[發(fā)明專利]基于語義特征提取的數(shù)據(jù)防泄漏方法、系統(tǒng)在審
| 申請?zhí)枺?/td> | 201810092987.2 | 申請日： | 2018-01-31 |
| 公開（公告）號： | CN108280357A | 公開（公告）日： | 2018-07-13 |
| 發(fā)明（設(shè)計）人： | 劉立軍;羅海濤;汪楫人 | 申請（專利權(quán)）人： | 云易天成（北京）安全科技開發(fā)有限公司 |
| 主分類號： | G06F21/60 | 分類號： | G06F21/60;G06F17/27;G06F17/30 |
| 代理公司： | 北京酷愛智慧知識產(chǎn)權(quán)代理有限公司 11514 | 代理人： | 王瑩 |
| 地址： | 100101 北京市朝陽區(qū)大*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 語義特征提取 原始文檔 防泄漏 文檔向量 文檔子集 語義特征 文檔 預(yù)處理 數(shù)據(jù)安全技術(shù) 數(shù)據(jù)安全性能 目標(biāo)文檔 人工標(biāo)注 數(shù)據(jù)泄漏 數(shù)據(jù)泄露 詞向量 詞序列 聚類 防護(hù) 審查 轉(zhuǎn)化 | ||
1.一種基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，包括：
對原始文檔集中的每篇文檔進(jìn)行預(yù)處理，轉(zhuǎn)化為詞序列；
確定每個詞的詞向量，并計算每篇文檔的文檔向量；
對文檔向量進(jìn)行聚類，將原始文檔集劃分出多個文檔子集；
根據(jù)劃分后的文檔子集，提取語義特征；
將所述語義特征作為規(guī)則項，對目標(biāo)文檔進(jìn)行審查。
2.根據(jù)權(quán)利要求1所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，對原始文檔集中的每篇文檔進(jìn)行預(yù)處理，轉(zhuǎn)化為詞序列，包括：
對于英文文檔，判斷每個詞之間是否存在空格，若是，則切分為詞，添加序列；
對于中文文檔，通過分詞和/或停頓詞，將中文文檔轉(zhuǎn)化為詞序列。
3.根據(jù)權(quán)利要求1所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，確定每個詞的詞向量，并計算每篇文檔的文檔向量，包括：
通過CBOW方法或Skip-gram方法，確定每個詞的詞向量；
根據(jù)每個詞的詞向量，計算每篇文檔的文檔向量。
4.根據(jù)權(quán)利要求3所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，根據(jù)每個詞的詞向量，計算每篇文檔的文檔向量，包括：
根據(jù)每個詞的詞向量和權(quán)重，通過如下公式，計算每篇文檔的文檔向量，
其中，Vector(dock)表示文檔名稱為dock的文檔向量，N表示文檔名稱為dock的文檔中詞的數(shù)量，ci表示第i個詞的權(quán)重，vector(wi)表示第i個詞的詞向量。
5.根據(jù)權(quán)利要求1所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，對文檔向量進(jìn)行聚類，將原始文檔集劃分出多個文檔子集，包括：
從E篇文檔中隨機選取F篇文檔作為初始質(zhì)心，所述原始文檔集包括E篇文檔；
測量剩余的每篇文檔到每個初始質(zhì)心的第一歐式距離，確定與該篇文檔第一歐式距離最小的目標(biāo)質(zhì)心，并將該篇文檔歸到目標(biāo)質(zhì)心所屬的類；
對每個類進(jìn)行計算，得到每個類的更新質(zhì)心；
對于每一個類，將更新質(zhì)心與初始質(zhì)心進(jìn)行比較：
若更新質(zhì)心與初始質(zhì)心重合，或更新質(zhì)心與初始質(zhì)心間的歐式距離小于等于指定閾值，則將該類作為一個文檔子集，
若更新質(zhì)心與初始質(zhì)心間的歐式距離大于指定閾值，則測量剩余的每篇文檔到每個更新質(zhì)心的第二歐式距離，確定與該篇文檔第二歐式距離最小的目標(biāo)質(zhì)心，并將該篇文檔歸到目標(biāo)質(zhì)心所屬的類；
再次對每個類進(jìn)行計算，得到每個類的更新質(zhì)心，并與初始質(zhì)心比較。
6.根據(jù)權(quán)利要求1所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，根據(jù)劃分后的文檔子集，提取語義特征，包括：
針對每個文檔子集，統(tǒng)計每個文檔子集中的相鄰多個詞的次數(shù)；
根據(jù)相鄰多個詞的次數(shù)，提取組合詞或短句，確定語義特征。
7.根據(jù)權(quán)利要求6所述基于語義特征提取的數(shù)據(jù)防泄漏方法，其特征在于，根據(jù)相鄰多個詞的次數(shù)，提取組合詞，確定語義特征，包括：
計算每個詞發(fā)生的概率；
根據(jù)每個詞發(fā)生的概率和相鄰詞出現(xiàn)的次數(shù)，計算相鄰詞的互信息；
根據(jù)每個相鄰詞的互信息，確定組合詞，作為語義特征。
8.一種基于語義特征提取的數(shù)據(jù)防泄漏系統(tǒng)，其特征在于，包括：
詞序列轉(zhuǎn)化單元，用于對原始文檔集中的每篇文檔進(jìn)行預(yù)處理，轉(zhuǎn)化為詞序列；
文檔表示單元，用于確定每個詞的詞向量，并計算每篇文檔的文檔向量；
聚類單元，用于對文檔向量進(jìn)行聚類，將原始文檔集劃分出多個文檔子集；
提取單元，用于根據(jù)劃分后的文檔子集，提取語義特征；
數(shù)據(jù)防泄漏處理單元，用于將所述語義特征作為規(guī)則項，對目標(biāo)文檔進(jìn)行審查。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于云易天成（北京）安全科技開發(fā)有限公司，未經(jīng)云易天成（北京）安全科技開發(fā)有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810092987.2/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
