14、基于两阶段模糊系统的数据库入侵检测

基于两阶段模糊系统的数据库入侵检测

现有数据库入侵检测系统的问题

在数据库安全领域，已经有不少数据库入侵检测系统（DIDS）被提出。例如，Lee等人设计了基于签名的DIDS，通过将新的SQL语句与一组合法交易指纹进行匹配来检测数据库入侵，但如果训练数据不完整导致合法交易指纹缺失，会引发大量误报。Hu等人提出的方法则是挖掘交易之间的数据依赖关系来检测异常。Bertino等人开发的DIDS通过挖掘数据库日志文件生成用户配置文件，以此识别入侵。Kamra等人提出通过学习与数据库交互的用户和应用程序的配置文件来检测异常用户请求。Srivastava等人提出了基于数据挖掘的IDS，在挖掘依赖规则时考虑属性的敏感性。

然而，大多数DIDS在准确性上存在很大差异。它们面临的主要挑战是，任何提高入侵正确检测率的尝试通常也会导致误报率上升。

两阶段模糊数据库入侵检测系统（TSFDIDS）的提出

为了解决上述问题，提出了一种独特的具有学习和适应能力的模糊数据库入侵检测系统（TSFDIDS），它能确保高度的可靠性和安全性。模糊逻辑具有一些重要特性，使其适合用于数据库入侵检测，但到目前为止，模糊逻辑在入侵检测中的应用有限，主要集中在基于主机的IDS和基于网络的IDS中。此次是首次尝试使用模糊信息融合和模糊贝叶斯推理来开发数据库IDS。

提出的方法

该方法使用一系列规则来分析每个传入交易与用户正常配置文件的偏差，并为其分配置信度。将每个规则的置信度值组合起来得到初始置信度，该初始置信度会根据其与入侵或合法交易历史的相似性进一步增强或减弱。

为实现上述功能，提出了一个综合架构，该架构集成了输入模式匹配组件（IPMC）、模