1、隨著現(xiàn)代信息科學和網(wǎng)絡技術的發(fā)展，對數(shù)據(jù)庫系統(tǒng)的安全性和保密性提出了更加嚴格的要求，目前應用于數(shù)據(jù)庫系統(tǒng)的安全技術往往達不到令人滿意的程度。通過運用數(shù)據(jù)挖掘算法對數(shù)據(jù)庫用戶的歷史行為信息進行分析，建立用戶的歷史行為模式庫，在此基礎上就可以有效的對現(xiàn)有用戶的行為進行誤用檢測，達到保護數(shù)據(jù)庫中敏感數(shù)據(jù)的目的。
　　本文在前人研究的基礎上，主要研究將聚類分析算法和關聯(lián)規(guī)則分析算法應用到數(shù)據(jù)庫用戶行為模式分析中。而經(jīng)典的K-means聚類

2、算法存在著需要人為指定最終聚類個數(shù)和初始聚類中心的問題；經(jīng)典的Apriori關聯(lián)規(guī)則算法需要頻繁掃描原始事務數(shù)據(jù)庫，而且在算法運行過程中產(chǎn)生的候選集過大，導致測試候選項集需要花費大量的時間。本文的研究工作主要就是如何在提高數(shù)據(jù)庫用戶行為模式分析的準確率的同時，有效的改進以上兩個算法的缺陷，具體的工作簡述如下：
　?。?）針對K-means算法需要在算法開始前人為指定參數(shù)的問題，本文提出了一種自適應的獲取最終聚類個數(shù)和聚類中心的策略

3、，降低了這兩個參數(shù)對算法最終聚類結(jié)果的影響，同時也在一定程度上避免最終聚類結(jié)果陷入局部最優(yōu)的情況出現(xiàn)。
　　（2）針對Apriori算法運行效率低下的問題，本文提出了使用數(shù)組向量和垂直數(shù)組表示原始事務數(shù)據(jù)庫的方法，在這兩個數(shù)據(jù)結(jié)構(gòu)的基礎上結(jié)合頻繁項目集的性質(zhì)定理，減少了算法掃描數(shù)據(jù)庫和對無用事務的掃描次數(shù)，并簡化了模式匹配操作，以此大大提高了算法的運行效率。
　　（3）本文提出一種基于聚類分析和關聯(lián)規(guī)則分析的數(shù)據(jù)庫用戶行為模