本发明涉及数据处理，具体涉及一种违规行为识别方法、装置、计算机设备以及非易失性计算机可读存储介质。
背景技术：
1、目前，随着金融行业的蓬勃发展，金融机构的办公终端和业务系统的数量急剧增加，信息资产的规模不断扩大，随之带来了前所未有的安全风险挑战，传统的人工管理方法已无法满足日益增长的安全需求。因此，金融机构需要每年投入大量资源采购各类安全产品，以维护办公资产和业务系统的安全。
2、然而，随着维护的产品和系统数量的增加，系统告警日志量逐日增大，员工的操作行为类型也日益多样化。这不仅给公司的安全人员、运维人员带来了巨大的工作压力，也对业务安全构成了严重威胁。当前，传统的安全监控方法主要依赖于设定违规场景告警规则，通过风控平台进行告警和人工抽查核实，以识别和确认安全风险。但这种方法存在着明显局限性，难以快速全面地识别违规行为，且容易出现漏报和误报；具体为：
3、1、效率问题：传统的告警规则设置和人工抽查方法在处理海量日志时效率低下，无法满足实时监控的需求；
4、2、准确性问题：仅依赖预设规则的方法可能无法识别新型或变种的违规行为，导致漏报，同时，由于规则的不精确，误报的情况也较为常见；
5、3、资源消耗：人工核实告警日志需要投入大量的人力资源，增加了金融机构的运营成本；
6、4、响应时间：从发现告警到人工核实再到最终确认，整个过程耗时较长，不利于快速响应安全事件。
7、基于此，如何提供一种违规行为识别方法、装置、计算机设备以及非易失性计算机可读存储介质，可自动、快速、全面、准确的识别违规行为，以减少业务系统的安全风险，是目前本领域技术人员亟待解决的问题。
技术实现思路
1、鉴于上述现有技术的不足之处，本发明的目的在于提供一种可用于金融科技或其他相关领域的违规行为识别方法、装置、计算机设备以及非易失性计算机可读存储介质，旨在解决如何可自动、快速、全面、准确的识别违规行为，以减少业务系统的安全风险的问题。
2、为了达到上述目的，本发明采取了以下技术方案：
3、一种违规行为识别方法，其中，包括：
4、基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据；
5、基于k-means聚类算法，将所述告警数据划分为多个簇，以得到聚类结果；
6、基于所述聚类结果及所述业务系统的历史违规样本，对预设的人工智能模型进行训练，生成对应的违规识别模型；
7、基于所述违规识别模型，对所述业务系统的违规行为进行识别。
8、在进一步的技术方案中，所述的违规行为识别方法，其中，所述基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据，包括：
9、预先定义并设置业务系统中用于检测违规行为的告警规则；
10、基于所述告警规则构建得到告警模型；
11、采用所述告警模型对所述业务系统进行监控，得到所述业务系统的告警数据。
12、在进一步的技术方案中，所述的违规行为识别方法，其中，所述基于k-means聚类算法，将所述告警数据划分为多个簇，以得到聚类结果，包括：
13、对所述告警数据进行预处理；
14、采用k-means聚类算法将预处理后的所述告警数据划分为预定数量的簇，以得到相应的聚类结果。
15、在进一步的技术方案中，所述的违规行为识别方法，其中，所述基于所述聚类结果及所述业务系统的历史违规样本，对预设的人工智能模型进行训练，生成对应的违规识别模型，包括：
16、基于所述聚类结果及所述业务系统的历史违规样本，得到相应的训练数据集；
17、采用所述训练数据集对预设的人工智能模型进行训练，生成对应的违规识别模型。
18、在进一步的技术方案中，所述的违规行为识别方法，其中，所述基于所述违规识别模型，对所述业务系统的违规行为进行识别，包括：
19、将所述违规识别模型部署到所述业务系统中；
20、通过所述违规识别模型对所述业务系统进行实时监测，以自动识别违规行为。
21、在进一步的技术方案中，所述的违规行为识别方法，其中，所述通过所述违规识别模型对所述业务系统进行实时监测，以自动识别违规行为之后，还包括：
22、基于所述违规识别模型的监测结果，自动触发相应的响应措施。
23、在进一步的技术方案中，所述的违规行为识别方法，其中，所述基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据，其中，
24、所述告警数据包括：告警时间、用户信息、设备信息、风险类型、风险等级、风险事件名称、命中规则、及风险评分。
25、一种违规行为识别装置，其中，包括：
26、构建模块，用于基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据；
27、聚类模块，用于基于k-means聚类算法，将所述告警数据划分为多个簇，以得到聚类结果；
28、生成模块，用于基于所述聚类结果及所述业务系统的历史违规样本，对预设的人工智能模型进行训练，生成对应的违规识别模型；
29、识别模块，用于基于所述违规识别模型，对所述业务系统的违规行为进行识别。
30、一种计算机设备，其中，所述计算机设备包括至少一个处理器；以及，
31、与所述至少一个处理器通信连接的存储器；其中，
32、所述存储器上存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行时，可实现如上述任一项所述的违规行为识别方法。
33、一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如上述任一项所述的违规行为识别方法。
34、相较于现有技术，本发明提供了一种违规行为识别方法、装置、计算机设备以及非易失性计算机可读存储介质，其中，所述方法包括：基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据；基于k-means聚类算法，将所述告警数据划分为多个簇，以得到聚类结果；基于所述聚类结果及所述业务系统的历史违规样本，对预设的人工智能模型进行训练，生成对应的违规识别模型；基于所述违规识别模型，对所述业务系统的违规行为进行识别。这样，通过本发明的方法可以自动、快速、全面、准确的识别违规行为，进而可减少业务系统的安全风险。
1.一种违规行为识别方法，其特征在于，包括：
2.根据权利要求1所述的违规行为识别方法，其特征在于，所述基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据，包括：
3.根据权利要求2所述的违规行为识别方法，其特征在于，所述基于k-means聚类算法，将所述告警数据划分为多个簇，以得到聚类结果，包括：
4.根据权利要求3所述的违规行为识别方法，其特征在于，所述基于所述聚类结果及所述业务系统的历史违规样本，对预设的人工智能模型进行训练，生成对应的违规识别模型，包括：
5.根据权利要求4所述的违规行为识别方法，其特征在于，所述基于所述违规识别模型，对所述业务系统的违规行为进行识别，包括：
6.根据权利要求5所述的违规行为识别方法，其特征在于，所述通过所述违规识别模型对所述业务系统进行实时监测，以自动识别违规行为之后，还包括：
7.根据权利要求1-6任一项所述的违规行为识别方法，其特征在于，所述基于预设的告警规则构建得到告警模型，基于所述告警模型得到业务系统的告警数据，其中，
8.一种违规行为识别装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括至少一个处理器；以及，
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如权利要求1-7任一项所述的违规行为识别方法。
