基于文檔信息抽取的信息泄漏檢測.pdf

1、隨著信息技術(shù)的發(fā)展，人們已經(jīng)走進了信息時代。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(guān)聯(lián)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(guān)聯(lián)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(shù)據(jù)，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(guān)聯(lián)，對文檔數(shù)據(jù)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(jù)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(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)。最后，對結(jié)構(gòu)化的數(shù)據(jù)進行相應(yīng)的實體信息抽取。根據(jù)實體信息的分類，將實體信息關(guān)聯(lián)分為郵件正文實體信息和郵件附件實體信息關(guān)聯(lián)、郵件正文實體信息和論文實體信息關(guān)聯(lián)、公文實體信息關(guān)聯(lián)。通過多個實體信息的關(guān)聯(lián)，可以檢測是否存在敏感信息泄露。
　　最后，通過對系統(tǒng)的整體分析來確定系統(tǒng)的框架，并實現(xiàn)了信息泄露檢測系統(tǒng)。整個系統(tǒng)將對檢測數(shù)據(jù)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(guān)聯(lián)來檢測是否