基于文檔信息抽取的信息泄漏檢測(cè).pdf

1、隨著信息技術(shù)的發(fā)展，人們已經(jīng)走進(jìn)了信息時(shí)代。在數(shù)字化的生活環(huán)境下，電子文檔和郵件的使用越來(lái)越廣泛，因而敏感信息發(fā)生泄露的概率越來(lái)越高，所以信息的保護(hù)變得越來(lái)越重要。敏感信息的泄露分為單文檔敏感信息泄露和多文檔敏感信息關(guān)聯(lián)泄露。對(duì)于單文檔敏感信息泄露檢測(cè)比較簡(jiǎn)單，但對(duì)于多文檔敏感信息關(guān)聯(lián)泄露檢測(cè)主要通過(guò)人工查看的檢查方式，效率低，安全性差。為此本文提出了一種基于文檔信息抽取的信息泄露檢測(cè)，用于檢測(cè)單文檔或多文檔是否泄露敏感信息。
　

2、　本文以郵件正文、郵件附件、論文和公文作為檢測(cè)數(shù)據(jù)，采用基于信息抽取的方法抽取其中的實(shí)體信息，通過(guò)實(shí)體關(guān)聯(lián)，對(duì)文檔數(shù)據(jù)進(jìn)行敏感信息檢測(cè)。通過(guò)分析郵件正文、論文和公文幾類(lèi)文檔，每類(lèi)文檔都具有各自的特點(diǎn)，所以根據(jù)文檔的不同特點(diǎn)采用不同的抽取方法。對(duì)于郵件正文中的實(shí)體信息，采用正則表達(dá)式抽取實(shí)體信息；對(duì)于論文和公文中的實(shí)體信息，首先對(duì)論文和公文進(jìn)行格式文檔解析。其次，由于論文和公文都具有一定的規(guī)則版式，所以對(duì)格式文檔解析后的論文和公文進(jìn)行版式

3、信息抽取，將非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)。最后，對(duì)結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行相應(yīng)的實(shí)體信息抽取。根據(jù)實(shí)體信息的分類(lèi)，將實(shí)體信息關(guān)聯(lián)分為郵件正文實(shí)體信息和郵件附件實(shí)體信息關(guān)聯(lián)、郵件正文實(shí)體信息和論文實(shí)體信息關(guān)聯(lián)、公文實(shí)體信息關(guān)聯(lián)。通過(guò)多個(gè)實(shí)體信息的關(guān)聯(lián)，可以檢測(cè)是否存在敏感信息泄露。
　　最后，通過(guò)對(duì)系統(tǒng)的整體分析來(lái)確定系統(tǒng)的框架，并實(shí)現(xiàn)了信息泄露檢測(cè)系統(tǒng)。整個(gè)系統(tǒng)將對(duì)檢測(cè)數(shù)據(jù)進(jìn)行版式信息抽取和實(shí)體信息抽取，并最終通過(guò)實(shí)體信息關(guān)聯(lián)來(lái)檢測(cè)是否