随着信息时代的到来和大数据技术的不断发展,海量数据涌入互联网。海量数据资源中蕴含着大量的可用信息,在科研和商业领域都具有巨大的应用价值。与此同时,数据的信息安全问题也逐渐地显现出来。数据非法泄露、数据盗用和数据丢失等安全问题频频发生,给个人、企业和国家的信息安全都造成很严重的影响。为了解决当前存在的信息安全问题,许多科研人员投身于数据溯源技术的研究。数据溯源技术是对非法泄露数据的追根溯源,找到泄露数据的真实来源,达到数据库版权保护的目的。目前存在的数据溯源技术都是应用在数据库可控非法泄露场景,对应用在数据库不可控非法泄露场景的数据溯源技术研究较少。针对数据库不可控非法泄露场景,本文提出了基于内容匹配的大数据溯源技术。基于内容匹配的大数据溯源系统由三个模块组成,包括溯源数据库建立模块、溯源数据库筛选模块和溯源数据库匹配模块。三个模块层层递进构建出三层内容匹配结构模型实现待溯源数据表与原始数据库的匹配,达到版权保护的目的,实现大数据溯源。首先,为了缩小待溯源数据表的匹配空间,本文提出了溯源数据库建立算法。该算法借助于DBSCAN聚类算法实现原始数据库的聚类,形成聚类空间,再通过相异度计算公式计算出待溯源数据表与聚类空间中心的距离,找到与待溯源数据表相似的聚类空间作为溯源数据库。其次,为了更加精准地实现待溯源数据表与溯源数据库的匹配,本文提出了溯源数据库筛选算法。该算法借助于改进的Siamese网络将溯源数据库中与待溯源数据表相似的数据表筛选出来。将待溯源数据表和溯源数据库中的数据表的特征矩阵输入到训练好的网络模型中,最终确定两个数据表是否相似,完成溯源数据库的筛选,缩小待溯源数据表的匹配范围。最后,为了找到待溯源数据表的真实来源,本文提出了溯源数据库匹配算法。该算法借助于数据表排序加滑动窗口的方法确定待溯源数据表在溯源数据库中的真实来源,实现基于内容匹配的大数据溯源技术。通过仿真实验验证基于内容匹配的大数据溯源系统的三个组成模块的功能并测试系统的性能指标。首先,对模块的功能进行测试,实验结果表明每个模块实现的功能与系统的设计需求一致。其次,对系统的功能进行测试,实验结果表明系统能够实现数据溯源。最后,对系统的性能指标进行测试,实验结果表明当数据库遭到恶意地攻击时,系统具有较高的抗攻击性能。