基于文檔信息抽取的信息泄漏檢測.pdf

1、隨著信息技術的發(fā)展，人們已經走進了信息時代。在數字化的生活環(huán)境下，電子文檔和郵件的使用越來越廣泛，因而敏感信息發(fā)生泄露的概率越來越高，所以信息的保護變得越來越重要。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聯泄露。對于單文檔敏感信息泄露檢測比較簡單，但對于多文檔敏感信息關聯泄露檢測主要通過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，用于檢測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數據，采用基于信息抽取的方法抽取其中的實體信息，通過實體關聯，對文檔數據進行敏感信息檢測。通過分析郵件正文、論文和公文幾類文檔，每類文檔都具有各自的特點，所以根據文檔的不同特點采用不同的抽取方法。對于郵件正文中的實體信息，采用正則表達式抽取實體信息；對于論文和公文中的實體信息，首先對論文和公文進行格式文檔解析。其次，由于論文和公文都具有一定的規(guī)則版式，所以對格式文檔解析后的論文和公文進行版式

3、信息抽取，將非結構化的數據轉化為結構化數據。最后，對結構化的數據進行相應的實體信息抽取。根據實體信息的分類，將實體信息關聯分為郵件正文實體信息和郵件附件實體信息關聯、郵件正文實體信息和論文實體信息關聯、公文實體信息關聯。通過多個實體信息的關聯，可以檢測是否存在敏感信息泄露。
　　最后，通過對系統的整體分析來確定系統的框架，并實現了信息泄露檢測系統。整個系統將對檢測數據進行版式信息抽取和實體信息抽取，并最終通過實體信息關聯來檢測是否