| Abstract |
Dokumentorientētas NoSQL datubāzes tiek izvēlētas to caurlaidspējas un zemās aiztures dēļ, un tā pati shēmas elastība, kas nodrošina šīs īpašības, rada uzbrukumu virsmu, kuru uz parakstiem balstīti filtri nespēj droši nosegt. Kā aizsardzības slānis tiek piedāvāti uzraudzītas mašīnmācīšanās detekcijas dzinēji. Detekcijas dzinēji atrodas vaicājumu ceļā, kur par tiem katrs pieprasījums maksā ar aizturi. Esošajos pētījumos tiek ziņots par precizitāti un detekcijas kvalitāti, neziņojot par radīto secināšanas aizturi. Šā bakalaura darba mērķis ir kvantitatīvi novērtēt uzraudzītas mašīnmācīšanās metožu efektivitāti NoSQL injekcijas uzbrukumu identificēšanā, kur efektivitāte ir detekcijas kvalitātes un ekspluatācijas izmaksu apvienojums. Četri klasifikācijas algoritmi, proti, loģistiskā regresija, mākslīgais neironu tīkls, nejaušais mežs un k-tuvāko kaimiņu metode, tika apmācīti uz publicētas un marķētas MongoDB vaicājumu datu kopas, izmantojot identisku divdesmit vienas dimensijas pazīmju attēlojumu, un novērtēti vienotā eksperimentālajā apstrādes plūsmā uz vienas un tās pašas aparatūras. Katrs dzinējs tika validēts pret publicētajiem rezultātiem, pārbaudīts ar neatkarīgi veidotu datu kopu un hronometrēts katram vaicājumam. Visi četri dzinēji validācijā pārsniedza F2 vērtējumu 0,92, un ar neatkarīgo datu kopu to F2 vērtējums kritās par 28,9 līdz 39,2 procentpunktiem. Secināšanas aizture nošķīra dzinējus, kurus precizitāte vien nespēja nošķirt; neironu tīkla modelis klasificēja vaicājumus 0,4048 ms laikā, savukārt nejaušais mežs sasniedza salīdzināmu precizitāti 20,42 ms laikā. Neironu tīkls ir efektīvākais no četriem dzinējiem atbilstoši izvirzītajai definīcijai, un precizitātes ziņošana bez secināšanas izmaksām noslēpj detekcijas dzinēja patieso dzīvotspēju.
Bakalaura darbs sastāv no 52 lappusēm; tas satur četrus attēlus, 16 tabulas, divus pielikumus un 27 literatūras avotus. |
