融合密度聚类与集成学习的数据库异常检测

• 作者: 李勃 寿曾 刘昕禹 高明慧 马力 徐剑
• 来源期刊: 小型微型计算机系统
• 关键词: 异常检测 数据库系统 用户行为 密度聚类 集成学习
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 计算机软件与数据库研究|Computer Software and Database Research
• 页码范围: 666-672
• 页数: 7页
• 分类号: TP309
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1220.2021.03.037

摘要

目前,针对数据库系统内部攻击与威胁的检测方法较少,且已有的数据库异常检测方案存在代价开销高、检测准确率低等问题.为此,将密度聚类和集成学习融合,提出一种基于密度聚类和集成学习的数据库异常检测方法.利用OPTICS(Orde-ring Points To Identify the Clustering Structure)密度聚类算法对用户产生的数据库SQL操作日志进行聚类,通过对SQL语句中的各属性进行分析,提取用户的异常行为,形成先验知识;将Bagging、Boosting和Stacking进行组合,形成集成学习模型,以OP-TICS聚类形成的先验知识为基础,并利用该集成学习模型对用户行为作进一步分析,并创建用户行为特征库.基于用户形成特征库,对用户行为进行检测.给出了方案的详细构建过程,包括数据预处理、训练、学习模型建立以及异常检测;利用相关实验数据进行测试,结果表明本方案能以较高的效率检测出数据库异常行为,并且在准确率方面优于同类方案.