暂无图片
暂无图片
暂无图片
暂无图片
暂无图片
一种基于人工智能的数据库异常访问检测方法及模型_CN117150538A_上海沄熹科技有限公司.pdf
48
10页
0次
2024-04-25
免费下载
(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 202310680710 .2
(22)申请日 2023 .06 .09
(71)申请人 上海沄熹科技有限公司
地址 200120 上海市浦东新区中国上海
自由贸易试验区张东路1158丹桂
10592305-22
(72)发明人 赵衎衎 冷友方 
(74)专利代理机构 济南信达专利事务所有限公
37100
专利代理师 冯春连
(51)Int.Cl .
G06F
21/62
(2013 .01)
G06N
3/0455
(2023 .01)
G06N
3/08
(2023 .01)
(54)发明名称
一种基于人工智能的数据库异常访问检测
方法及模型
(57)摘要
本发明公开一种基于人工智能的数据库异
常访问检测方法及模型涉及数据访问技术
域,包括抽取用户正常访问记录生成访问特征
序列输入编码解码神经网络模型进行迭代训
在有用户访问请求传入时将用户访问请求
生成访问特征序列输入完成训练的网络模型
网络模型输出还原后的特征序列对访问特征序
列和还原后特征序列进行近似度比较以判定当
前用户访问请求是否正常并在请求异常时加入
黑名单当前用户不认同判定结果时向超级管
理员进行申诉超级管理员接到申诉后进行人
工判定超级管理员赞同用户申诉后触发白名
单事件本发明实现了对数据库用户访问模式的
准确判定可以确保整个数据库系统访问处于安
全状态
权利要求书2页 说明书6页 附图1页
CN 117150538 A
2023.12.01
CN 117150538 A
1 .一种基于人工智能的数据库异常访问检测方法其特征在于,包括如下步骤
抽取数据库中已有的用户正常访问记录生成访问特征序列并输入编码解码神经网
络模型进行迭代训练达到预设条件后完成编码解码神经网络模型的训练
在有用户访问请求传入时首先将用户访问请求生成访问特征序列随后将访问特征
序列输入完成训练的编码解码神经网络模型编码解码神经网络模型输出还原后的特征
序列再后对访问特征序列和还原后特征序列进行近似度比较以判定当前用户访问请求
是否正常并在当前用户访问请求不正常时将访问请求记录加入异常访问黑名单;
当前用户不认同判定结果时向超级管理员进行申诉超级管理员接到申诉后进行人
工判定超级管理员赞同用户申诉后触发白名单事件将本次被申诉的访问请求记录加入
白名单列表
2 .根据权利要求1所述的一种基于人工智能的数据库异常访问检测方法其特征在于
抽取数据库中已有的用户正常访问记录采用特征工程方法对抽取记录进行处理进而生
成访问特征序列
生成的访问特征序列输入编码解码神经网络模型时编码器首先将输入的特征序列
编码为一个定长的用户访问模式特征向量解码器随后解码将该特征向量还原为一个特征
序列
完成编码解码神经网络模型的训练后对输入的访问特征序列和还原后的特征序列
进行近似度比较根据比较结果预设阈值
3 .根据权利要求2所述的一种基于人工智能的数据库异常访问检测方法其特征在于
对访问特征序列和还原后特征序列进行近似度比较
若近似度大于预设阈值则认为当前用户请求符合过往查询模式判定为正常然后按
照数据库系统原定路径允许用户进入下一步操作;
若近似度小于预设阈值则认为当前用户请求与用户历史查询模式不同将其判定为
异常访问然后将该次请求加入异常访问黑名单同时拒绝本次请求并返回异常信息给用
户,若当前用户认为数据库系统误判其正常访问为异常可向超级管理员提起申诉
4 .根据权利要求3所述的一种基于人工智能的数据库异常访问检测方法其特征在于
超级管理员接到申诉后在黑名单中查询获取对应的访问请求记录若超级管理员赞同用
户申诉认为该判定结果属于误判时在异常访问黑名单中删除该访问请求记录随后触发
白名单事件
5 .根据权利要求4所述的一种基于人工智能的数据库异常访问检测方法其特征在于
触发白名单事件后抽取白名单列表中新加入的访问请求记录生成访问特征序列编码
解码神经网络模型利用该访问特征序列进行在线学习和更新
6 .一种基于人工智能的数据库异常访问检测模型其特征在于其包括
数据处理模块一用于抽取数据库中已有的用户正常访问记录生成访问特征序列
训练模块用于将生成的访问特征序列输入编码解码神经网络模型进行迭代训练
练结果达到预设条件后输出完成训练的编码解码神经网络模型
数据处理模块二用于获取用户的访问请求生成访问特征序列还用于将访问特征序
列输入完成训练的编码解码神经网络模型完成训练的编码解码神经网络模型输出还原
后的特征序列
权 利 要 求 书
1/2
2
CN 117150538 A
2
of 10
免费下载
【版权声明】本文为墨天轮用户原创内容,转载时必须标注文档的来源(墨天轮),文档链接,文档作者等基本信息,否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容,欢迎发送邮件至:contact@modb.pro进行举报,并提供相关证据,一经查实,墨天轮将立刻删除相关内容。

评论

关注
最新上传
暂无内容,敬请期待...
下载排行榜
Top250 周榜 月榜