[發明專利]一種用于敏感數據泄露檢測的關鍵詞語義分類方法與系統

在審

• 申請號: 202010578950.8
• 申請日: 2020-06-23
• 公開（公告）號: CN111694961A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 陶景龍;梁淑云;劉勝;馬影;王啟凡;魏國富;殷錢安;余賢喆;周曉勇
• 申請（專利權）人: 上海觀安信息技術股份有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/9532;G06F40/30;G06K9/62
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 張景云

本發明公開了一種用于敏感數據泄露檢測的關鍵詞語義分類方法及系統，具體步驟如下：步驟1，輸入敏感關鍵詞庫；步驟2，使用自然語言處理技術對關鍵詞庫向量化；步驟3，對每個關鍵詞對應的向量數據降維；步驟4，對已經降維的向量數據，進行聚類分析；驟5，對已經完成聚類分析的關鍵詞向量，結合業務對關鍵詞類別進行標識；步驟6，根據所以已經標識的類別標簽，對每個類別進行關鍵詞分組優化；步驟7，輸出敏感關鍵詞庫類別。以向量化形式表達詞匯，以達到對詞匯的分類分級；基于特定類別的詞匯，使用相似度計算，優化詞匯分類；將龐大的關鍵詞庫分類細化，提高了使用者的工作效率和指定領域的數據匹配精準度。

技術領域

本發明涉及計算機數據安全技術領域，具體為一種用于敏感數據泄露檢測的關鍵詞語義分類方法與系統。

背景技術

敏感數據一般指的是企業、組織或者個人保密程度較高的信息數據。

在互聯網高速發展的近幾年中，信息安全變的尤為重要，企業面臨的敏感數據泄露風險也越來越大。對于此類問題，當前企業用的最多最廣的方法是利用敏感詞匹配的方法進行互聯網敏感信息發現，而其中使用的敏感詞匯詞庫會隨著樣本數據逐漸增加的情況下越來越龐大冗雜。

敏感數據類型繁多，提取出的敏感關鍵詞具有領域廣，種類多的特點，如何有效利用龐大的關鍵詞庫從海量的互聯網信息中查找和追回數據是眾多行業面臨的一大考驗。

當前企業利用關鍵詞查找敏感數據的常用方法是在已有關鍵詞庫內，隨機選擇或者遍歷所有詞匯，然后使用每個關鍵詞對互聯網信息進行匹配查找敏感數據。

如申請號為201911285835.5公開的一種關鍵詞提取方法裝置及介質，首先接收原始文檔，從原始文檔提取候選詞，將提取出的候選詞構成第一詞語集合；獲取第一詞語集合中每個第一詞語與原始文檔的第一關聯度，根據第一關聯度確定第二詞語集合；針對第二詞語集合中的每個第二詞語，在詞語關聯拓撲中查詢與第二詞語符合關聯條件的至少一個節點詞構成第三詞語集合；確定第二詞語集合和第三詞語集合的并集，獲取并集中每個候選關鍵詞與原始文檔的第二關聯度，根據第二關聯度從并集中選擇至少一個候選關鍵詞構成原始文檔的關鍵詞集合。雖然該技術可減少計算復雜度，提升計算速度；解決現有方法中優先選擇高頻詞的問題；有效豐富關鍵詞的表達方式。但是依然存在丟失一些重要的敏感詞。

綜上所述，現有技術中的這種使用關鍵詞匹配敏感數據方法，存在占用計算資源高、時間周期長、匹配領域沒有針對性等缺點。因此，為了提升工作效率、降低計算資源，亟需找到一種能夠對關鍵詞進行準確分類分級的方案，方便工作人員，在有限的資源和時間條件下，選擇優先級更高的關鍵詞目標，以快速高效、有針對性的從海量的互聯網信息中查找和追回敏感數據。

發明內容

本發明所要解決的技術問題在于如何快速高效、有針對性的從海量的互聯網信息中查找和追回敏感數據。

本發明通過以下技術手段實現解決上述技術問題的：

一種用于敏感數據泄露檢測的關鍵詞語義分類方法，包括以下步驟：

S01，輸入敏感關鍵詞庫；

S02，詞向量化，使用自然語言處理技術對關鍵詞庫向量化；

S03，數據降維，對每個關鍵詞對應的向量數據降維；

S04，聚類分析，對已經降維的向量數據，進行聚類分析；

S05，類別標識，對已經完成聚類分析的關鍵詞向量，結合業務對關鍵詞類別進行標識；

S06，類別優化，根據所有已經標識的類別標簽，對每個類別進行關鍵詞分組優化；

S07，輸出敏感關鍵詞庫類別。