[發明專利]基于語義特征提取的數據防泄漏方法、系統

在審

• 申請號: 201810092987.2
• 申請日: 2018-01-31
• 公開（公告）號: CN108280357A
• 公開（公告）日: 2018-07-13
• 發明（設計）人: 劉立軍;羅海濤;汪楫人
• 申請（專利權）人: 云易天成（北京）安全科技開發有限公司
• 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權代理有限公司 11514
• 代理人: 王瑩

本發明屬于數據安全技術領域，提供了一種基于語義特征提取的數據防泄漏方法、系統。該方法包括對原始文檔集中的每篇文檔進行預處理，轉化為詞序列，確定每個詞的詞向量，并計算每篇文檔的文檔向量，對文檔向量進行聚類，將原始文檔集劃分出多個文檔子集，根據劃分后的文檔子集，提取語義特征，并作為規則項，對目標文檔進行審查。本發明基于語義特征提取的數據防泄漏方法、系統，能夠從未經人工標注的原始文檔中提取出高質量的語義特征，作為數據泄露防護的規則項，防止數據泄漏，提高數據安全性能。

技術領域

本發明涉及數據安全技術領域，具體涉及一種基于語義特征提取的數據防泄漏方法、系統。

背景技術

信息化為人們的生活帶來諸多便利，同時，也帶來了數據泄露的風險。信息安全正在經歷從網絡安全到內容安全的轉變，如何防止敏感數據和隱私信息泄露成為安全防護的重點。以加密為主的防護方式覆蓋范圍小，而且易用性較差；而以文檔權限管理為主的防護方式用戶主動性差，容易失效。

在傳統的數據保護系統中，為了支持基于分類分級的數據保護，必須由人工為所有數據打上分類分級標簽，這種方法處理效率低，無法滿足數據不斷增長和變化的需求。

目前，數據防護大多是基于關鍵詞和正則表達式這種簡單特征識別技術，來發現復雜的非結構化敏感數據，并且，需要通過人工方式，從海量非結構化樣本數據中挑選出具有識別意義的關鍵詞。

為了準確地識別敏感數據，并具備強大的抗干擾能力，必須抽取豐富而有代表性的識別特征。這項工作如果沒有工具輔助，只靠人力是很難完成的。

近年來，機器學習技術日漸成熟，已被應用于數據防護。有監督機器學習需要大量的人工標注語料，而這個條件常常無法滿足，因此，利用無監督機器學習分析大量未經人工標注的原始文檔，通過機器統計從中提取出高質量的語義特征，作為數據泄露防護的規則項，是最有效的方式，也是本領域技術人員亟需解決的問題。

發明內容

針對現有技術中的缺陷，本發明提供了一種基于語義特征提取的數據防泄漏方法、系統，能夠從未經人工標注的原始文檔中提取出高質量的語義特征，作為數據泄露防護的規則項，防止數據泄漏，提高數據安全性能。

第一方面，本發明提供一種基于語義特征提取的數據防泄漏方法，該方法包括：對原始文檔集中的每篇文檔進行預處理，轉化為詞序列；

確定每個詞的詞向量，并計算每篇文檔的文檔向量；

對文檔向量進行聚類，將原始文檔集劃分出多個文檔子集；

根據劃分后的文檔子集，提取語義特征；

將語義特征作為規則項，對目標文檔進行審查。

進一步地，對原始文檔集中的每篇文檔進行預處理，轉化為詞序列，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，將中文文檔轉化為詞序列。

基于上述任意基于語義特征提取的數據防泄漏方法實施例，進一步地，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；

根據每個詞的詞向量，計算每篇文檔的文檔向量。

進一步地，根據每個詞的詞向量，計算每篇文檔的文檔向量，包括：

根據每個詞的詞向量和權重，通過如下公式，計算每篇文檔的文檔向量，