(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211080829.8 (22)申请日 2021.12.0 6 (62)分案原申请数据 202111477457.8 2021.12.0 6 (71)申请人 赵天硕 地址 110170 辽宁省沈阳市 浑南区高坎镇 上马村214 号 (72)发明人 赵天硕　 (51)Int.Cl. H04L 9/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工智能的拦截决策网络训练方法及 信息拦截系统 (57)摘要 本申请实施例公开了一种基于人工智能的 拦截决策网络训练方法及信息拦截系统， 第一访 问活动拦截决策网络是依据通过基准依据标注 策略标注的基础参考数据集进行网络收敛优化 获得的， 基准依据标注策略是指基于参考数据集 中参考访问触发事件所对应的访问活动被放行 后是否搜索到相关进程销毁访问活动维持状态， 来标注该参考访问触发事件所对应的访问活动 是否可以被归类于拦截访问活动， 相比仅采用进 阶依据标注策略， 依据该基准依据标注策略标注 参考数据集的标注工作量更小， 可以获得更多的 参考数据集， 因此可以在减少标注工作量的前提 下生成具有初步拦截决策性能的第一访问活动 拦截决策网络 。 权利要求书5页 说明书12页 附图1页 CN 115174271 A 2022.10.11 CN 115174271 A 1.一种基于人工智能的拦截决策网络训练方法， 应用于所述信息拦截系统， 其特征在 于， 第一访问活动拦截决策网络和 第二访问活动拦截决策网络中包括相同网络权重信息的 网络参数层， 所述第一访问活动拦截决策网络中包括第一基础描述变量挖掘单元和第一拦 截决策单元， 所述第二访问活动拦截决策网络中包括第二基础描述变量挖掘单元和第二拦 截决策单元， 所述第一基础描述变量挖掘单元和所述第二基础描述变量挖掘单元被配置相 同网络权重信息的网络参数层， 其中， 所述网络参数层 包括以下至少一种： 所述第一基础描 述变量挖掘单元和所述第二基础描述变量挖掘单元中的循环神经网络层、 所述第一基础描 述变量挖掘单 元和所述第二基础描述变量挖掘单 元中的全连接单 元； 依据以下方式训练所述第一访问活动拦截决策网络和所述第二访问活动拦截决策网 络： 依据第一基础访问活动 拦截决策网络， 基于基础参考数据集中的第 一参考访问触发事 件， 决策生成第一访问活动拦截决策依据， 所述基础参考数据集包括第一参考访问触发事 件以及携带的基础参考拦截依据， 所述基础参考拦截依据是基于放行所述第一参考访问触 发事件所对应的访问活动 后访问活动维持状态是否被 配置于销毁状态获得的； 基于所述第一访问活动拦截决策依据和所述基础参考数据集中的所述基础参考拦截 依据， 确定第一 拦截预测代价； 依据所述第 一拦截预测代价， 对所述第 一基础访问活动拦截决策网络进行网络收敛优 化； 将所述第一基础访问活动 拦截决策网络 中所述网络参数层的网络权重信 息， 同步配置 于第二基础 访问活动拦截决策网络中的所述网络参数层； 依据所述第 二基础访问活动拦截决策网络， 基于进阶参考数据集中的第 二参考访问触 发事件， 决策生成第二访问活动拦截决策依据， 所述进阶参考数据集包括第二参考访问触 发事件以及携带的进阶参考拦截依据， 所述进阶参考拦截依据代表所述第二参考访问触发 事件所对应的访问活动的标签属性； 基于所述第二访问活动拦截决策依据和所述进阶参考数据集中的所述进阶参考拦截 依据， 确定第二 拦截预测代价； 依据所述第 二拦截预测代价， 对所述第 二基础访问活动拦截决策网络进行网络收敛优 化； 将所述第二基础访问活动 拦截决策网络 中所述网络参数层的网络权重信 息， 同步配置 于所述第一基础 访问活动拦截决策网络中的所述网络参数层； 基于所述第一 拦截预测代价和所述第二 拦截预测代价， 确定目标拦截预测代价； 依据所述目标拦截预测代价， 组合对所述第 一基础访问活动 拦截决策网络进行网络收 敛优化和所述第二基础 访问活动拦截决策网络 。 2.根据权利要求1所述的基于人工智能的拦截决策网络训练方法， 其特征在于， 所述方 法还包括： 获取权重初始化的访问触发事件决策网络以及第 三参考数据集； 所述访问触发事件决 策网络被配置于执行基础的访问触发事件决策流程， 所述访问触发事件决策网络包括所述 网络参数层； 所述第三参考数据集包括第三参考访问触发事件以及携带 的训练参考依据， 所述训练参考依据代表所述第三参考访问触发事件在所述访问触发事件决策流程中的标权　利　要　求　书 1/5 页 2 CN 115174271 A 2签属性； 依据所述访问触发事件决策网络， 基于所述第 三参考数据集中的所述第 三参考访问触 发事件， 决策生成第三访问活动拦截决策依据； 基于所述第三访问活动拦截决策依据和所 述第三参考数据集中的训练参 考依据， 确定第三 拦截预测代价； 依据所述第三 拦截预测代价， 对所述访问触发事 件决策网络进行网络收敛优化； 将所述访问触发事件决策网络 中所述网络参数层的网络权重信 息， 同步配置于所述第 一基础访问活动拦截决策网络或者所述第二基础访问活动拦截决策网络中的所述网络参 数层； 所述基于所述第一拦截预测代价和所述第二拦截预测代价， 确定目标拦截预测代价； 依据所述目标拦截预测代价， 组合对所述第一基础访问活动拦截决策网络进 行网络收敛优 化和所述第二基础 访问活动拦截决策网络， 包括： 基于所述第一拦截预测代价、 所述第二拦截预测代价和所述第三拦截预测代价， 确定 所述目标拦截预测代价； 依据所述目标拦截预测代价， 组合对所述第 一基础访问活动 拦截决策网络进行网络收 敛优化、 所述第二基础 访问活动拦截决策网络和所述访问触发事 件决策网络 。 3.根据权利要求2所述的基于人工智能的拦截决策网络训练方法， 其特征在于， 所述方 法还包括： 获取权重初始化的描述变量挖掘网络以及第四参考数据集； 所述描述变量挖掘网络被 配置于挖掘访问触发事件中每个访问单位分别对应的访问描述变量， 所述描述变量挖掘网 络包括所述网络参数层； 所述第四参 考数据集包括第四参 考访问触发事 件； 依据所述描述变量挖掘网络， 挖掘所述第四参考访问触发事件中每个访问单位分别对 应的决策访问描述变量； 针对所述第四参考访问触发事件中各参考访问单位确定分别关联的前向扩展访问单 元和后向扩展访问单元， 基于所述第四参考访问触发事件中每个所述参考访问单位分别对 应的决策访问描述变量、 每个所述参考访问单位分别关联的前向扩展访问单元的决策访问 描述变量、 以及每个所述参考访问单位分别关联的后向扩展访问单元的决策访问描述变 量， 确定第四拦截预测代价； 并依据所述第四拦截 预测代价， 对所述描述变量挖掘网络进 行 网络收敛优化； 将所述描述变量挖掘网络 中所述网络参数层的网络权重信 息， 同步配置于所述第 一基 础访问活动拦截决策网络或者所述第二基础 访问活动拦截决策网络中的所述网络参数层； 所述基于所述第一拦截预测代价和所述第二拦截预测代价， 确定目标拦截预测代价； 依据所述目标拦截预测代价， 组合对所述第一基础访问活动拦截决策网络进 行网络收敛优 化和所述第二基础 访问活动拦截决策网络， 包括： 基于所述第一拦截预测代价、 所述第二拦截预测代价和所述第 四拦截预测代价， 确定 所述目标拦截预测代价； 依据所述目标拦截预测代价， 组合对所述第 一基础访问活动 拦截决策网络进行网络收 敛优化、 所述第二基础 访问活动拦截决策网络和所述描述变量挖掘网络 。 4.根据权利要求3所述的基于人工智能的拦截决策网络训练方法， 其特征在于， 所述针 对所述第四参考访问触发事件中各参考访问单位确定分别 关联的前向扩展访问单元和后权　利　要　求　书 2/5 页 3 CN 115174271 A 3