Автоматизированная генерация SQL-запросов на основе ИИ для баз данных SQLite в мобильной криминалистике
AI-based automated SQL query generation for SQLite databases in Mobile forensics
2026-03-21
SCID: 54.1/ggeuzjhg
Discuss with AI
ForSQLiteLMбазы данных SQLiteгенерация Text-to-SQLмобильная криминалистикагенерация с дополнением поиска
Figures from the paper
Abstract (AI)
Базы данных SQLite играют центральную роль в криминалистическом анализе мобильных телефонов. Мобильные приложения часто используют их для хранения данных. Эффективное извлечение и интерпретация данных SQLite имеют решающее значение для реконструкции использования устройства и действий пользователя. На практике специалистам по цифровой криминалистике необходимо формулировать и анализировать сложные SQL-запросы для извлечения доказательств из различных разнородных баз данных. Эта задача требует обширных знаний SQL, схем баз данных и логики данных, специфичной для приложений. В настоящей работе исследуется подход на основе больших языковых моделей (LLM), предназначенный для помощи специалистам по цифровой криминалистике посредством автоматизации генерации SQL-запросов для криминалистического анализа. Это позволяет специалистам более эффективно выполнять запросы к базам данных SQLite и снижает требования к техническим навыкам. Сначала предлагается набор данных для мобильной криминалистики, охватывающий типичные вопросы расследований и структуры баз данных. Затем этот набор данных используется для дообучения локальной LLM. Представлена модель ForSQLiteLM — модель Llama 3.2-3B bf16. Она оптимизирована на самостоятельно сформированном специализированном наборе данных, адаптированном к сценариям мобильной криминалистики. Для оценки эффективности генерации криминалистических запросов ForSQLiteLM сравнивается с несколькими современными LLM. Показано, что эффективная криминалистическая генерация Text-to-SQL может быть реализована с помощью локально развёртываемой LLM с 3 млрд параметров посредством сочетания реалистичных схем SQLite, оценки на основе выполнения запросов и предметно-ориентированного дообучения. Наконец, в качестве доказательства концепции демонстрируется интеграция предложенной модели в инструмент извлечения данных FQLite посредством конвейера генерации с дополнением извлечёнными данными (RAG). Основные результаты включают: подход на основе LLM для помощи специалистам посредством автоматизации генерации SQL-запросов для криминалистического анализа; введение нового и уникального набора данных для мобильной криминалистики; дообучение LLM на специализированном наборе данных; сравнительное исследование дообученной модели и других LLM; а также исследование в формате доказательства концепции.
Key Findings
1
В рамках проверки концепции модель интегрирована в инструмент извлечения данных FQLite с использованием конвейера генерации с дополнением извлечёнными данными.
2
Эффективная генерация запросов Text-to-SQL для криминалистики достигается сочетанием реалистичных схем, оценки на основе выполнения запросов и предметного дообучения.
3
ForSQLiteLM — локально развёртываемая модель Llama 3.2-3B bf16, дообученная на предметно-ориентированных данных для генерации криминалистических SQL-запросов SQLite.
4
ForSQLiteLM сопоставляется с несколькими современными большими языковыми моделями для оценки эффективности генерации криминалистических SQL-запросов.
5
В работе представлен датасет для мобильной криминалистики, содержащий типичные следственные вопросы и неоднородные структуры баз данных SQLite.
Research Object
Базы данных SQLite, используемые в криминалистическом анализе мобильных телефонов
Research Subject
Автоматизированная генерация SQL-запросов и их криминалистическая эффективность при извлечении и интерпретации доказательств из разнородных баз данных мобильных приложений
Publication Details
Publication Date
2026-03-21
Journal
Publisher
ISSN
Cited by
0
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest