(19)中华 人民共和国 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 202111632366.7 (22)申请日 2021.12.28 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450001 河南省郑州市科 学大道62号 (72)发明人 杜学绘　王娜　王晓畅　王文娟　 任志宇　刘敖迪　单棣斌　曹利峰　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 李泽艳 (51)Int.Cl. G06F 40/284(2020.01) G06F 40/242(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种安全属性标定方法、 系统、 设备及计算 机存储介质 (57)摘要 本申请公开了一种安全属性标定方法、 系 统、 设备及计算机存储介质， 获取带标签的源域 数据和不带标签的目标域数据； 通过预先训练的 神经网络模 型， 基于源域数据确定目标域数据的 目标域数据标签； 基于WordNet词典和目标域数 据标签确定目标域数据的候选安全属性集合； 在 候选安全属性集合中筛选出目标域数据在各个 词汇深度上的目标安全属性； 根据访问控制粒 度， 在各个词汇深度的目标安全属性中确定出目 标域数据的安全属性标定结果。 本申请中， 通过 预先训练的神经网络模型来基于带标签的源域 数据确定目标域数据的目标域数据标签， 且可以 基于WordNet词典及访问控制粒度得到满足访问 控制粒度的安全属性标定结果， 实现了对安全属 性的细粒度管控。 权利要求书3页 说明书12页 附图5页 CN 114357998 A 2022.04.15 CN 114357998 A 1.一种安全属性标定方法， 其特 征在于， 包括： 获取带标签的源域数据和不带 标签的目标域数据； 通过预先训练 的神经网络模型， 基于所述源域数据确定所述目标域数据的目标域数据 标签； 基于WordNet词典和所述目标域数据标签确定所述目标域数据的候选安全属性 集合； 在所述候选安全属性集合中筛选出所述目标域数据在各个词汇深度上的目标安全属 性； 根据访问控制粒度， 在各个所述词汇深度的所述目标安全属性中确定出所述目标域数 据的安全属性标定结果。 2.根据权利要求1所述的方法， 其特征在于， 所述基于WordNet词典和所述目标域数据 标签确定所述目标域数据的候选安全属性 集合， 包括： 基于所述 WordNet词典， 确定所述目标域数据标签的目标同义词集 合； 将所述目标同义词集合中的每个元素依次作为起点， 基于所述WordNet词典中同义词 集合间的上位关系， 从对应的所述词汇深度开始逐层向上寻找上位同义词集合， 直到遍历 完整个WordNet网， 得到所述目标域数据标签的目标 上位同义词集 合； 确定所述目标同义词集 合对应的第一同义词集名； 确定所述目标 上位同义词集 合对应的第二同义词集名； 将所述第一同义词集名和所述第二同义词集名的并集作为所述目标域数据的所述候 选安全属性 集合。 3.根据权利要求2所述的方法， 其特征在于， 所述在所述候选安全属性集合中筛选出所 述目标域数据在各个词汇深度上的目标安全属性， 包括： 确定所述目标域数据标签的各个所述词汇深度； 将所述候选安全属性集合中相同所述词汇深度的所述候选安全属性， 确定为所述词汇 深度对应的待选安全属性； 对于各个所述词汇深度对应的所述待选安全属性， 计算所述目标域数据标签与各个所 述待选安全属性的相似度， 并将最大相似度值对应的所述待选安全属性作为所述目标域数 据在所述词汇深度上的所述目标安全属性。 4.根据权利要求3所述的方法， 其特征在于， 所述计算所述目标域数据标签与 各个所述 待选安全属性的相似度， 包括： 基于余弦距离计算公式， 计算所述目标域数据标签与 各个所述待选安全属性的所述相 似度； 所述余弦距离计算公式包括： 其中， dist(vec1,vec2)表示所述相似度； vec1表示所述目标域数据标签的词向量值； vec2表示所述待选安全属性的词向量 值； n表示词向量长度。 5.根据权利要求4所述的方法， 其特征在于， 所述在所述候选安全属性集合中筛选出所权　利　要　求　书 1/3 页 2 CN 114357998 A 2述目标域数据在各个词汇深度上 的目标安全属 性之后， 所述根据访问控制粒度， 在各个所 述词汇深度的所述目标安全属性中确定出所述目标域数据的安全属性标定结果之前， 还包 括： 对所述目标域数据对应的所述目标安全属性， 按照所述词汇深度由小到大的顺序进行 排序， 得到上 下级节点关系； 将所述目标域数据标签添加至所述上下级节点关系的末尾， 得到所述目标域数据对应 的安全属性分支； 将所有的所述 安全属性分支中的所述目标域数据标签作为叶子节点； 基于所述上下级节点关系， 从所有所述安全属性分支中的最大所述词汇深度开始， 向 所述词汇深度变小的方向逐层遍历， 依次比较每层所述词汇深度是否存在安全属性相同的 分支， 若存在安全属性相同的分支， 则进 行分支合并， 将合并后的分支对应的所述目标安全 属性作为对应的子节点， 若不存在安全属 性相同的分支， 则将各个分支对应的所述 目标安 全属性作为对应的子节点， 直至将最小所述词汇深度对应的所述目标安全属性作为根节 点， 得到目标安全属性 树。 6.根据权利要求1至5任一项所述的方法， 其特征在于， 所述神经网络模型包括目标CAN 网络， 所述目标CAN网络基于残差网络提取特征， 且 所述残差网络Bottleneck的连接处间设 置有CBAM层， 所述CBAM层包括 通道注意力块和空间注意力块。 7.根据权利要求6所述的方法， 其特 征在于， 所述神经网络模型的训练过程包括： 获取带标签的第一类数据和不带 标签的第二类数据； 基于所述第一类数据和所述第二类数据对所述神经网络模型进行训练； 提取所述神经网络模型在训练过程中生成的第一类数据特征、 第一类数据标签、 第二 类数据特 征、 第二类数据标签； 基于损失函数、 所述第一类数据特征、 所述第一类数据标签、 所述第二类数据特征、 所 述第二类数据标签， 更新所述神经网络模型 的网络参数， 直至完成所述神经网络模型 的训 练； 所述损失函数包括： 其中， 权　利　要　求　书 2/3 页 3 CN 114357998 A 3