基于自然语言处理的文本泄密自动检测技术
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔ ａ ｔ Ｔ ｅｄ ｍａ ｅｃ ｕ ｅ ｙｔ ｘ ｉ ｕ ｇ ｎ ｅｉ ｅｔ ｇ ｍｏ ｅａ ｄｍｏ ｅｓ ｒｏ ｓ ｉ ｅ ｄｖ ｌ ｅ ｃ ｅ ｅ ｔ ｇｒ ｍ ａ ｅ ｌｖ ｌ ｆ ｓ ｒ ｃ ： ｈ ａ ｇ ａ ｓ ｄｂ ｔ ｖ ｌ ｅ ｃ ｇ ｔｉ ｒ ｎ ｒ ｅ ｉ ｕ ｌ ｔ ｉ ｕ ｇ ｎ ｅｄ ｔ ｃｉ ｅ ｄ ｓ ｎ ｗｈ ｅ ｈ ｎ ｅ ｉ ｉ ｔ ｅ ｎｎ ｈ ｅ ｏ
ｔｃ ｎ ｌｇ ｆ ｘ ｉ ｌｅ ｃ ａ ｅ ｎｎ ｔｒｌａ ｇ ａ ｅ ｒ ｃ ｓｉｇｉｐ ｏ ｏ ｅ ｙｔｅｍｅｈ ｄｏ ｔｘ ｍｉ ｒｔ ｕｏｃ ｍｐ ｒｓ ｎａ ｄｄ ｔ ｅ ｈ ｏｏ ｙｏ ｔ ｔ ｖ ｇ ｎ ｅｂ ｓ ｄｏ ａｕ ａ ｎ ｕ ｇ ｏ ｅｓｎ ｒｐ ｓｄｂ ｔｏ ｆ ｅ ｔ ｉ ｌ ｉ ａ ｔ ｏ ａｉｏ ａａ ｅ ｄｕ ｌ ｐ ｓ ｈ ｓ ａ ｙ ｎ
摘 要： 因文 本信 息 泄 密 导 致 的 危 害越 来 越 严 重 ， 传 统 的 泄 密检 测 还 停 留在 人 工 查 看 ， 率 低 且 易造 成 二 次 泄 密 。针 对 以 但 效
上 问题 ， 采用 文本相 似度 自动比较和 数据加 密方法 ， 出了一种基 于 自然语 言处理 的文本 泄密 自动检 测技术 。在 实际应 用 提
检 测 相 对 容 易 ， 分 泄 密 的检 测 则 难 度 高 、 作量 大 。 因 是 部 工 原
收 稿 日期 ：２ １－８０ ；修 订 日期 ：２ １—００ 。 ０ ００ ．５ ００ １—６
基金项目： 中国博士后科学基金项 目 （０ ８４ １１） ２ ００ ３ １４；南京信息工程大学校科研基金项 目 （０ ７ １３ 。 ２ ０ ０ １） 作者简介 ：王 利 鑫 （９ ５ ， 男 ， 江 苏 宜 兴 人 ， 硕 士研 究 生 ，研 究 方 向 为人 工 智 能 、文 本 处 理 ； 耿 焕 同 （９ ３ ，男 ， 安徽 绩 溪人 ，教 授 ， １ ８ 一） １ ７ 一） ＣＣ Ｆ会 员 ，研 究 方 向为 人工 智 能 、 资料 同化 ； 孙 凯 （９６ ， 男 ，江 苏 南 京人 ，硕 士 研 究 生 ，研 究 方 向为 人 工 智 能 ； 张 茜 （９ ７ ，女 ，甘 １ ８ 一） １８ 一）
程 度 存 在 差 异 。泄 密 一 般 可 分 为 全 文 与 部 分 泄 密 。全 文 泄 密
上 问题 ，提 出 了一 种 基 于 自然 语 言 处 理 的文 本 泄 密 自动 检 测
技术 ， 验结果 证明该方法是有效可 行的 。 实
１ 相 关 技 术
１ ｗｅ ． １ ｂ信 息 抽 取 技 术
ｄ ｔ ｃ ｏ ｓ ｍ ｅ ｉｎ ｄａ ｄｉ ｌｍｅ ｔｄ Ｔｈ ｓ ｌｏ ｔ ｅｅ ｐ ｒ ｎ ｅ ｎ ｔ ｔ ｓ ｈ ｔｈ ｃ ｎ ｌ ｇ ｅｕ ｅ ｅ ｅｅ ｔ ｎ ｅ ｅ ｔ ｎｓ ｔ ｉ ｄ ｓｇ ｅ ｎ ｉ ｙ ｅ ｓ ｍｐ ｅ ｎ ｅ ． ｅ ｅ ｕ ｔ ｆ ｈ ｘ ｅ ｉ ｒ ｍｅ ｔ ｍｏ ｓｒ ｅ ａ ｅｔ ｈ ｏ ｏ ｙｃ ｂ ｓ ｄｉ ｔ ｔｃｉ ｄ ａ ｔ ｔ ｅ ｎ ａ ｎｈ ｄ ｏ ｔｘ ｉ ｕ ｇ ｎ ｅ ｔ ｈ ｅｆ ａｕ ｅｏ ｐ ｉ ａ ｙ ｌｓ ｍａ ｕ ｌ ｎ ｅ ｖ ｎ ｉ ｎ ｅ ｃｅ ｃ ， ｓ ｓ ｅ ｔ ｄｐ ｒ ｇ ａ ｈｐ ｓｔ ｎ ｎ ｎ ｄ ｓ ｎ ｅ ｔ ｖ ｌ ｅ ｃ ｗｉ ｄ ｈｔ ｅ ｔ ｒ ｆ ｒ ｃ ， ｅ ｓ ｎ ａ ｉｔ ｒ ｅ ｔ ， ｆ ｉｎ ｙ ｖ ｏ ｉ ｕ ｐ ｃｅ ａ ａ ｒ ｐ ｏ ｉ ｏ ｉｇａ ｏｏ ． ｉ Ｋｅ ｌ Ｓ ｎ ｔ ｒ ｌ ａ ｇ ａ ｅｐ ｏ ｅ ｓｎ ； ｔ ｘ ｉ ｌ ｅ ｃ ； ｅ ｃ ｙ ｔ ｎ ｓｍｉ ｒ ｙ ｅ ａ ｎ ｔ ｎ ｉｆ ｒ ｔ ｎ ｅ ｔ ｃｉ ｎ ｙ ＷＯ ｄ ： ａ ｕ ａ ｎ ｕ ｇ ｒ ｃ ｓ ｉ ｇ ｅ ｔ ｖ ｇ ｎ ｅ ｌ ｄｕ ｎ ｒ ｐ ｉ ； ｉ ｌ ｉ ｘ ｍｉ ａｉ ； ｎ ｏ ｍａ ｉ ｘ ｒ ｔ ｏ ａｔ ｏ ｏ ａ ｏ
０ 引 言
信 息 的 生 产 、 储 、 取 、 享 以及 传 播 已越 来 越 方 便 ， 存 获 共 但
泄 密 部 分 可 能是 涉 密 原文 的 部 分段 落 ， 是 调整 顺序 的段 落 ， 或
或 是 调 整 语 序 的 段 落 ， 是 对 某 些 段 落 的 合 并 、 充 、 缩 等 或 扩 压
ｅ ｅｙ ｔｏ ． Ｉ ｒｃｉａ ｐ ｉａｉｎ ， ｄ ｅｔ ｅｃ ａｓ ｅｓｏ ｄ ｔｃｉｎ ｔｅｅａｅｔｅｐ ｓｉｉ ｔ ｆ ｅｅ ｔ ｎｏ ｉｓ ｎ Ｔ ｅｍｅ ｏ ｆ ｎ ｒ ｐｉｎ ｎｐ ｔ ｌ ｐｌ ｔ ｓ ｕ ｔ ｏ ｒｎ ｓ ｆ ｅｅ ｔ ， ｈ ｒ ｒ ｏ ｓｂｌ ｏ ｄ ｔｃｉ ｍ ｓｉ ． ｈ ｔ ｄｏ ａ ｃ ａ ｃ ｏ ｏｈ ｏ ｈ ｉ ｙ ｏ ｏ ｈ ｓｍｉ ｒ ｅ ｃ ｏ ａ ｅ ｎｎ ｔｒ ｌ ａａ ｒｐ ｄ ｓｎｅ ｃ ｓｉ ｕ ｅ ， ｗｈｃ ａ ｉｔｔ ｏ ａｉｎｏ ｅ ｉ ｌ ｉ ｄ ｔ ｔ ｎ ｂ ｓｄｏ ａｕ ａ ｒ ｇ ａ ｈ ａ ｅ ｔｎ ｅ ｓ ｓｄ ａｔ ｅ ｉ ｙ ｐ ｎ ｉｈ ｆｃｌａ ｅｌｃｔｏ ｆｔ ｍ． Ｆｉａｌ， ａｔｘ ｉｕｇ ｎ ｅ ｉ ｈ ｎｌ ｙ ｔｄｖ ｌｅ ｃ ｅ
网络 是 巨大 的数 据 库 ， 时也 是 信 息泄 密 的重 要 渠 道 ， 同 从
Ｉ ｅ ｔ Ｉｔ ｎｔ 获取 信 息 ， 看 其 是 否 含 有 涉 密 信 息 。目 ｎ ｍｅ 或 ｎ ａｅ上 ｔ ｒ 查 前人 们 主 要 通 过 人 为打 开 网页 或 下 载 相关 文 档 进 行 逐 一查 阅 ， 费 时 费 力 ， 率 低 。利 用 Ｗｅ 息 抽 取 技 术嘲ｗｅ ｎ ｏｍａ ｏ 效 ｂ信 （ ｂｉ ｒ ｔｎ ｆ ｉ
中， 因检 测粒度 过粗可 能导致 漏检 ， 采用基 于 自然段 落和语 句的相 似度检 测方法 ， 方便疑似段 落和语 句的 自动 定位 ， 最后设
计 并 实 现 了一 个 文 本 泄 密 检 测 系 统 。 实验 结 果表 明 ， 技 术 能很 好 地 应 用 于 涉 密 文 本 泄 密 的 检 测 ， 有 保 密 、 工 干 预 少 、 该 具 人 效率 高、 似 段 落定位等 特点 。 疑 关键词 ： 自然 语 言 处 理 ； 文 本 泄 密 ； 加 密 ； 相 似 度 检 测 ； 信 息 抽 取
Βιβλιοθήκη Baidu
中图法分类 号： Ｐ ９ Ｔ３１
文献标 识码 ： Ａ
文章编号 ：０ ０７２ （０ １０ ．６００ １０ —０ ４ ２ １） ８ ０ ． ２ ４
Ａｕ ｏ ｄ ｔｃｉ ｎｔ ｃ ｎ ｌｇ ｆ ｅ ｔ ｉｕ ｇ ｎ ｅｂ ｓ ｄｏ ａ ｕ ａ ｎ ｕ ｇ ｒ ｃ ｓｉ ｇ ｔ － ｅｅ ｔ ｈ ｏｏ ｙ ｏ ｘ ｖ ｌ ｅ ｃ ａ ｅ ｎｎ ｔｒ ｌ ａ ｇ ａ ｅｐ ｏ ｅ ｓｎ ｏ ｅ ｔ ｄ ｌ
情 况 ，更 有 甚 者 仅 仅 为 涉 密 原 文 的 某 些 语 句 。 工 作 人 员 在 检 测 时需 逐 段 逐 句 的 进 行 比较 并 定 位 疑 似 泄 密 信 息 ，否 则 会 出 现 漏 检 。三 是 安 全 性 差 ，易 造 成 二 次 泄 密 。 由于 人 工 检 测 需 查 看 涉 密 文 件 ，为 信 息 的 泄 密 多 了一 份 可 能 与 危 险 。针 对 以
要 的 任 务 。目前 针 对 各 级 党 政 机 关 网站 的信 息 泄 密 检 测 主 要 采 用 人 工 检 测 方 式 ， 率 低 、 全 性 差 。 主 要 原 因 有 ３点 ： 效 安 一 是 网 络信 息 量 大 。 工 作 人 员 需 访 问 大 量 网 页 ， 载 大 量 文 档 下 逐 一 查 看 比 较 ， 过 人 工 判 断是 否 存 在 涉 密 信 息 。 二 是 泄 密 通
ＷＡ ＮＧ ｉ ｉ， ＧＥ ａ — ｎ ， Ｓ ｉ Ｚ ＮＧ Ｑｉｎ Ｌ － ｎ ｘ ＮＧ Ｈｕ ｎｔ ｇ ＵＮ Ｋａ， ＨＡ ａ ｏ
（ｃｏ ｌｆ ｏ ｕｅ ｄ ｏｔ ａ ，Ｎ ｎｉｇ ｎ ｅｓｙｏ ｌｆｒ ￣ｉ ｃ ｎ ｅ ｄ ｅｈ ｏｏｙ Ｓ ｈ ｏ ｏ Ｃ ｍｐ ｔ ａ ｆ ｒ ｒ ｎ Ｓ ｗ ｅ ａｊ ｉ ｒ ｔ ｎｏｍ ｏ Ｓ ｉ ｃ ｃｎ ｌｇ，Ｎａｊ ｇ １ ０４ ｈ ａ ｎＵ ｖ ｉ ｆ ｎ ｅ ａ Ｔ ｎ ｎｉ ０４ ，Ｃ ｉ ） ｉ ２ ｎ ｎ
２ ０ ２ １， ｏ．２ Ｎｏ８ 计 算 机 工 程 与 设 计 Ｃ ｍｐ ｔ Ｅ ｇ ｅｒ ｇ ｎ Ｄ ｓ ｎ ６０ ０ １ Ｖ １ ， ． ３ ｏ ｕ ｒ ｎ ｉ ｅ ｎ ｄ ｅｉ ｅ ｎ ｉ ａ ｇ
基于 自然 语言处理的文本泄 密 自动检测技术
王 利 鑫 ， 耿 焕 同 ， 孙 凯 ， 张 茜 （ 南京信 息 工程 大学 计 算机 与软件 学 院 ，江苏 南京 ２ｏ ４ ） １ｏ４
肃 酒 泉 人 ，硕 士 研 究 生 ，研 究 方 向 为人 工 智 能 。Ｅ ｍａ ：ｗｌ ２ ＠ １３ｃｒ — ｉ ｌ ｘ １ ６． ｎ ｏ
＿
王利鑫 ，耿焕 同，孙凯 ，等 ：基 于 自然语 言处理 的文本泄 密 自动检测技术
ｅｔ ｃ ｏ） ｘｒ ｔ ｎ，就 是 从 Ｗｅ ａｉ ｂ页 面 中所 包 含 的 无 结 构 化 或 者 半 结 构 化 的信 息 中识 别 用 户 所 感 兴 趣 的 信 息 数 据 ， 将其 转化 为 结 构 并 和 语 义 更 加 清 晰 的 数据 格 式 。论 文 仍 采 用 原 先 提 出 的 一种 基 于 视 觉 分 块 的 Ｗｅ 信 息 抽 取 方 法 ， ｂ 自动抽 取 相 关 网 站 的 信 息 。 在 此 基 础 上 ， 对 具 体 网 页 进 行深 层 抽 取 ， 对 某 一 具 体 又 即 网页 的 文 本 内容 进 行 抽 取 。首 先 获 得 初 次 抽 取 的 网 页 的 网 址 集 合 ， 后 分 析 某 具 体 网页 源 文 件 ， 后 采 用 基 于 正 则 表 达 式 然 最 的方 法 自动 将 网 页 中 的文 本 内容 抽 取 出来 ，将 此 文 本 内容 用 作 泄 密 检 测 的数 据 来 源 。
与 此 同 时 ，信 息 泄 密 随 着 信 息化 程 度 的 提 高 而 日益 加剧 。近
年 来 ， 级 党 政 机 关 门户 网 站 普及 的 同 时 ， 法 披 露 国家 秘 密 各 非
信 息 事 件 呈上 升趋 势 ， 泄 密 事件 中所 占 比例 也 迅 速 攀 升 ， 在 信 息 公 开 的 同 时 导致 了信 息 的泄 密 … 在 各 种 信 息 安 全 威 胁 所 造 。 成 的 损 失 中 ， 业 和 政 府 机 构 因 重 要 信 息 被 泄 密 所 造 成 的损 企 失 排 第 一 位 。所 以 ， 息泄 密 检 测 己成 为 一项 十 分 艰 巨而 重 信
ｍａ ｕ ｌ ｐ ｒ ｔ ｎ ｗｈ ｃ ｓ ｉｅ ｅ ｔ ｅ ａ ｄ ｅ ｓｌ ｅ ｄ ｔ ｅ ｏ ｄ ｒ ｉ ｕ ｇ ｎ ｅ Ａｉ ｄ ａ ｈ ｂ ｖ ｕ ｓｉ ｎ ， ａ ａ ｔ — ｅ ｅ ｔｏ ｎ ａ ｅ ａ ｏ ， ｏ ｉ ｉｈ ｉ ｎ ｆ ｃｉ ｎ ａ ｉ ｌａ ｏ ｓ ｃ ｎ ａ ｙ ｄ ｖ ｌ ｅ ｃ ． ｖ ｙ ｍｅ ｔｔ ｅ ａ ｏ ｅ ｑ ｅ ｔｏ ｓ ｕ ｏ ｄ ｔ ｃｉ ｎ
ｔｃ ｎ ｌｇ ｆ ｘ ｉ ｌｅ ｃ ａ ｅ ｎｎ ｔｒｌａ ｇ ａ ｅ ｒ ｃ ｓｉｇｉｐ ｏ ｏ ｅ ｙｔｅｍｅｈ ｄｏ ｔｘ ｍｉ ｒｔ ｕｏｃ ｍｐ ｒｓ ｎａ ｄｄ ｔ ｅ ｈ ｏｏ ｙｏ ｔ ｔ ｖ ｇ ｎ ｅｂ ｓ ｄｏ ａｕ ａ ｎ ｕ ｇ ｏ ｅｓｎ ｒｐ ｓｄｂ ｔｏ ｆ ｅ ｔ ｉ ｌ ｉ ａ ｔ ｏ ａｉｏ ａａ ｅ ｄｕ ｌ ｐ ｓ ｈ ｓ ａ ｙ ｎ
摘 要： 因文 本信 息 泄 密 导 致 的 危 害越 来 越 严 重 ， 传 统 的 泄 密检 测 还 停 留在 人 工 查 看 ， 率 低 且 易造 成 二 次 泄 密 。针 对 以 但 效
上 问题 ， 采用 文本相 似度 自动比较和 数据加 密方法 ， 出了一种基 于 自然语 言处理 的文本 泄密 自动检 测技术 。在 实际应 用 提
检 测 相 对 容 易 ， 分 泄 密 的检 测 则 难 度 高 、 作量 大 。 因 是 部 工 原
收 稿 日期 ：２ １－８０ ；修 订 日期 ：２ １—００ 。 ０ ００ ．５ ００ １—６
基金项目： 中国博士后科学基金项 目 （０ ８４ １１） ２ ００ ３ １４；南京信息工程大学校科研基金项 目 （０ ７ １３ 。 ２ ０ ０ １） 作者简介 ：王 利 鑫 （９ ５ ， 男 ， 江 苏 宜 兴 人 ， 硕 士研 究 生 ，研 究 方 向 为人 工 智 能 、文 本 处 理 ； 耿 焕 同 （９ ３ ，男 ， 安徽 绩 溪人 ，教 授 ， １ ８ 一） １ ７ 一） ＣＣ Ｆ会 员 ，研 究 方 向为 人工 智 能 、 资料 同化 ； 孙 凯 （９６ ， 男 ，江 苏 南 京人 ，硕 士 研 究 生 ，研 究 方 向为 人 工 智 能 ； 张 茜 （９ ７ ，女 ，甘 １ ８ 一） １８ 一）
程 度 存 在 差 异 。泄 密 一 般 可 分 为 全 文 与 部 分 泄 密 。全 文 泄 密
上 问题 ，提 出 了一 种 基 于 自然 语 言 处 理 的文 本 泄 密 自动 检 测
技术 ， 验结果 证明该方法是有效可 行的 。 实
１ 相 关 技 术
１ ｗｅ ． １ ｂ信 息 抽 取 技 术
ｄ ｔ ｃ ｏ ｓ ｍ ｅ ｉｎ ｄａ ｄｉ ｌｍｅ ｔｄ Ｔｈ ｓ ｌｏ ｔ ｅｅ ｐ ｒ ｎ ｅ ｎ ｔ ｔ ｓ ｈ ｔｈ ｃ ｎ ｌ ｇ ｅｕ ｅ ｅ ｅｅ ｔ ｎ ｅ ｅ ｔ ｎｓ ｔ ｉ ｄ ｓｇ ｅ ｎ ｉ ｙ ｅ ｓ ｍｐ ｅ ｎ ｅ ． ｅ ｅ ｕ ｔ ｆ ｈ ｘ ｅ ｉ ｒ ｍｅ ｔ ｍｏ ｓｒ ｅ ａ ｅｔ ｈ ｏ ｏ ｙｃ ｂ ｓ ｄｉ ｔ ｔｃｉ ｄ ａ ｔ ｔ ｅ ｎ ａ ｎｈ ｄ ｏ ｔｘ ｉ ｕ ｇ ｎ ｅ ｔ ｈ ｅｆ ａｕ ｅｏ ｐ ｉ ａ ｙ ｌｓ ｍａ ｕ ｌ ｎ ｅ ｖ ｎ ｉ ｎ ｅ ｃｅ ｃ ， ｓ ｓ ｅ ｔ ｄｐ ｒ ｇ ａ ｈｐ ｓｔ ｎ ｎ ｎ ｄ ｓ ｎ ｅ ｔ ｖ ｌ ｅ ｃ ｗｉ ｄ ｈｔ ｅ ｔ ｒ ｆ ｒ ｃ ， ｅ ｓ ｎ ａ ｉｔ ｒ ｅ ｔ ， ｆ ｉｎ ｙ ｖ ｏ ｉ ｕ ｐ ｃｅ ａ ａ ｒ ｐ ｏ ｉ ｏ ｉｇａ ｏｏ ． ｉ Ｋｅ ｌ Ｓ ｎ ｔ ｒ ｌ ａ ｇ ａ ｅｐ ｏ ｅ ｓｎ ； ｔ ｘ ｉ ｌ ｅ ｃ ； ｅ ｃ ｙ ｔ ｎ ｓｍｉ ｒ ｙ ｅ ａ ｎ ｔ ｎ ｉｆ ｒ ｔ ｎ ｅ ｔ ｃｉ ｎ ｙ ＷＯ ｄ ： ａ ｕ ａ ｎ ｕ ｇ ｒ ｃ ｓ ｉ ｇ ｅ ｔ ｖ ｇ ｎ ｅ ｌ ｄｕ ｎ ｒ ｐ ｉ ； ｉ ｌ ｉ ｘ ｍｉ ａｉ ； ｎ ｏ ｍａ ｉ ｘ ｒ ｔ ｏ ａｔ ｏ ｏ ａ ｏ
０ 引 言
信 息 的 生 产 、 储 、 取 、 享 以及 传 播 已越 来 越 方 便 ， 存 获 共 但
泄 密 部 分 可 能是 涉 密 原文 的 部 分段 落 ， 是 调整 顺序 的段 落 ， 或
或 是 调 整 语 序 的 段 落 ， 是 对 某 些 段 落 的 合 并 、 充 、 缩 等 或 扩 压
ｅ ｅｙ ｔｏ ． Ｉ ｒｃｉａ ｐ ｉａｉｎ ， ｄ ｅｔ ｅｃ ａｓ ｅｓｏ ｄ ｔｃｉｎ ｔｅｅａｅｔｅｐ ｓｉｉ ｔ ｆ ｅｅ ｔ ｎｏ ｉｓ ｎ Ｔ ｅｍｅ ｏ ｆ ｎ ｒ ｐｉｎ ｎｐ ｔ ｌ ｐｌ ｔ ｓ ｕ ｔ ｏ ｒｎ ｓ ｆ ｅｅ ｔ ， ｈ ｒ ｒ ｏ ｓｂｌ ｏ ｄ ｔｃｉ ｍ ｓｉ ． ｈ ｔ ｄｏ ａ ｃ ａ ｃ ｏ ｏｈ ｏ ｈ ｉ ｙ ｏ ｏ ｈ ｓｍｉ ｒ ｅ ｃ ｏ ａ ｅ ｎｎ ｔｒ ｌ ａａ ｒｐ ｄ ｓｎｅ ｃ ｓｉ ｕ ｅ ， ｗｈｃ ａ ｉｔｔ ｏ ａｉｎｏ ｅ ｉ ｌ ｉ ｄ ｔ ｔ ｎ ｂ ｓｄｏ ａｕ ａ ｒ ｇ ａ ｈ ａ ｅ ｔｎ ｅ ｓ ｓｄ ａｔ ｅ ｉ ｙ ｐ ｎ ｉｈ ｆｃｌａ ｅｌｃｔｏ ｆｔ ｍ． Ｆｉａｌ， ａｔｘ ｉｕｇ ｎ ｅ ｉ ｈ ｎｌ ｙ ｔｄｖ ｌｅ ｃ ｅ
网络 是 巨大 的数 据 库 ， 时也 是 信 息泄 密 的重 要 渠 道 ， 同 从
Ｉ ｅ ｔ Ｉｔ ｎｔ 获取 信 息 ， 看 其 是 否 含 有 涉 密 信 息 。目 ｎ ｍｅ 或 ｎ ａｅ上 ｔ ｒ 查 前人 们 主 要 通 过 人 为打 开 网页 或 下 载 相关 文 档 进 行 逐 一查 阅 ， 费 时 费 力 ， 率 低 。利 用 Ｗｅ 息 抽 取 技 术嘲ｗｅ ｎ ｏｍａ ｏ 效 ｂ信 （ ｂｉ ｒ ｔｎ ｆ ｉ
中， 因检 测粒度 过粗可 能导致 漏检 ， 采用基 于 自然段 落和语 句的相 似度检 测方法 ， 方便疑似段 落和语 句的 自动 定位 ， 最后设
计 并 实 现 了一 个 文 本 泄 密 检 测 系 统 。 实验 结 果表 明 ， 技 术 能很 好 地 应 用 于 涉 密 文 本 泄 密 的 检 测 ， 有 保 密 、 工 干 预 少 、 该 具 人 效率 高、 似 段 落定位等 特点 。 疑 关键词 ： 自然 语 言 处 理 ； 文 本 泄 密 ； 加 密 ； 相 似 度 检 测 ； 信 息 抽 取
Βιβλιοθήκη Baidu
中图法分类 号： Ｐ ９ Ｔ３１
文献标 识码 ： Ａ
文章编号 ：０ ０７２ （０ １０ ．６００ １０ —０ ４ ２ １） ８ ０ ． ２ ４
Ａｕ ｏ ｄ ｔｃｉ ｎｔ ｃ ｎ ｌｇ ｆ ｅ ｔ ｉｕ ｇ ｎ ｅｂ ｓ ｄｏ ａ ｕ ａ ｎ ｕ ｇ ｒ ｃ ｓｉ ｇ ｔ － ｅｅ ｔ ｈ ｏｏ ｙ ｏ ｘ ｖ ｌ ｅ ｃ ａ ｅ ｎｎ ｔｒ ｌ ａ ｇ ａ ｅｐ ｏ ｅ ｓｎ ｏ ｅ ｔ ｄ ｌ
情 况 ，更 有 甚 者 仅 仅 为 涉 密 原 文 的 某 些 语 句 。 工 作 人 员 在 检 测 时需 逐 段 逐 句 的 进 行 比较 并 定 位 疑 似 泄 密 信 息 ，否 则 会 出 现 漏 检 。三 是 安 全 性 差 ，易 造 成 二 次 泄 密 。 由于 人 工 检 测 需 查 看 涉 密 文 件 ，为 信 息 的 泄 密 多 了一 份 可 能 与 危 险 。针 对 以
要 的 任 务 。目前 针 对 各 级 党 政 机 关 网站 的信 息 泄 密 检 测 主 要 采 用 人 工 检 测 方 式 ， 率 低 、 全 性 差 。 主 要 原 因 有 ３点 ： 效 安 一 是 网 络信 息 量 大 。 工 作 人 员 需 访 问 大 量 网 页 ， 载 大 量 文 档 下 逐 一 查 看 比 较 ， 过 人 工 判 断是 否 存 在 涉 密 信 息 。 二 是 泄 密 通
ＷＡ ＮＧ ｉ ｉ， ＧＥ ａ — ｎ ， Ｓ ｉ Ｚ ＮＧ Ｑｉｎ Ｌ － ｎ ｘ ＮＧ Ｈｕ ｎｔ ｇ ＵＮ Ｋａ， ＨＡ ａ ｏ
（ｃｏ ｌｆ ｏ ｕｅ ｄ ｏｔ ａ ，Ｎ ｎｉｇ ｎ ｅｓｙｏ ｌｆｒ ￣ｉ ｃ ｎ ｅ ｄ ｅｈ ｏｏｙ Ｓ ｈ ｏ ｏ Ｃ ｍｐ ｔ ａ ｆ ｒ ｒ ｎ Ｓ ｗ ｅ ａｊ ｉ ｒ ｔ ｎｏｍ ｏ Ｓ ｉ ｃ ｃｎ ｌｇ，Ｎａｊ ｇ １ ０４ ｈ ａ ｎＵ ｖ ｉ ｆ ｎ ｅ ａ Ｔ ｎ ｎｉ ０４ ，Ｃ ｉ ） ｉ ２ ｎ ｎ
２ ０ ２ １， ｏ．２ Ｎｏ８ 计 算 机 工 程 与 设 计 Ｃ ｍｐ ｔ Ｅ ｇ ｅｒ ｇ ｎ Ｄ ｓ ｎ ６０ ０ １ Ｖ １ ， ． ３ ｏ ｕ ｒ ｎ ｉ ｅ ｎ ｄ ｅｉ ｅ ｎ ｉ ａ ｇ
基于 自然 语言处理的文本泄 密 自动检测技术
王 利 鑫 ， 耿 焕 同 ， 孙 凯 ， 张 茜 （ 南京信 息 工程 大学 计 算机 与软件 学 院 ，江苏 南京 ２ｏ ４ ） １ｏ４
肃 酒 泉 人 ，硕 士 研 究 生 ，研 究 方 向 为人 工 智 能 。Ｅ ｍａ ：ｗｌ ２ ＠ １３ｃｒ — ｉ ｌ ｘ １ ６． ｎ ｏ
＿
王利鑫 ，耿焕 同，孙凯 ，等 ：基 于 自然语 言处理 的文本泄 密 自动检测技术
ｅｔ ｃ ｏ） ｘｒ ｔ ｎ，就 是 从 Ｗｅ ａｉ ｂ页 面 中所 包 含 的 无 结 构 化 或 者 半 结 构 化 的信 息 中识 别 用 户 所 感 兴 趣 的 信 息 数 据 ， 将其 转化 为 结 构 并 和 语 义 更 加 清 晰 的 数据 格 式 。论 文 仍 采 用 原 先 提 出 的 一种 基 于 视 觉 分 块 的 Ｗｅ 信 息 抽 取 方 法 ， ｂ 自动抽 取 相 关 网 站 的 信 息 。 在 此 基 础 上 ， 对 具 体 网 页 进 行深 层 抽 取 ， 对 某 一 具 体 又 即 网页 的 文 本 内容 进 行 抽 取 。首 先 获 得 初 次 抽 取 的 网 页 的 网 址 集 合 ， 后 分 析 某 具 体 网页 源 文 件 ， 后 采 用 基 于 正 则 表 达 式 然 最 的方 法 自动 将 网 页 中 的文 本 内容 抽 取 出来 ，将 此 文 本 内容 用 作 泄 密 检 测 的数 据 来 源 。
与 此 同 时 ，信 息 泄 密 随 着 信 息化 程 度 的 提 高 而 日益 加剧 。近
年 来 ， 级 党 政 机 关 门户 网 站 普及 的 同 时 ， 法 披 露 国家 秘 密 各 非
信 息 事 件 呈上 升趋 势 ， 泄 密 事件 中所 占 比例 也 迅 速 攀 升 ， 在 信 息 公 开 的 同 时 导致 了信 息 的泄 密 … 在 各 种 信 息 安 全 威 胁 所 造 。 成 的 损 失 中 ， 业 和 政 府 机 构 因 重 要 信 息 被 泄 密 所 造 成 的损 企 失 排 第 一 位 。所 以 ， 息泄 密 检 测 己成 为 一项 十 分 艰 巨而 重 信
ｍａ ｕ ｌ ｐ ｒ ｔ ｎ ｗｈ ｃ ｓ ｉｅ ｅ ｔ ｅ ａ ｄ ｅ ｓｌ ｅ ｄ ｔ ｅ ｏ ｄ ｒ ｉ ｕ ｇ ｎ ｅ Ａｉ ｄ ａ ｈ ｂ ｖ ｕ ｓｉ ｎ ， ａ ａ ｔ — ｅ ｅ ｔｏ ｎ ａ ｅ ａ ｏ ， ｏ ｉ ｉｈ ｉ ｎ ｆ ｃｉ ｎ ａ ｉ ｌａ ｏ ｓ ｃ ｎ ａ ｙ ｄ ｖ ｌ ｅ ｃ ． ｖ ｙ ｍｅ ｔｔ ｅ ａ ｏ ｅ ｑ ｅ ｔｏ ｓ ｕ ｏ ｄ ｔ ｃｉ ｎ