Los métodos para aplicar el aprendizaje profundo a la protección de bases de datos han aumentado con el tiempo. Para asegurar el control de acceso basado en roles (RBAC) mediante el aprendizaje de la función de mapeo entre las características de la consulta y los roles, se sabe que las redes neuronales convolucionales combinadas con sistemas clasificadores de aprendizaje (LCS) pueden alcanzar una precisión formidable. Sin embargo, los métodos actuales se centran en el uso de una arquitectura de modelo singular y no logran explotar completamente las características que otros modelos son capaces de utilizar. Diferentes arquitecturas profundas, como ResNet e Inception, pueden explotar diferentes correlaciones espaciales dentro del espacio de características. En este documento, proponemos un conjunto de múltiples modelos con diferentes arquitecturas convolucionales profundas para mejorar la cobertura general de las características utilizadas en la clasificación de roles. Al combinar modelos con topologías heterogéneas, el modelo de conjunto-LCS muestra un rendimiento significativamente mejorado en comparación con los modelos LCS de arquitectura única anteriores y logra una mejor robustez en caso de desequilibrio de datos de entrenamiento.