权利要求7所述的方法的步骤。

12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项或权利要求7所述的方法的步骤。

技术总结
本公开涉及一种访问请求的处理方法、装置、计算机设备、存储介质。所述方法包括：获取目标访问请求数据；将目标访问请求数据输入至预先训练得到的预测模型中，利用预测模型输出请求处理结果；预测模型采用下述方式训练得到：获取历史访问请求数据，确定历史访问请求数据的请求特征，对请求特征进行编码处理、标准化处理，得到标准请求特征，对标准请求特征进行特征分析后，确定目标请求特征，利用目标请求特征对随机森林模型进行训练，得到预测模型；基于请求处理结果，确定目标访问请求数据的访问类别；响应于访问类别为异常访问类别，拦截目标访问请求。采用本方法能够准确的识别出恶意的访问请求，准确且及时的对恶意的访问请求进行处理。

技术研发人员：刘飞
受保护的技术使用者：中国银行股份有限公司
技术研发日：
技术公布日：2024/1/25