[發(fā)明專利]一種文檔密級(jí)自動(dòng)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611086915.4
• 申請(qǐng)日: 2016-12-01
• 公開（公告）號(hào): CN106845265B
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計(jì)）人: 謝梅;孟憲哲;姚金利;曾穎明;郝帥肖;曾淑娟
• 申請(qǐng)（專利權(quán)）人: 北京計(jì)算機(jī)技術(shù)及應(yīng)用研究所
• 主分類號(hào): G06F21/62
• 分類號(hào): G06F21/62
• 代理公司: 中國兵器工業(yè)集團(tuán)公司專利中心 11011
• 代理人: 張然

本發(fā)明公開了一種文檔密級(jí)自動(dòng)識(shí)別方法，其中，包括：定義特征詞項(xiàng)、特征詞項(xiàng)分布向量、特征詞項(xiàng)庫、段落特征詞項(xiàng)空間向量、段落基準(zhǔn)庫以及文檔敏感度；進(jìn)行預(yù)處理，基于訓(xùn)練文檔，標(biāo)定訓(xùn)練文檔中各段落密級(jí)及與之對(duì)應(yīng)的初始敏感度；抽取段落的特征詞項(xiàng)，建立段落空間向量，從而構(gòu)建段落基準(zhǔn)庫；在待定密的目標(biāo)文檔中對(duì)各段落進(jìn)行敏感度判定時(shí)，通過計(jì)算待定密段落與段落基準(zhǔn)庫中各段落的相似度，鎖定與待定密段落相似度最大的段落，以其敏感度作為待定密段落的初始敏感值；基于待定密段落與所匹配段落的特征詞項(xiàng)所攜帶的敏感度的差異，修正待定密段落的敏感度，通過計(jì)算目標(biāo)文檔所有段落的敏感度，并獲取敏感度最高者作為目標(biāo)文檔的敏感度，確定文檔的敏感度及其對(duì)應(yīng)密級(jí)。

技術(shù)領(lǐng)域

本發(fā)明涉及文檔安全技術(shù)領(lǐng)域，特別涉及一種文檔密級(jí)自動(dòng)識(shí)別方法。

背景技術(shù)

隨著信息化的快速發(fā)展，各類軍工企事業(yè)單位大力進(jìn)行信息化建設(shè)的同時(shí)，對(duì)文檔的定密技術(shù)要求越來越高。目前，自動(dòng)定密研究很少，而傳統(tǒng)的手工標(biāo)記或分級(jí)，往往效率低下且效果不理想。因此利用機(jī)器學(xué)習(xí)等技術(shù)對(duì)敏感信息進(jìn)行自動(dòng)分析、自動(dòng)定密成了一個(gè)重要而實(shí)用的技術(shù)方向。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于插件架構(gòu)的主機(jī)監(jiān)控系統(tǒng)，用于解決上述現(xiàn)有技術(shù)的問題。

本發(fā)明一種文檔密級(jí)自動(dòng)識(shí)別方法，其中，包括：定義特征詞項(xiàng)、特征詞項(xiàng)分布向量、特征詞項(xiàng)庫、段落特征詞項(xiàng)空間向量、段落基準(zhǔn)庫以及文檔敏感度；進(jìn)行預(yù)處理，基于訓(xùn)練文檔，標(biāo)定訓(xùn)練文檔中各段落密級(jí)及與之對(duì)應(yīng)的初始敏感度；抽取段落的特征詞項(xiàng)，建立段落空間向量，從而構(gòu)建段落基準(zhǔn)庫；初始敏感度計(jì)算階段，在待定密的目標(biāo)文檔中對(duì)各段落進(jìn)行敏感度判定時(shí)，通過計(jì)算待定密段落與段落基準(zhǔn)庫中各段落的相似度，鎖定與待定密段落相似度最大的段落，以其敏感度作為待定密段落的初始敏感值；敏感度修正階段，基于待定密段落與所匹配段落的特征詞項(xiàng)所攜帶的敏感度的差異，修正待定密段落的敏感度，文檔密級(jí)確定階段，通過計(jì)算目標(biāo)文檔所有段落的敏感度，并獲取敏感度最高者作為目標(biāo)文檔的敏感度，確定文檔的敏感度及其對(duì)應(yīng)密級(jí)。

根據(jù)本發(fā)明的文檔密級(jí)自動(dòng)識(shí)別方法的一實(shí)施例，其中，通過TF-IDF方法構(gòu)建向量空間模型。

根據(jù)本發(fā)明的文檔密級(jí)自動(dòng)識(shí)別方法的一實(shí)施例，其中，特征詞項(xiàng)庫獲取框架獲取段落特征詞項(xiàng)，特征詞項(xiàng)庫獲取框架包括：

χ²值越大，則詞項(xiàng)與段落文本敏感度相關(guān)性就大；χ²值越小，則詞項(xiàng)與段落文本敏感度相關(guān)性就小：

式(1)表示，對(duì)任意詞項(xiàng)t，其中k₁₁代表在訓(xùn)練文本集中，所有涉密段落文本集c中包含詞t的段落文本個(gè)數(shù)，k₀₀代表在涉密段落文本集c中不包含詞項(xiàng)t的段落文本個(gè)數(shù)；k₀₁代表在非密段落文本集中包含詞t的段落文本個(gè)數(shù)，k₁₀代表在非密段落文本集中不包含詞項(xiàng)t的段落文本個(gè)數(shù)；N代表兩類集合中文檔的總數(shù)量，即訓(xùn)練文本集中的段落總數(shù)N＝k₁₁+k₀₀+k₀₁+k₁₀，sgn表示取正負(fù)號(hào)符號(hào)；

通過對(duì)涉密段落文本集合和非涉密段落文本集合的詞項(xiàng)頻率統(tǒng)計(jì)，用帶有正負(fù)符號(hào)的χ²分布計(jì)算值，最后通過閾值過濾來得到特征詞項(xiàng)。

根據(jù)本發(fā)明的文檔密級(jí)自動(dòng)識(shí)別方法，其中，獲取特征詞項(xiàng)的方法包括：第一步：收集訓(xùn)練庫；第二步：對(duì)段落文本集合進(jìn)行分詞；第三步：對(duì)有實(shí)際意義的詞項(xiàng)進(jìn)行進(jìn)一步篩選，將過濾后所得詞項(xiàng)在當(dāng)前涉密段落文本中進(jìn)行詞項(xiàng)出現(xiàn)次數(shù)統(tǒng)計(jì)，當(dāng)大于閾值θ的詞項(xiàng)，列入候選特征詞項(xiàng)；第四步：統(tǒng)計(jì)候選特征詞項(xiàng)出現(xiàn)段落數(shù)目；第五步：計(jì)算候選特征詞項(xiàng)敏感度相關(guān)性，將相關(guān)性大于閾值的詞項(xiàng)加入到特征詞項(xiàng)庫中。