(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 202211272082.6 (22)申请日 2022.10.18 (71)申请人 南京众智维信息科技有限公司 地址 211300 江苏省南京市高淳区龙井路3 号 (72)发明人 车洵　孙捷　金奎　胡牧　孙翰墨　 程佳　 (74)专利代理 机构 南京知识律师事务所 32 207 专利代理师 张苏沛 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/284(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 基于少样本学习的网络安全协同处置的语 义分析方法 (57)摘要 本发明公开了一种基于少样本学习的网络 安全协同处置的语义分析方法， 包括步骤： 将运 营人员针对网络安全事件的应对过程作为语料 库； 将语料库划分为支持集和目标集， 抽取支持 文本和目标文本， 进行文本嵌入和位置嵌入处 理， 得到由标记向量和位置向量拼接的词向量； 将词向量输入多级注意力文本编码器， 调整词向 量的注意力权重； 将支持文本中的词向量输入动 态记忆模块， 根据每次被送入动态记忆模块的词 向量与语义向量的相似度动态调整语义向量； 将 支持文本和目标文本的词向量输入目标引入模 块， 找出目标文本中的关键词； 找出操作集中和 目标文本中的关键词对应的处理网络安全事件 的操作， 并向运营 人员做出操作推荐。 权利要求书3页 说明书9页 附图1页 CN 115329776 A 2022.11.11 CN 115329776 A 1.一种基于少样本学习的网络安全协同处置的语义分析方法， 其特征在于， 包括以下 步骤： S1： 记录网络安全协同处置的运营过程， 将运营人员针对网络安全事件的应对过程作 为语料库； S2： 将语料库划分为支持集和目标集， 从支持集中抽取支持文本， 从目标集中抽取目标 文本， 对抽取 的支持文本和目标文本进行文本嵌入和 位置嵌入处理， 得到由标记向量和位 置向量拼接的词向量； S3： 将词向量输入多级注意力文本编码器， 多级注意力文本编码器的注意力机制关注 对话中的角色信息， 结合上 下文， 调整词向量的注意力权 重； S4： 将支持文本中的词向量输入动态记忆模块， 动态记忆模块存放 个语义向量， 用于 表示不同语义簇的质心， 根据每次被送入动态记忆模块的词向量与语义向量的相似度动态 调整 个语义向量； S5： 将支持文本和目标文本的词向量输入目标引入模块， 将支持文本中代表关键词的 词向量与目标文本中的词向量进行一 一比对， 找出目标文本中的关键词； S6： 将关键词到对应处理网络安全事件的操作的映射集合放入操作集中， 其中关键词 到操作的映射集合由数据 统计得到， 根据目标文本中提取 的关键词， 找出操作集中和目标 文本中提取的关键词对应的处 理网络安全 事件的操作， 并向运营 人员做出操作推荐。 2.根据权利要求1所述的方法， 其特征在于， 步骤S1中， 网络安全协同处置的运营过程 包括： 建表序列化运营对话、 标记出运营人员的角色、 分析网络安全异常问题的关键词、 根 据分析安排对应的任务， 以上运营人员针对网络安全事件的应对过程构成网络安全协同处 置的语料库。 3.根据权利要求1所述的方法， 其特 征在于， 步骤S2还 包括： 对于输入的文本P是由n个对话文本和关键词标签的样本对 组成， 表达式为： 其中 表示文本中的第i段对话， 表示第i段对话对应的关键词标签； 在文本开头标记star t， 对话和关键词标签之间用 “$”隔开， 文本末尾标记end； 输入文本P通过词向量矩阵生成标记向量 ， 为每个词分配的位置向量为 ， 为对话中的角色分配的角色向量为 ， 拼接标记向量和位置向量得到词向量， 表达式 为： 将三个初始化矩阵 和输入的词向量 相乘， 得到 ， 其分别对应查 询词向量、 键词向量和值词向量， 表达式为： 。 4.根据权利要求3所述的方法， 其特 征在于， 步骤S3还 包括步骤： 将初始化矩阵 和输入的角色向量 相乘， 得到 对应的角色向量， 将角色向量权　利　要　求　书 1/3 页 2 CN 115329776 A 2加入注意力机制公式 中， 根据角色信息为文本分配权 重： 其中， 表示角色向量 的权重； 将词向量和角色向量送入多级注意力模块， 多级注意力模块由多个注意力头组成， 每 个注意力头 关注不同的文本信息， 多级注意力模块根据当前词和其他词之 间的相似度调整 注意力权 重， 计算当前词和其 他词的相似度， 表达式为： 对于计算出的相似度除以同一个系数 ， 即对查询向量和键值向量的乘积进行缩 小， 然后用softmax函数做归一化处理， 采用注意力机制公式计算相似度， 注意力机制公式 的表达式为： 其中， 是为矩阵上三角部分赋值 为0的函数， 为K的维度大小； 将输出结果输入多级注意力文本编码器的归一化层， 对输出结果进行归一化处理 ， 将数据映射到[0,1]之间， 表达式为： 其中， 表示经过多级注意力处 理的词向量； 将归一化处理的输出结果输入多级注意力文本编码器的前向传播层， 进行前向传播处 理 ， 表达式为： 其中， 表示经过前向传播处理的词向量， 为激活函数， 为函数权重， 为函数偏置； 将前向传播处理 的输出结果和归一化处理 的输出结果做残差操作并进行归一化处理， 表达式为: 其中， 表示经过归一化处理的词向量； 通过叠加12层多级注意力文本编码器增加网络的容量、 增强网络的表达能力， 将经过 残差操作并进行归一 化处理的输出 结果输入12层多 级注意力文本编码器中， 表达式为： 其中， 表示第 i 层的多级注意力文本编码器 处理过的词向量， 代表多级注意力文本编码器， i表示第i层多 级注意力文本编码器。权　利　要　求　书 2/3 页 3 CN 115329776 A 3