[发明专利]一种基于关联规则的数据表分类系统与方法

说明书

本发明公开了一种基于关联规则的数据表分类系统与方法，属于数据表分类技术领域；人工收集若干训练集数据表，所述训练集数据表包含类别数据表，利用所述训练集数据表构造所述类别数据表的类别空间；根据所述类别空间，对所述训练集数据表进行预处理；对所述预处理后的训练集数据表进行关联规则分析，并对所述关联规则进行筛选，得到所述类别数据表的关联规则；对需要进行识别的数据表进行预处理，利用所述类别数据表的关联规则对预处理后的数据表进行匹配，得到所述需要进行识别的数据表的类别信息。利用数据表的内容对数据表进行分类，有效的提高了数据表分类的准确性。

技术领域

本发明涉及一种数据表分类系统与方法，特别是一种基于关联规则的数据表分类系统与方法，用于对数据表进行分类。

背景技术

近年来，随着社会信息化进程的不断推进，企业数据不仅在数量上呈现递增的趋势，且具有类别多样、变化频繁、环境复杂化等特点。企业数据大都被分散存放在内部网络的不同数据仓库中，其中不乏高值敏感数据，给数据规范化管理造成一定难度，如管理者对数据分布情况很难完整把控。然而，内部网络中数据的存储形式、分布状况、类型、敏感与否对于管理者而言是极为重要的。因为这些信息可以帮助他们发现潜在风险、及时应对相关法律法规的监管，并在资源有限的情况下有选择的对关键数据采取对应的保护措施。这些问题主要涉及对数据源进行分析。

为了使管理者对企业的数据类型有一个直观而完整的把握，需要对企业的数据进行分类，这样才能针对不同的数据类别进行管理。而由于人工分类、标记企业的所有数据费时费力，所以使用程序将数据进行分类是非常有价值的。这里所说的分类指的是在对数据表内容的类别未知的情况下，根据数据表包含哪些数据字段，将数据表类型加以区分，在企业环境中，大部分的企业数据存储在数据表中，无论是数据库还是Excel表格中，它们都是结构化的数据表，每个数据表都是以字段来存储每条记录的内容。

专利申请“用于访问源数据库中的一组数据表格的方法和系统”(申请号：201410444212.9)提供了一种对源数据库中的一组数据表格进行分类的方法。该方法提供了一组度量，该度量是关于数据表的元数据和性能数据，如读写速率、记录的数目、字段的数目、主键和外键的数目、触发器类型等；该方法提供了一组数据表类别，该类别是根据上述度量的不同而区别的；该方法根据上述数据表类别及度量方式，将源数据库中的一组数据表格进行分类。该方法的不足在于，分类的依据只有数据库的物理属性即上述度量，而不涉及数据库中存储的数据内容，这样的分类依据不能区分内容类别不同的数据表，对于数据表的分类而言价值不高；此外，分类的结果只有三种，这样的分类结果误差较高且令人困惑。

发明内容

基于以上技术问题，本发明提供了一种基于关联规则的数据表分类系统与方法，解决了目前分类方法的依据只有数据库的物理属性，不涉及数据库中的数据内容导致分类结果误差高的技术问题。

本发明采用的技术方案如下：

一种基于关联规则的数据表分类系统与方法，包括以下步骤：

步骤1：人工收集若干训练集数据表，所述训练集数据表包含类别数据表，利用所述训练集数据表构造所述类别数据表的类别空间；

步骤2：根据所述类别空间，对所述训练集数据表进行预处理；

步骤3：对所述预处理后的训练集数据表进行关联规则分析，并对所述关联规则进行筛选，得到所述类别数据表的关联规则；

步骤4：对需要进行识别的数据表进行预处理，利用所述类别数据表的关联规则对预处理后的数据表进行匹配，得到所述需要进行识别的数据表的类别信息。

进一步的，实现所述步骤1的结构包括：数据表信息读取单元、数据表信息数据库、类别空间构造单元、类别空间信息数据库；

数据表信息读取单元：用于读取数据表的字段信息和数据个数；

数据表信息数据库：用于存储数据表中的数据信息；