实现数据库异常检测相关技术的研究.docVIP

实现数据库异常检测相关技术的研究 　　摘要:该文介绍了数据库异常检测的重要性。重点分析了Fp-growth关联规则算法的实现过程,提出了一个基于Fp-growth算法的数据库异常检测系统,并给出了系统试验数据结果。 　　关键词:数据库;Fp-growth关联规则算法;数据库异常检测系统 　　中图分类号:TP311 文献标识码:A文章编号:1009-3044(2009)14-3607-02 　　Anomaly Detection to Achieve the Database Related Technology Research 　　WANG Qi 　　(Xingzhi Academy, Nanjing Xiaozhuang College, Nanjing 210012, China) 　　Abstract: This thesis introduced the importance of anomaly detection database. The thesis strongle analysed the Fp-growth algorithm of Apriori process, then it provided a database anomaly detection system based on Fp-growth algorithm and at last, the thesis given the results of system test data. 　　Key words: database; Fp-growth algorithm of Apriori; database anomaly detection system 　　1 数据库异常检测的重要性 　　随着信息技术和数据库应用的不断增加,数据库异常检测得到越来越广泛的重视和迫切需要。异常检测技术是计算机安全技术中的重要部分,它从计算机系统中的若干关键点收集信息,并分析这些信息,检测计算机系统中是否有违反安全策略的行为和遭到袭击的迹象。异常检测系统在几乎不影响计算机系统性能的情况下能对计算机系统进行实时监测,并对系统提供针对内部攻击、外部攻击和误操作的实时保护。异常检测技术通过对异常行为的过程与特征的研究,使安全系统对异常事件和异常过程能做出实时响应。异常检测技术扩展了系统管理员的安全管理能力(包括安全审计、监视、进攻识别和响应),提高了信息安全基础结构的完整性。 　　2 FP-growth算法 　　在数据库异常检测技术中融入数据挖掘算法可以有效的从各种数据中提取出有用的信息,数据挖掘算法非常适用于从历史行为的大量数据中进行特征提取,进而能有效的挖掘出非法攻击的事件。本文所讨论的数据挖掘算法是改进的关联算法的FP-growth算法,并将其运用到数据库异常检测中。 　　Fp-growth算法采用频繁模式增长,将提供频繁集的数据库压缩到一个频繁模式树,但仍保留项集关联信息;然后,将这种压缩后的数据库分成一组条件数据库(一种特殊类型的投影数据库),每个关联一个频繁数据项,并分别挖掘每个数据库。Fp-growth树具有自身一种特殊的结构:①由三个部分组成,这三部分分别为:标记为空结点(NULL)的根、作为根的儿子的项目前缀子树集合和频繁项头表;②项目前缀子树中的每一个节点由三个域组成:项目名、支持计数和节点链;③频繁项头表的每个条目包含三个域:项目名、支持度计数和节点链的头指针,指向该项目在模式树中的第一次出现位置。Fp-growth算法的具体描述如下: 　　算法:构造FP-Tree。 　　输入:事务数据库D,最小支持数ξ。 　　输出:FP-Tree。 　　过程: 　　(1) for each transaction t in D 　　(2) { 　　(3) for each item x in t 　　(4) 从C1中找到与x同名的候选项c,使c的支持度计数加1;//说明:C1为候选1-频繁项集的集合。 　　(5) } 　　(6) 选取C1中支持度计数大于ξ的项,得到1-频繁项目集F,按支持度计数降序排列F得到L; 　　(7) 创建树根root,标记为NULL;//开始建树 　　(8) for each transaction t in D 　　(9) { 　　(10) 选取t中频繁项目,并按L的顺序排列,记为[p|P],其中p为第一个元素,P为余下元素的列表; 　　(11) InsertTree([p|P],root); 　　(12) } 说明:过程的(1)-(6)句通过扫描一次事务数据库得到1-频繁项集L;从(7)开始创建FP-Tree,(8)-(12)通过再次扫描事务数据库来构建FP-Tr