基于数据库的数据处理方法、装置、设备和存储介质与流程

1.本技术涉及人工智能
技术领域：
，具体涉及一种基于数据库的数据处理方法、装置、设备和存储介质。
背景技术：
：2.随着数据库技术的快速发展，各种类型的数据库应运而生，业务方对于数据库的使用越来频繁，为了满足市场需要，业务方需要频繁改善数据库的产品质量以提升用户的使用体验。通常，业务方可以通过对数据库中的表数据进行变更，如通过数据操作语言(datamanipulationlanguage，dml)的变更来实现数据库的变更操作，但一些不规范的数据库变更操作容易导致操作错误、事务响应超时、数据库故障等问题，从而直接影响整个数据库的可用性。为了减少上述不良影响，在开发人员提交数据变更的dml语句时，需要由数据库管理员(databaseadministrator，dba)完成该dml语句的审核和影响评估，只有dml语句通过了审核后才会在数据库内执行该dml语句。上述现有的数据库的变更处理方式，整个过程涉及大量人工操作，不仅需要占用大量人力资源，耗时耗力，且对于dml语句的审核效率较低且易出错，影响数据库变更的效率。技术实现要素：3.本技术的主要目的为提供一种基于数据库的数据处理方法、装置、计算机设备和存储介质，旨在解决现有的数据库的变更处理方式，整个过程涉及大量人工操作，不仅需要占用大量人力资源，耗时耗力，且对于dml语句的审核效率较低且易出错，影响数据库变更的效率的技术问题。4.本技术提出一种基于数据库的数据处理方法，所述方法包括步骤：5.判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；6.若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；7.若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；8.若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；9.若审核通过，对所述dml语句进行解析得到对应的解析信息；10.基于所述解析信息与预设的备份语句模板生成对应的备份语句；11.获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；12.若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；13.基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。14.可选地，所述获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及指定虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过的步骤，包括：15.获取预存储的所述用户白名单，判断所述用户白名单内是否存储有与所述用户信息相同的指定用户信息；16.若存储有所述指定用户信息，获取所述用户的人脸图像，基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果；其中，所述预设数量大于1，各所述人脸表情识别模型分别是基于不同的训练样本集训练生成的；17.从所有所述表情识别结果中筛选出现次数最多的指定表情识别结果，并判断所述指定表情识别结果是否属于预设表情类型；18.若不属于所述预设表情类型，获取所述用户的虹膜图像，从所述虹膜图像中获取与指定眼睛信息对应的目标虹膜图像，并将所述目标虹膜图像中的虹膜区域划分为多个第一子区块；19.从预存储的与所述指定用户信息对应的所有所述标准虹膜图像中筛选出与所述指定眼睛信息对应的指定虹膜图像；20.基于所述目标虹膜图像的区块划分方式，将所述指定虹膜图像中的虹膜区域划分为对应的多个第二子区块；21.分别对所述目标虹膜图像包含的所有第一子区块与所述指定虹膜图像包含的所有第二子区块进行一一对应的比对处理，得到比对处理后的多个相似度；22.获取预设的相似度阈值，并判断得到的所有所述相似度是否均大于所述相似度阈值；23.若均大于所述相似度阈值，判定身份验证通过，否则判定身份验证不通过。24.可选地，所述基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果的步骤之前，包括：25.获取预设数量的训练样本集；其中，每一个训练样本集的训练样本包括若干样本人脸图像，以及与样本人脸图像对应的表情结果标注信息；26.从所有所述训练样本集中筛选出特定训练样本集，将所述特定训练样本集中的样本人脸图像作为预设的初始识别模型的输入，将与样本人脸图像对应的表情结果标注信息作为所述初始识别模型的输出对所述初始识别模型进行训练，得到训练完成的初始识别模型；其中，所述特定训练样本集为所有所述训练样本集中的任意一个样本集；27.获取预设的验证样本集，并使用所述验证样本集对所述训练完成的初始识别模型进行验证，并判断是否验证通过；28.若验证通过，则将所述训练完成的初始识别模型作为与所述特定训练样本集对应的人脸表情识别模型。29.可选地，，所述基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过的步骤，包括：30.判断所述dml语句中是否包含与所述目标数据库对应的执行计划信息；31.若包含所述执行计划信息，对所述dml语句进行语法分析，得到对应的分析结果；32.判断所述分析结果是否符合所述语法规则；33.若符合语法规则，对所述dml语句进行语义检查，判断所述目标数据库中是否包含有所述dml语句中包含的指定信息；其中，所述指定信息至少包括表名信息；34.若包含所述指定信息，判定审核通过；35.若不包含所述指定信息，判定审核不通过。36.可选地，所述基于所述解析信息与预设的备份语句模板生成对应的备份语句的步骤，包括：37.获取与所述目标数据库对应的数据库类型；38.获取与所述数据库类型对应的备份语句模板；39.从所述备份语句模板中获取与预设的解析信息字段对应的字段信息填充位置，并将所述解析信息对应填充至所述字段信息填充位置，得到填充后的备份语句模板；40.将所述填充后的备份语句模板作为所述备份语句。41.可选地，所述获取与所述目标数据库对应的空闲时间段的步骤，包括：42.按照预设的长度划分数值将一天的时间划分为多个时间段；43.获取预设的繁忙时间段列表，并基于所述繁忙时间段列表从所有所述时间段中筛选出符合预设条件的第一时间段；其中，所述第一时间段的数量为多个；44.基于预存储的历史资源消耗数据记录，获取所述目标数据库在预设时间周期内的各所述第一时间段的资源消耗数据；45.获取预设的资源消耗阈值；46.从所有所述第一时间段中筛选出，在所述预设时间周期内每一天中第一时间段的资源消耗数据均大于所述资源消耗阈值的第二时间段；47.将所述第二时间段从所述第一时间段中删除，得到对应的第三时间段；48.将所述第三时间段作为所述空闲时间段。49.可选地，所述基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果的步骤，包括：50.获取所述行数阈值；51.判断所述影响行数是否小于所述行数阈值；52.若小于所述行数阈值，生成所述dml语句不具备风险的第一风险分析结果，并在所述目标数据库内执行所述dml语句；53.若不小于所述行数阈值，生成所述dml语句具备风险的第二风险分析结果，并限制在所述目标数据库内执行所述dml语句；54.获取预设的风险提醒信息，并展示所述风险提醒信息。55.本技术还提供一种基于数据库的数据处理装置，包括：56.第一判断模块，用于判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；57.第二判断模块，用于若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；58.验证模块，用于若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；59.审核模块，用于若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；60.解析模块，用于若审核通过，对所述dml语句进行解析得到对应的解析信息；61.生成模块，用于基于所述解析信息与预设的备份语句模板生成对应的备份语句；62.第三判断模块，用于获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；63.统计模块，用于若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；64.处理模块，用于基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。65.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。66.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。67.本技术中提供的基于数据库的数据处理方法、装置、计算机设备和存储介质，具有以下有益效果：68.本技术中提供的基于数据库的数据处理方法、装置、计算机设备和存储介质，不同于现有的基于人工审核dml语句来进行数据库变更的方式，本技术在获取用户输入的对目标数据库的数据操作请求中的dml语句且判别出用户通过身份验证时，会基于预设的语法规则对所述dml语句进行审核处理，并在审核通过后，会进一步基于该dml语句的解析信息与预设的备份语句模板生成的备份语句对dml语句进行风险评估，并基于所述风险分析结果对所述dml语句进行对应处理，以实现自动化的形式完成对于dml语句的审核及风险评估。通过本技术可以自动快速且准确地进行对于dml语句的审核及风险评估，从而不再需要占用大量人力资源，大大的减少了人工工作量，有效地提高了对于dml语句的审核效率，保证了生成的审核结果的准确性，并且有利于提高数据库变更的处理效率。附图说明69.图1是本技术一实施例的基于数据库的数据处理方法的流程示意图；70.图2是本技术一实施例的基于数据库的数据处理装置的结构示意图；71.图3是本技术一实施例的计算机设备的结构示意图。72.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式73.应当理解，此处所描述的具体实施例仅仅用于解释本技术，并不用于限定本技术。74.本
技术领域：
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。75.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。76.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。77.参照图1，本技术一实施例的基于数据库的数据处理方法，包括：78.s10：判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；79.s20：若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；80.s30：若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；81.s40：若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；82.s50：若审核通过，对所述dml语句进行解析得到对应的解析信息；83.s60：基于所述解析信息与预设的备份语句模板生成对应的备份语句；84.s70：获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；85.s80：若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；86.s90：基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。87.如上述步骤s10至s90所述，本方法实施例的执行主体为一种基于数据库的数据处理装置。在实际应用中，上述基于数据库的数据处理装置可以通过虚拟装置，例如软件代码实现，也可以通过写入或集成有相关执行代码的实体装置实现，且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例中的基于数据库的数据处理装置，能够实现自动快速且准确地进行对于dml语句的审核及风险评估，有效地提高了对于dml语句的审核效率，保证了生成的审核结果的准确性。具体地，首先判断是否接收到用户输入的与目标数据库对应的数据操作请求。其中，所述数据操作请求携带dml语句与所述用户的用户信息。dml(datamanipulationlanguage，数据操纵语言)是用于数据库操作，对数据库其中的对象和数据运行访问工作的编程语句，通常是数据库专用编程语言之中的一个子集，例如在信息软件产业通行标准的sql语言中，以insert、update、delete三种指令为核心，分别代表插入(意指新增或创建)、更新(修改)与删除(销毁)。dml语句都是对数据行进行操作，每次操作数据按行操作，可以理解为每行数据为一个数据单元，存储指定数据。另外，所述数据操作请求是指通过在目标数据库内执行所述dml语句以实现对于目标数据库内的相关数据的变更处理，例如可以是在目标数据库中插入一列、删除一列等等，或者是在目标数据库的某个表格中插入数据、删除数据、或者修改数据等等。此外，所述用户信息可包括用户姓名信息。88.若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内。其中，所述预设名单为存储有安全性需求较高的数据库的名称，对于安全性需求较高的数据库，在数据库执行dml语句前需要对数据库进行相应的备份处理，可以通过在目标数据库执行基于dml语句生成的备份语句来实现预先对dml语句涉及到的表进行备份。另外，只有目标数据库处于预设名单内后续才会进行对目标数据库进行备份处理，否则会直接执行该dml语句，从而可以保证dml语句执行的规范性。若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过。其中，可基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像，通过采用名单比对、表情识别以及虹膜图像比对等多重身份验证方式来实现对于用户的身份验证处理。另外，对用户的身份验证将在后续的具体实施例中对此作进一步的描述，在此不予赘述。89.若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过。其中，可采用同时判断所述dml语句中是否包含与所述目标数据库对应的执行计划信息，判断所述dml语句进行语法分析后得到的分析结果是否符合所述语法规则，以及判断所述目标数据库中是否包含有所述dml语句中包含的指定信息来实现对于dml语句的审核处理。若审核通过，对所述dml语句进行解析得到对应的解析信息。其中，通过对所述dml语句进行解析可以拆分出解析信息，所述解析信息可包括该dml语句影响的表名信息与筛选条件信息，所述筛选条件信息对应于在目标数据库中需要进行变更(插入或者删除或者修改)的数据信息，所述表名信息是指提供需要进行变更的数据的表的名称。举例地，所述筛选条件信息可包括数据库类型信息、数据库实例连接信息等。然后基于所述解析信息与预设的备份语句模板生成对应的备份语句。其中，可先获取与所述目标数据库的数据库类型对应的备份语句模板，再将所述解析信息对应填充至备份语句模板中与预设的解析信息字段对应的字段信息填充位置，从而生成与目标数据库对应的所述备份语句。90.之后获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内。其中，可通过对目标数据库的历史资源消耗数据记录进行分析统计处理以确定出该目标数据库的空闲时间段。所述空闲时间段的确定过程将在后续的具体实施例中对此作进一步的描述，在此不予赘述。若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数。其中，所述影响行数是指所述备份语句在目标数据库中执行完毕后得到的目标数据的行数数据，且对应于在目标数据库内执行所述dml语句会对目标据库中带来影响的数据的行数数据。另外，为了防止数据库在执行dml语句出现失败情况后，能够及时恢复变更前的数据库，会预先通过在目标数据库执行备份语句来实现预先对dml语句涉及到的表进行备份。所述备份是指仅仅对dml语句涉及到的表进行备份，而不会从目标数据库在备份前的所有数据进行备份，从而备份的整个过程数据量较少，消耗时间较短，占用的存储空间有限。由于仅仅会备份执行dml语句前后目标数据库中的差量数据，使得需要备份的数据量较少，从而提高数据备份的智能性。此外，在备份完成后可以在界面展示一个备份结果来告知用户。91.最后基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。其中，如果所述影响行数小于所述行数阈值，则生成所述dml语句不具备风险的第一风险分析结果，并在所述目标数据库内执行所述dml语句。而如果所述影响行数不小于所述行数阈值，则生成所述dml语句具备风险的第二风险分析结果，并限制在所述目标数据库内执行所述dml语句，以及可获取预设的风险提醒信息，并展示所述风险提醒信息。92.不同于现有的基于人工审核dml语句来进行数据库变更的方式，本实施例在获取用户输入的对目标数据库的数据操作请求中的dml语句且判别出用户通过身份验证时，会基于预设的语法规则对所述dml语句进行审核处理，并在审核通过后，会进一步基于该dml语句的解析信息与预设的备份语句模板生成的备份语句对dml语句进行风险评估，并基于所述风险分析结果对所述dml语句进行对应处理，以实现自动化的形式完成对于dml语句的审核及风险评估。通过本实施例可以自动快速且准确地进行对于dml语句的审核及风险评估，从而不再需要占用大量人力资源，大大的减少了人工工作量，有效地提高了对于dml语句的审核效率，保证了生成的审核结果的准确性，并且有利于提高数据库变更的处理效率。93.进一步地，本技术一实施例中，上述步骤s30，包括：94.s300：获取预存储的所述用户白名单，判断所述用户白名单内是否存储有与所述用户信息相同的指定用户信息；95.s301：若存储有所述指定用户信息，获取所述用户的人脸图像，基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果；其中，所述预设数量大于1，各所述人脸表情识别模型分别是基于不同的训练样本集训练生成的；96.s302：从所有所述表情识别结果中筛选出现次数最多的指定表情识别结果，并判断所述指定表情识别结果是否属于预设表情类型；97.s303：若不属于所述预设表情类型，获取所述用户的虹膜图像，从所述虹膜图像中获取与指定眼睛信息对应的目标虹膜图像，并将所述目标虹膜图像中的虹膜区域划分为多个第一子区块；98.s304：从预存储的与所述指定用户信息对应的所有所述标准虹膜图像中筛选出与所述指定眼睛信息对应的指定虹膜图像；99.s305：基于所述目标虹膜图像的区块划分方式，将所述指定虹膜图像中的虹膜区域划分为对应的多个第二子区块；100.s306：分别对所述目标虹膜图像包含的所有第一子区块与所述指定虹膜图像包含的所有第二子区块进行一一对应的比对处理，得到比对处理后的多个相似度；101.s307：获取预设的相似度阈值，并判断得到的所有所述相似度是否均大于所述相似度阈值；102.s308：若均大于所述相似度阈值，判定身份验证通过，否则判定身份验证不通过。103.如上述步骤s300至s308所述，所述获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及指定虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过的步骤，具体可包括：首先获取预存储的所述用户白名单，判断所述用户白名单内是否存储有与所述用户信息相同的指定用户信息。其中，所述用户白名单为预先收集的具有合法身份的用户的姓名信息的名单数据。若存储有所述指定用户信息，获取所述用户的人脸图像，基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果。其中，所述预设数量大于1，各所述人脸表情识别模型分别是基于不同的训练样本集训练生成的。具体的，所述人脸表情识别模型是基于预设的训练样本集，利用机器学习方法对初始识别模型，例如可为神经网络进行训练后得到的模型。上述预设数量可以为预先设定的大于1的数值，例如可以为3个、4个、5个等。不同的人脸表情识别模型是基于不同的训练样本集训练得到的。因此，对于相同的一个人脸图像所呈现的人脸表情，不同的人脸表情识别模型识别出来的用于指示该人脸图像所呈现的表情识别结果并不完全相同。当仅仅使用一个人脸表情识别模型来对人脸图像进行表情识别时，其所输出的表情识别结果的准确率较低，具有片面性。而通过利用上述预设数量的多个人脸表情识别模型来对人脸图像呈现的人脸表情进行表情识别，可以提高所得到的人脸图像中用户的表情识别结果的准确性，进而能根据得到的所有表情识别结果来准确地进行对于用户的身份验证处理。然后从所有所述表情识别结果中筛选出现次数最多的指定表情识别结果，并判断所述指定表情识别结果是否属于预设表情类型。然后从所有所述表情识别结果中筛选出现次数最多的指定表情识别结果，并判断所述指定表情识别结果是否属于预设表情类型。其中，上述预设表情类型是指用户在进行身份验证的过程中当存在欺骗意图时容易流露出的表情，例如害怕、惊谎、紧张等表情。当从所有所述表情识别结果中筛选得到的出现次数最多的指定表情识别结果属于预设表情类型时，则会对用户是否为合法用户本人持怀疑态度。另外，通过采用预设数量个的人脸表情识别模型来对上述用户的人脸图像进行表情识别以获取到对应的预设数量个的表情识别结果，再判断基于所有表情识别结果得到的指定表情识别结果是否属于预设表情类型，从而可以避免仅利用一个人脸表情识别模型对人脸图像进行表情识别而导致识别结果不准确，从而有效地提高了对于人脸图像的表情识别的准确率，进而提高使用表情识别模型对用户进行身份验证的准确性。若不属于所述预设表情类型，获取所述用户的虹膜图像，从所述虹膜图像中获取与指定眼睛信息对应的目标虹膜图像，并将所述目标虹膜图像中的虹膜区域划分为多个第一子区块。其中，对于目标虹膜图像中的虹膜区域所采用的区块划分方式不作限定，只需保证目标虹膜图像中的虹膜区域所采用的划分方式与指定虹膜图像中的虹膜区域划分方式相同即可。另外，所述指定眼睛信息是指虹膜图像所对应的眼睛的方向信息，可包括左眼或右眼。之后从预存储的与所述指定用户信息对应的所有所述标准虹膜图像中筛选出与所述指定眼睛信息对应的指定虹膜图像。在得到指定虹膜图像后，基于所述目标虹膜图像的区块划分方式，将所述指定虹膜图像中的虹膜区域划分为对应的多个第二子区块。后续分别对所述目标虹膜图像包含的所有第一子区块与所述指定虹膜图像包含的所有第二子区块进行一一对应的比对处理，得到比对处理后的多个相似度。其中，所述比对处理可为使用图像相似度算法进行相似度计算的处理，可采用现有的图像相似度算法进行比对处理。最后获取预设的相似度阈值，并判断得到的所有所述相似度是否均大于所述相似度阈值。其中，对于所述相似度阈值的取值不作具体限定，可根据实际需求进行设置。若均大于所述相似度阈值，判定身份验证通过，否则判定身份验证不通过。本实施例通过采用名单比对、表情识别以及虹膜图像比对等多重身份验证方式来实现对于用户的身份验证处理，有效的提高了身份验证的准确性与可靠性，避免出现由于响应了非法用户触发的输入的对于目标数据库的数据操作请求而导致不良后果，有效地保证了对于数据库的数据操作过程中的数据安全性。并且只有在用户通过了身份验证时，后续才会对接收到的数据操作请求进行进一步的响应，有效地提高了请求处理的安全性。104.进一步地，本技术一实施例中，上述步骤s301之前，包括：105.s3010：获取预设数量的训练样本集；其中，每一个训练样本集的训练样本包括若干样本人脸图像，以及与样本人脸图像对应的表情结果标注信息；106.s3011：从所有所述训练样本集中筛选出特定训练样本集，将所述特定训练样本集中的样本人脸图像作为预设的初始识别模型的输入，将与样本人脸图像对应的表情结果标注信息作为所述初始识别模型的输出对所述初始识别模型进行训练，得到训练完成的初始识别模型；其中，所述特定训练样本集为所有所述训练样本集中的任意一个样本集；107.s3012：获取预设的验证样本集，并使用所述验证样本集对所述训练完成的初始识别模型进行验证，并判断是否验证通过；108.s3013：若验证通过，则将所述训练完成的初始识别模型作为与所述特定训练样本集对应的人脸表情识别模型。109.如上述步骤s3010至s3013所述，在执行所述基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果的步骤之前，还可包括人脸表情识别模型的训练生成过程。具体地，首先获取预设数量的训练样本集。其中，每一个训练样本集的训练样本包括若干样本人脸图像，以及与样本人脸图像对应的表情结果标注信息。另外，所获取的训练样本集的数量与上述人脸表情识别模型的数量相同，也即训练样本集与人脸表情识别模型之间为一一对应的关系。此外，每一个上述训练样本集中包含的样本图像的表情结果标注信息可以是基于不同的标注方式进行标注生成的，具体的，上述不同的标注方式具体可以为由不同的人基于主观判断进行标注的方法。由于每一个训练样本集中的人脸图像的表情结果标注信息均是由不同的人基于主观判断来标注生成的，因此对于相似的样本人脸图像中的人脸表情，不同的人进行标注会可能会得到不同的表情结果标注信息，这样可以使得样本人脸图像中的表情标注信息能够更加全面。然后从所有所述训练样本集中筛选出特定训练样本集，将所述特定训练样本集中的样本人脸图像作为预设的初始识别模型的输入，将与样本人脸图像对应的表情结果标注信息作为所述初始识别模型的输出对所述初始识别模型进行训练，得到训练完成的初始识别模型。其中，所述特定训练样本集为所有所述训练样本集中的任意一个样本集。另外，可以使用现有的卷积神经网络结构作为上述初始识别模型进行训练，但并不局限于卷积神经网络。具体的，上述训练完成的初始识别模型的训练过程可包括：将特定训练样本集中的特定样本人脸图像输入至待训练的初始识别模型的特征提取层，以得到图像特征。该特征提取层可以包括卷积层、池化层等。上述图像特征可以包括用于指示所呈现的面部眉毛、耳朵、眼睛、嘴型等部位的特征。然后将所得到的图像特征输入至上述初始识别模型的全连接层，从而输出该特定样本人脸图像属于所呈现的人脸表情为所标注的表情结果标注信息的概率值。最后基于所得到的与特定样本面部图像对应的概率值，确定预设损失函数是否收敛。如果预设损失函数收敛，则确定初始识别模型训练完成。上述预设损失函数可以为softmax损失函数，可以将所得到的概率值代入softmax损失函数来确定该softmax损失函数是否收敛。上述收敛是指预设损失函数达到预设损失值。而如果预设损失函数未收敛，则调整待训练的初始模型的参数，利用反向传播算法继续执行上述训练步骤，直至该损失函数收敛，进而完成训练过程以得到所述训练完成的初始识别模型。之后获取预设的验证样本集，并使用所述验证样本集对所述训练完成的初始识别模型进行验证，并判断是否验证通过。其中，所述验证样本集可为预先收集的与上述训练样本集不同的数据样本集。另外，对对所述训练完成的初始识别模型进行验证可计算训练完成的初始识别模型在处理该验证样本集时的分类精确率，并将该分类精确率与预设的精确率阈值进行比较，若分类精确率大于该精确率阈值则判定验证通过，否则判定验证不通过。此外，计算分类精确率的方式可采用现有的计算方式，在此不作过多赘述。若验证通过，则将所述训练完成的初始识别模型作为与所述特定训练样本集对应的人脸表情识别模型。其中，在生成了人脸表情识别模型后，还可将人脸表情识别模型存储至区块链网络，通过使用区块链来对表情识别模型进行存储和管理，能够有效地保证表情识别模型的安全性与不可篡改性。本实施例通过训练生成人脸表情识别模型，使得后续能够基于该人脸表情识别模型来准确地识别出用户的人脸图像中包含的表情识别结果，进而可以根据与用户对应的指定表情识别结果来判别用户当前的表情是否属于指定表情类型，并根据判别结果实现对于用户的准确的身份验证。110.进一步地，本技术一实施例中，上述步骤s40，包括：111.s400：判断所述dml语句中是否包含与所述目标数据库对应的执行计划信息；112.s401：若包含所述执行计划信息，对所述dml语句进行语法分析，得到对应的分析结果；113.s402：判断所述分析结果是否符合所述语法规则；114.s403：若符合语法规则，对所述dml语句进行语义检查，判断所述目标数据库中是否包含有所述dml语句中包含的指定信息；其中，所述指定信息至少包括表名信息；115.s404：若包含所述指定信息，判定审核通过；116.s405：若不包含所述指定信息，判定审核不通过。117.如上述步骤s400至s405所述，所述基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过的步骤，具体可包括：首先判断所述dml语句中是否包含与所述目标数据库对应的执行计划信息。其中，所述执行计划信息是指在dml语句前添加的生成执行计划关键字。不同类型的数据库会对应有不同的生成执行计划关键字，举例地，对oracle数据库而言是“explainplanfor”，对mysql而言是“explain”。所述oracle、mysql是指dml语句所对应的数据库类型。通过对dml语句加上生成执行计划关键字，才能将加上生成执行计划关键字的dml语句送入对应的数据库进行执行，从而生成执行计划的语句，进而能够从dml语句中获取到对应的执行计划信息。如获取执行计划信息失败则说明此条dml语句存在格式问题，且若存在问题则会跳过下一步，直接报错信息返回。若包含所述执行计划信息，对所述dml语句进行语法分析，得到对应的分析结果。其中，所述语法规则是指根据实际需求预先编写生成的与目标数据库对应的语法规则，即符合目标数据库的语法结构需求的规则。然后判断所述分析结果是否符合所述语法规则。具体的，可通过对dml语句进行ast抽象语法树分析，获取语句每个组件的含义，如select列表、where子句、排序字段、分组字段等，并根据获取到的组件含义信息判断dml语句是否符合该语法规则，如语句模型是否符合所述语法规则，语句影响性能是否符合相应的语法规则。若符合语法规则，之后对所述dml语句进行语义检查，判断所述目标数据库中是否包含有所述dml语句中包含的指定信息。其中，所述指定信息至少包括表名信息。另外，由于dml语句是用于在目标数据库中进行执行，为了保证执行过程中不会对目标数据库造成较大影响，还需要进一步对dml语句进行内容审核，可以通过内部预设的sqlparserd组件对dml语句进行词法分析来实现对dml语句的语义检查得到对应的指定信息，进而检测目标数据库中是否包括有dml语句中对应的指定信息，如表名信息和/或列名信息。若不包括dml语句对应的表或列，则认为该dml语句的内容是错误的，此时可以生成错误内容的提示信息并在界面上展示，以供用户参考并修改。若包含所述指定信息，判定审核通过。而若不包含所述指定信息，判定审核不通过。本实施例通过利用自动化的方式对所述dml语句进行审核处理，有效地提高了审核效率，也保证了生成的审核结果的准确性。另外，只有在dml语句审核通过时，后续才会对所述dml语句进行解析处理以生成相应的备份语句，有效地提高了对于dml语句的处理智能性。118.进一步地，本技术一实施例中，上述步骤s60，包括：119.s600：获取与所述目标数据库对应的数据库类型；120.s601：获取与所述数据库类型对应的备份语句模板；121.s602：从所述备份语句模板中获取与预设的解析信息字段对应的字段信息填充位置，并将所述解析信息对应填充至所述字段信息填充位置，得到填充后的备份语句模板；122.s603：将所述填充后的备份语句模板作为所述备份语句。123.如上述步骤s600至s603所述，所述基于所述解析信息与预设的备份语句模板生成对应的备份语句的步骤，具体可包括：首先获取与所述目标数据库对应的数据库类型。然后获取与所述数据库类型对应的备份语句模板。其中，对于不同数据库的数据库类型，会预先设置有与不同数据库对应的备份语句模板，使得后续可以基于备份语句模板的使用来快速的生成相应的备份语句，进而提高备份语句生成的速率与准确性。举例地，数据库类型为mysql对应的备份语句目标为：124.createtable[schame_name].[back_table_name]like[table_name][0125]insertinto[schame_name].[back_table_name]select*from[table_name]where[condition][0126]之后从所述备份语句模板中获取与预设的解析信息字段对应的字段信息填充位置，并将所述解析信息对应填充至所述字段信息填充位置，得到填充后的备份语句模板。其中，所述解析信息包括表名信息与筛选条件信息，对应的，所述解析信息字段可包括表名信息字段与筛选条件信息字段，且在所述备份语句模板中会设置有与表名信息字段对应的字段信息填充位置，以及与筛选条件信息字段对应的字段信息填充位置。具体的，在获取到目标数据库的数据库类型对应的备份语句模板后，通过将从dml语句中解析出的表名信息填充至备份语句模板中与表名信息字段对应的字段信息填充位置，并将从dml语句中解析出的筛选条件信息填充至备份语句模板中与筛选条件信息字段对应的字段信息填充位置，从而可以得到与目标数据库对应的所述备份语句。最后将所述填充后的备份语句模板作为所述备份语句。本实施例通过基于预设的备份语句模板可以快速准确地生成与所述目标数据库对应的备份语句，有利于后续可以将所述备份语句执行至所述目标数据库内，并能够准确地获取到所述备份语句执行完毕后得到的目标数据，进而可以基于得到的目标数据快速的生成与所述dml语句对应的风险分析结果，保证了得到的风险分析结果的准确性。[0127]进一步地，本技术一实施例中，上述步骤s7的获取与所述目标数据库对应的空闲时间段，包括：[0128]s700：按照预设的长度划分数值将一天的时间划分为多个时间段；[0129]s701：获取预设的繁忙时间段列表，并基于所述繁忙时间段列表从所有所述时间段中筛选出符合预设条件的第一时间段；其中，所述第一时间段的数量为多个；[0130]s702：基于预存储的历史资源消耗数据记录，获取所述目标数据库在预设时间周期内的各所述第一时间段的资源消耗数据；[0131]s703：获取预设的资源消耗阈值；[0132]s704：从所有所述第一时间段中筛选出，在所述预设时间周期内每一天中第一时间段的资源消耗数据均大于所述资源消耗阈值的第二时间段；[0133]s705：将所述第二时间段从所述第一时间段中删除，得到对应的第三时间段；[0134]s706：将所述第三时间段作为所述空闲时间段。[0135]如上述步骤s700至s706所述，所述获取与所述目标数据库对应的空闲时间段的步骤，具体可包括：首先按照预设的长度划分数值将一天的时间划分为多个时间段。其中，对于上述时间段的划分方式不作具体限定，且划分得到的每个时间段包含的时间长度也可根据实际需求设定，例如可以使用4小时作为上述长度划分数值，即一个时间段所包含的时间长度，则从0时开始可将一天(24小时)划分为6个时间段，0：00‑4：00，4：00‑8：00，8：00‑12：00，12：00‑16：00，16：00‑20：00，20：00‑24：00。然后获取预设的繁忙时间段列表，并基于所述繁忙时间段列表从所有所述时间段中筛选出符合预设条件的第一时间段。其中，所述第一时间段的数量为多个。另外，上述繁忙时间段列表可为预先生成的包含有目标数据库的业务繁忙的时间段的表格，预设条件是指从得到的所有时间段中剔除掉所述业务繁忙的时间段，进而得到相应的第一时间段。举例地，假如繁忙时间段列表包含有8：00‑12：00与16：00‑20：00两个时间段，则可筛选出第一时间段为0：00‑4：00，4：00‑8：00，12：00‑16，20：00‑24：00。通过利用繁忙时间段列表对所有时间段进行初步筛选，使得后续只需对预设时间周期内各所述第一时间段的资源消耗数据进行统计，而不用对所有时间段内的资源消耗数据进行统计分析，有效的减少了数据统计量，降低了装置的统计损耗，提高了装置的处理智能性。之后基于预存储的历史资源消耗数据记录，获取所述目标数据库在预设时间周期内的各所述第一时间段的资源消耗数据。其中，对于所述预设时间周期不作具体限定，可根据实际需求进行设置。举例地，所述预设时间周期可为与当前时间相邻的上一个月。后续获取预设的资源消耗阈值。其中，对于上述资源消耗阈值不作具体限定，可根据实际需求进行设置。在得到所述资源消耗阈值后，从所有所述第一时间段中筛选出，在所述预设时间周期内每一天中第一时间段的资源消耗数据均大于所述资源消耗阈值的第二时间段。其中，由于目标数据库在上述预设时间周期内的任意一天中的第二时间段的资源消耗数据均大于所述资源消耗阈值，表明目标数据库在第二时间段内通常是处于业务繁忙的状态，进而可将该第二时间段作为目标数据库的数据处理高峰时间段。最后将所述第二时间段从所述第一时间段中删除，得到对应的第三时间段，并将所述第三时间段作为所述空闲时间段。其中，通过将目标数据库的数据处理高峰时间段从所述第一时间段中删除，便可以得到目标数据库的空闲时间段。本实施例通过对目标数据库的历史资源消耗数据记录进行分析统计处理，能够智能准确地确定出该目标数据库的空闲时间段。使得后续能够避开目标数据库的数据处理高峰时间段，并在其空闲时间段内将所述备份语句执行至所述目标数据库内，从而降低备份语句执行给目标数据库带来的压力，以及可以降低数据处理高峰时间段对目标数据库的处理资源的高要求，进而有效地减少备份语句执行的处理成本，提高备份语句处理的智能性。[0136]进一步地，本技术一实施例中，上述步骤s9，包括：[0137]s900：获取所述行数阈值；[0138]s901：判断所述影响行数是否小于所述行数阈值；[0139]s902：若小于所述行数阈值，生成所述dml语句不具备风险的第一风险分析结果，并在所述目标数据库内执行所述dml语句；[0140]s903：若不小于所述行数阈值，生成所述dml语句具备风险的第二风险分析结果，并限制在所述目标数据库内执行所述dml语句；[0141]s904：获取预设的风险提醒信息，并展示所述风险提醒信息。[0142]如上述步骤s900至s904所述，所述基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果的步骤，具体可包括：首先获取所述行数阈值。其中，上述行数阈值可指预先规定的执行单条dml语句的最大影响行数，对于行数阈值的取值不作具体限定，可根据实际需求进行设置，例如可设为10000。然后判断所述影响行数是否小于所述行数阈值。其中，dml语句是用于在目标数据库执行以实现插入、删除或者变更信息。通过在目标数据库执行备份语句，可以间接地获取到在目标数据库执行所述dml语句得到的影响行数，所述影响行数是指执行所述dml语句对目标数据库中会造成影响的数据的行数。若小于所述行数阈值，生成所述dml语句不具备风险的第一风险分析结果，并在所述目标数据库内执行所述dml语句。而若不小于所述行数阈值，生成所述dml语句具备风险的第二风险分析结果，并限制在所述目标数据库内执行所述dml语句。其中，如果根据用户提交的dml语句生成的备份语句在目标数据库执行后得到的目标数据的影响行数不小于所述行数阈值，则会判定该dml语句可能会存在造成事故的风险。而当判定影响行数不小于所述行数阈值时，则会从根本上限制用户无法在目标数据库执行违规的dml语句，从而可以有效保障目标数据库的安全、稳定运行。同时还可获取预设的风险提醒信息，并展示所述风险提醒信息。其中，所述风险提醒信息可以是预先生成并存储于装置内的，对风险提醒信息的具体内容不作限定，例如可包括：当前dml语句的影响行数过大，存在较大的风险，请进行相应修改。另外，对于风险提醒信息的展示方式不作限定，例如可包括短信形式或语音形式。本实施例通过基于目标数据的影响行数与预设的行数阈值进行数值大小比较，可快速准确地生成与所述dml语句对应的风险分析结果，有利于后续基于所述风险分析结果对所述dml语句进行相应的处理，提高了对于dml语句进行处理的智能性。[0143]本技术实施例中的基于数据库的数据处理方法还可以应用于区块链领域，如将上述风险分析结果等数据存储于区块链上。通过使用区块链来对风险分析结果进行存储和管理，能够有效地保证风险分析结果的安全性与不可篡改性。[0144]上述区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。[0145]参照图2，本技术一实施例中还提供了一种基于数据库的数据处理装置，包括：[0146]第一判断模块1，用于判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；[0147]第二判断模块2，用于若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；[0148]验证模块3，用于若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；[0149]审核模块4，用于若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；[0150]解析模块5，用于若审核通过，对所述dml语句进行解析得到对应的解析信息；[0151]生成模块6，用于基于所述解析信息与预设的备份语句模板生成对应的备份语句；[0152]第三判断模块7，用于获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；[0153]统计模块8，用于若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；[0154]处理模块9，用于基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。[0155]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0156]进一步地，本技术一实施例中，上述验证模块3，包括：[0157]第一判断单元，用于获取预存储的所述用户白名单，判断所述用户白名单内是否存储有与所述用户信息相同的指定用户信息；[0158]第一获取单元，用于若存储有所述指定用户信息，获取所述用户的人脸图像，基于预设数量的预先训练好的人脸表情识别模型分别获取与所述人脸图像对应的表情识别结果；其中，所述预设数量大于1，各所述人脸表情识别模型分别是基于不同的训练样本集训练生成的；[0159]第一筛选单元，用于从所有所述表情识别结果中筛选出现次数最多的指定表情识别结果，并判断所述指定表情识别结果是否属于预设表情类型；[0160]第一划分单元，用于若不属于所述预设表情类型，获取所述用户的虹膜图像，从所述虹膜图像中获取与指定眼睛信息对应的目标虹膜图像，并将所述目标虹膜图像中的虹膜区域划分为多个第一子区块；[0161]第二筛选单元，用于从预存储的与所述指定用户信息对应的所有所述标准虹膜图像中筛选出与所述指定眼睛信息对应的指定虹膜图像；[0162]第二划分单元，用于基于所述目标虹膜图像的区块划分方式，将所述指定虹膜图像中的虹膜区域划分为对应的多个第二子区块；[0163]比对单元，用于分别对所述目标虹膜图像包含的所有第一子区块与所述指定虹膜图像包含的所有第二子区块进行一一对应的比对处理，得到比对处理后的多个相似度；[0164]第二判断单元，用于获取预设的相似度阈值，并判断得到的所有所述相似度是否均大于所述相似度阈值；[0165]第一判定单元，用于若均大于所述相似度阈值，判定身份验证通过，否则判定身份验证不通过。[0166]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0167]进一步地，本技术一实施例中，上述验证模块3，包括：[0168]第二获取单元，用于获取预设数量的训练样本集；其中，每一个训练样本集的训练样本包括若干样本人脸图像，以及与样本人脸图像对应的表情结果标注信息；[0169]训练单元，用于从所有所述训练样本集中筛选出特定训练样本集，将所述特定训练样本集中的样本人脸图像作为预设的初始识别模型的输入，将与样本人脸图像对应的表情结果标注信息作为所述初始识别模型的输出对所述初始识别模型进行训练，得到训练完成的初始识别模型；其中，所述特定训练样本集为所有所述训练样本集中的任意一个样本集；[0170]验证单元，用于获取预设的验证样本集，并使用所述验证样本集对所述训练完成的初始识别模型进行验证，并判断是否验证通过；[0171]第一确定单元，用于若验证通过，则将所述训练完成的初始识别模型作为与所述特定训练样本集对应的人脸表情识别模型。[0172]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0173]进一步地，本技术一实施例中，上述审核模块4，包括：[0174]第三判断单元，用于判断所述dml语句中是否包含与所述目标数据库对应的执行计划信息；[0175]分析单元，用于若包含所述执行计划信息，对所述dml语句进行语法分析，得到对应的分析结果；[0176]第四判断单元，用于判断所述分析结果是否符合所述语法规则；[0177]检查单元，用于若符合语法规则，对所述dml语句进行语义检查，判断所述目标数据库中是否包含有所述dml语句中包含的指定信息；其中，所述指定信息至少包括表名信息；[0178]第二判定单元，用于若包含所述指定信息，判定审核通过；[0179]第三判定单元，用于若不包含所述指定信息，判定审核不通过。[0180]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0181]进一步地，本技术一实施例中，上述生成模块6，包括：[0182]第三获取单元，用于获取与所述目标数据库对应的数据库类型；[0183]第四获取单元，用于获取与所述数据库类型对应的备份语句模板；[0184]填充单元，用于从所述备份语句模板中获取与预设的解析信息字段对应的字段信息填充位置，并将所述解析信息对应填充至所述字段信息填充位置，得到填充后的备份语句模板；[0185]第二确定单元，用于将所述填充后的备份语句模板作为所述备份语句。[0186]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0187]进一步地，本技术一实施例中，上述第三判断模块7，包括：[0188]第三划分单元，用于按照预设的长度划分数值将一天的时间划分为多个时间段；[0189]第三筛选单元，用于获取预设的繁忙时间段列表，并基于所述繁忙时间段列表从所有所述时间段中筛选出符合预设条件的第一时间段；其中，所述第一时间段的数量为多个；[0190]第五获取单元，用于基于预存储的历史资源消耗数据记录，获取所述目标数据库在预设时间周期内的各所述第一时间段的资源消耗数据；[0191]第六获取单元，用于获取预设的资源消耗阈值；[0192]第四筛选单元，用于从所有所述第一时间段中筛选出，在所述预设时间周期内每一天中第一时间段的资源消耗数据均大于所述资源消耗阈值的第二时间段；[0193]删除单元，用于将所述第二时间段从所述第一时间段中删除，得到对应的第三时间段；[0194]第三确定单元，用于将所述第三时间段作为所述空闲时间段。[0195]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0196]进一步地，本技术一实施例中，上述处理模块9，包括：[0197]第七获取单元，用于获取所述行数阈值；[0198]第五判断单元，用于判断所述影响行数是否小于所述行数阈值；[0199]第一处理单元，用于若小于所述行数阈值，生成所述dml语句不具备风险的第一风险分析结果，并在所述目标数据库内执行所述dml语句；[0200]第二处理单元，用于若不小于所述行数阈值，生成所述dml语句具备风险的第二风险分析结果，并限制在所述目标数据库内执行所述dml语句；[0201]展示单元，用于获取预设的风险提醒信息，并展示所述风险提醒信息。[0202]本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于数据库的数据处理方法的步骤一一对应，在此不再赘述。[0203]参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中，该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储dml语句、备份语句、空闲时间段、影响行数以及风险分析结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备，用于将数字信号转换为光信号，使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置，用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于数据库的数据处理方法。[0204]上述处理器执行上述基于数据库的数据处理方法的步骤：[0205]判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；若审核通过，对所述dml语句进行解析得到对应的解析信息；基于所述解析信息与预设的备份语句模板生成对应的备份语句；获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。[0206]本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的装置、计算机设备的限定。[0207]本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于数据库的数据处理方法，具体为：[0208]判断是否接收到用户输入的与目标数据库对应的数据操作请求；其中，所述数据操作请求携带dml语句与所述用户的用户信息；若接收到所述数据操作请求，获取与所述目标数据库对应的数据库名称，并判断所述数据库名称是否存在于预设名单内；若存在于所述预设名单内，获取所述用户的人脸图像与虹膜图像，基于预设的用户白名单、人脸表情识别模型以及标准虹膜图像对所述用户进行身份验证处理，并判断身份验证是否通过；若身份验证通过，基于预设的语法规则对所述dml语句进行审核处理，并判断是否审核通过；若审核通过，对所述dml语句进行解析得到对应的解析信息；基于所述解析信息与预设的备份语句模板生成对应的备份语句；获取与所述目标数据库对应的空闲时间段，并判断当前时间是否处于所述空闲时间段内；若处于所述空闲时间段内，将所述备份语句执行至所述目标数据库内，获取所述备份语句执行完毕后得到的目标数据，并统计所述目标数据的影响行数；基于所述影响行数与预设的行数阈值生成与所述dml语句对应的风险分析结果，并基于所述风险分析结果对所述dml语句进行对应处理。[0209]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。[0210]以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本技术的专利保护范围内。当前第1页12