一種云安全組件推薦方法、裝置及電子設備與流程

本發明涉及計算機，尤其涉及一種云安全組件推薦方法、裝置及電子設備。

背景技術：

1、隨著云計算機技術的迅速發展，將各類業務設置于云端成為一種趨勢，隨之而來的云安全問題受到云租戶的廣泛重視，云服務平臺為云租戶提供了多種可選的云安全組件，且云安全組件對應的組件產品也種類繁多。

2、通常，云服務平臺可以通過人工為云租戶提供針對云安全組件和組件產品的推薦方案，但是，由于云安全組件以及對應的組件產品的更新頻率較快，基于人工推薦的方式可能存在推薦不夠精準以及推薦效率差的問題，影響云租戶的使用體驗，不能滿足日益增長的云安全需求。

技術實現思路

1、本發明實施例的目的是提供一種云安全組件推薦方法、裝置及電子設備，以解決現有技術中在生成針對云租戶的云安全組件和組件產品的推薦方案中，存在的推薦準確性和推薦效率差的問題。

2、為解決上述技術問題，本發明實施例是這樣實現的：

3、第一方面，本發明實施例提供的一種云安全組件推薦方法，所述方法包括：

4、基于獲取的云租戶的信息、云安全組件的信息以及組件產品的信息，確定鄰接矩陣和特征矩陣，所述鄰接矩陣用于表征所述云租戶與所述云安全組件之間的使用關系，以及所述云安全組件與所述組件產品之間的使用關系，所述特征矩陣用于表征所述云租戶、所述云安全組件以及所述組件產品的特征信息；

5、通過預先訓練的推薦模型，對所述鄰接矩陣和所述特征矩陣進行處理，得到針對所述云租戶的第一推薦信息，所述推薦模型包括對所述特征矩陣和所述鄰接矩陣進行特征提取處理的編碼器，以及用于對所述編碼器的輸出結果進行重建得到推薦信息的解碼器；

6、基于所述云租戶已選擇的云安全組件和組件產品，以及所述第一推薦信息，確定與所述云租戶對應的第二推薦信息，并將所述第二推薦信息包含的云安全組件和組件產品輸出給所述云租戶。

7、可選地，所述基于獲取的云租戶的信息、云安全組件的信息以及組件產品的信息，確定鄰接矩陣和特征矩陣，包括：

8、基于所述云租戶的信息、所述云安全組件的信息以及所述組件產品的信息，構建目標圖結構數據，所述目標圖結構數據包含節點和不同節點之間的連接關系，所述節點基于所述云租戶、所述云安全組件以及所述組件產品確定，所述不同節點之間的連接關系基于所述云租戶與所述云安全組件之間的使用關系，以及所述云安全組件與所述組件產品之間的使用關系確定；

9、對所述目標圖結構數據進行轉化處理，得到所述鄰接矩陣和所述特征矩陣。

10、可選地，在所述通過預先訓練的推薦模型，對所述鄰接矩陣和所述特征矩陣進行處理，得到針對所述云租戶的第一推薦信息之前，還包括：

11、獲取用于訓練所述推薦模型的歷史鄰接矩陣和歷史特征矩陣；

12、通過所述推薦模型的編碼器，將所述歷史鄰接矩陣和所述歷史特征矩陣投影到預設低維向量空間，得到第一向量表示；

13、通過所述推薦模型的解碼器，對所述第一向量表示進行重建處理，得到重建的歷史鄰接矩陣；

14、基于預設損失函數、所述歷史鄰接矩陣和所述重建的歷史鄰接矩陣，確定損失值，并基于所述損失值，確定所述推薦模型是否收斂，并在確定所述推薦模型未收斂的情況下，基于所述歷史鄰接矩陣和所述歷史特征矩陣繼續對所述推薦模型進行訓練直到所述推薦模型收斂，得到訓練后的推薦模型。

15、可選地，所述通過所述推薦模型的編碼器，將所述歷史鄰接矩陣和所述歷史特征矩陣投影到預設低維向量空間，得到第一向量表示，包括：

16、通過所述編碼器的第一圖卷積層，對所述歷史鄰接矩陣和所述歷史特征矩陣進行特征提取處理，得到第一子向量表示；

17、將所述第一子向量表示輸入所述編碼器中的第一舍棄層，得到第二子向量表示；

18、通過所述編碼器的第二圖卷積層，對所述第二子向量表示進行特征提取處理，得到第三子向量表示，所述第二圖卷積層的卷積核個數小于所述第一圖卷積層的卷積核個數；

19、將所述第三子向量表示輸入所述編碼器中的第二舍棄層，得到所述第一向量表示。

20、可選地，所述第一圖卷積層包括預設數量的神經網絡層，所述通過所述編碼器的第一圖卷積層，對所述歷史鄰接矩陣和所述歷史特征矩陣進行特征提取處理，得到第一子向量表示，包括：

21、將所述歷史特征矩陣作為初始輸出數據，并基于預設非線性激活函數、所述歷史鄰接矩陣和所述初始輸出數據，確定第一層的所述神經網絡層的輸出數據；

22、基于所述預設非線性激活函數、所述歷史鄰接矩陣和所述第一層的所述神經網絡層的輸出數據，確定第二層的所述神經網絡層的輸出數據；

23、基于所述預設非線性激活函數、所述歷史鄰接矩陣和所述第二層的所述神經網絡層的輸出數據，確定第三層的所述神經網絡層的輸出數據，并基于所述第三層的所述神經網絡層的輸出數據的確定方法，繼續確定第四層的所述神經網絡層的輸出數據，直到得到最后一層的所述神經網絡層的輸出數據；

24、將所述最后一層的所述神經網絡層的輸出數據，確定為所述第一子向量表示。

25、可選地，所述基于所述預設非線性激活函數、所述歷史鄰接矩陣和所述第一層的所述神經網絡層的輸出數據，確定第二層的所述神經網絡層的輸出數據，包括：

26、基于所述第二鄰接矩陣的節點度對角矩陣，對所述歷史鄰接矩陣進行對稱歸一化處理，得到第一鄰接矩陣；

27、基于所述歷史鄰接矩陣和預設單元矩陣，得到第二鄰接矩陣；

28、基于所述第一鄰接矩陣、所述第二鄰接矩陣、所述第二鄰接矩陣的節點度對角矩陣、所述預設非線性激活函數、所述第二層的所述神經網絡層的預設參數矩陣，以及所述第一層的所述神經網絡層的輸出數據，確定所述第二層的所述神經網絡層的輸出數據。

29、可選地，所述通過所述推薦模型的解碼器，對所述第一向量表示進行重建處理，得到重建的歷史鄰接矩陣，包括：

30、基于預設激活函數、所述第一向量表示，以及所述第一向量表示的轉置向量表示，得到所述重建的歷史鄰接矩陣。

31、第二方面，本發明實施例提供了一種云安全組件推薦裝置，所述裝置包括：

32、信息獲取模塊，用于基于獲取的云租戶的信息、云安全組件的信息以及組件產品的信息，確定鄰接矩陣和特征矩陣，所述鄰接矩陣用于表征所述云租戶與所述云安全組件之間的使用關系，以及所述云安全組件與所述組件產品之間的使用關系，所述特征矩陣用于表征所述云租戶、所述云安全組件以及所述組件產品的特征信息；

33、數據處理模塊，用于通過預先訓練的推薦模型，對所述鄰接矩陣和所述特征矩陣進行處理，得到針對所述云租戶的第一推薦信息，所述推薦模型包括對所述特征矩陣和所述鄰接矩陣進行特征提取處理的編碼器，以及用于對所述編碼器的輸出結果進行重建得到推薦信息的解碼器；

34、信息推薦模塊，用于基于所述云租戶已選擇的云安全組件和組件產品，以及所述第一推薦信息，確定與所述云租戶對應的第二推薦信息，并將所述第二推薦信息包含的云安全組件和組件產品輸出給所述云租戶。

35、可選地，所述信息獲取模塊，用于：

36、基于所述云租戶的信息、所述云安全組件的信息以及所述組件產品的信息，構建目標圖結構數據，所述目標圖結構數據包含節點和不同節點之間的連接關系，所述節點基于所述云租戶、所述云安全組件以及所述組件產品確定，所述不同節點之間的連接關系基于所述云租戶與所述云安全組件之間的使用關系，以及所述云安全組件與所述組件產品之間的使用關系確定；

37、對所述目標圖結構數據進行轉化處理，得到所述鄰接矩陣和所述特征矩陣。

38、可選地，所述裝置，還包括：

39、矩陣獲取模塊，用于獲取用于訓練所述推薦模型的歷史鄰接矩陣和歷史特征矩陣；

40、數據編碼模塊，用于通過所述推薦模型的編碼器，將所述歷史鄰接矩陣和所述歷史特征矩陣投影到預設低維向量空間，得到第一向量表示；

41、向量重建模塊，用于通過所述推薦模型的解碼器，對所述第一向量表示進行重建處理，得到重建的歷史鄰接矩陣；

42、模型訓練模塊，用于基于預設損失函數、所述歷史鄰接矩陣和所述重建的歷史鄰接矩陣，確定損失值，并基于所述損失值，確定所述推薦模型是否收斂，并在確定所述推薦模型未收斂的情況下，基于所述歷史鄰接矩陣和所述歷史特征矩陣繼續對所述推薦模型進行訓練直到所述推薦模型收斂，得到訓練后的推薦模型。

43、可選地，所述數據編碼模塊，用于：

44、通過所述編碼器的第一圖卷積層，對所述歷史鄰接矩陣和所述歷史特征矩陣進行特征提取處理，得到第一子向量表示；

45、將所述第一子向量表示輸入所述編碼器中的第一舍棄層，得到第二子向量表示；

46、通過所述編碼器的第二圖卷積層，對所述第二子向量表示進行特征提取處理，得到第三子向量表示，所述第二圖卷積層的卷積核個數小于所述第一圖卷積層的卷積核個數；

47、將所述第三子向量表示輸入所述編碼器中的第二舍棄層，得到所述第一向量表示。

48、可選地，所述第一圖卷積層包括預設數量的神經網絡層，所述數據編碼模塊，用于：

49、將所述歷史特征矩陣作為初始輸出數據，并基于預設非線性激活函數、所述歷史鄰接矩陣和所述初始輸出數據，確定第一層的所述神經網絡層的輸出數據；

50、基于所述預設非線性激活函數、所述歷史鄰接矩陣和所述第一層的所述神經網絡層的輸出數據，確定第二層的所述神經網絡層的輸出數據；

51、基于所述預設非線性激活函數、所述歷史鄰接矩陣和所述第二層的所述神經網絡層的輸出數據，確定第三層的所述神經網絡層的輸出數據，并基于所述第三層的所述神經網絡層的輸出數據的確定方法，繼續確定第四層的所述神經網絡層的輸出數據，直到得到最后一層的所述神經網絡層的輸出數據；

52、將所述最后一層的所述神經網絡層的輸出數據，確定為所述第一子向量表示。

53、可選地，所述數據編碼模塊，用于：

54、基于所述第二鄰接矩陣的節點度對角矩陣，對所述歷史鄰接矩陣進行對稱歸一化處理，得到第一鄰接矩陣；

55、基于所述歷史鄰接矩陣和預設單元矩陣，得到第二鄰接矩陣；

56、基于所述第一鄰接矩陣、所述第二鄰接矩陣、所述第二鄰接矩陣的節點度對角矩陣、所述預設非線性激活函數、所述第二層的所述神經網絡層的預設參數矩陣，以及所述第一層的所述神經網絡層的輸出數據，確定所述第二層的所述神經網絡層的輸出數據。

57、可選地，所述向量重建模塊，用于：

58、基于預設激活函數、所述第一向量表示，以及所述第一向量表示的轉置向量表示，得到所述重建的歷史鄰接矩陣。

59、第三方面，本發明實施例提供一種電子設備，包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執行時實現上述實施例提供的云安全組件推薦方法的步驟。

60、第四方面，本發明實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲計算機程序，所述計算機程序被處理器執行時實現上述實施例提供的云安全組件推薦方法的步驟。

61、第五方面，本發明實施例提供一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述實施例提供的云安全組件推薦方法的步驟。

62、由以上本發明實施例提供的技術方案可見，本發明實施例基于獲取的云租戶的信息、云安全組件的信息以及組件產品的信息，確定鄰接矩陣和特征矩陣，其中，鄰接矩陣可以用于表征云租戶與云安全組件之間的使用關系，以及云安全組件與組件產品之間的使用關系，特征矩陣可以用于表征云租戶、云安全組件以及組件產品的特征信息，通過預先訓練的推薦模型，對鄰接矩陣和特征矩陣進行處理，得到針對云租戶的第一推薦信息，推薦模型包括對特征矩陣和鄰接矩陣進行特征提取處理的編碼器，以及用于對編碼器的輸出結果進行重建得到推薦信息的解碼器，基于云租戶已選擇的云安全組件和組件產品，以及第一推薦信息，確定與云租戶對應的第二推薦信息，并將第二推薦信息包含的云安全組件和組件產品輸出給云租戶。這樣，通過推薦模型可以提高針對云租戶的云安全組件和組件產品的推薦效率，另外，基于能夠表征云租戶與云安全組件之間的使用關系，以及云安全組件與組件產品之間的使用關系的鄰接矩陣，以及能夠表征云租戶、云安全組件以及組件產品的特征信息的特征矩陣，以及預先訓練的推薦模型，能夠準確的生成與云租戶對應的第一推薦信息，進而通過云租戶已選擇的云安全組件和組件產品，以及第一推薦信息，可以生成準確性較高的第二推薦信息，從而可以提高針對云租戶的云安全組件和組件產品的推薦準確性。