[发明专利]一种自动检测文档敏感信息的方法和应用

权利要求书

1.一种自动检测文档敏感信息的方法和应用，包括以下步骤：

S1、敏感词典的准备，包括以下子步骤：

S11、准备好词典，敏感词典中的结构为词-敏感词类型-权重；

S12、根据敏感词典，构建符合需求的AC自动机；

S13、针对每个汉字，构建其相应的拼音、形近字、同音字和繁体等的模糊信息库；

S2、检测敏感信息，包括以下子步骤：

S21、使用精确匹配进行匹配与敏感词典中的词完全相同的词，得到敏感词的位置，放入bitmap中；

S22、使用模糊匹配，首先通过bitmap过滤已经精确匹配的词的位置，然后结合已建立好的信息库进行模糊匹配，匹配出与敏感词有一定相似度的词；

S23、统计每个的词的位置，所属敏感类型、敏感覆盖率以及敏感权重；

S3、构建REST服务：将敏感信息检测方法应用到REST服务，将其作为一个库，可以被用户使用REST-API调用。

2.根据权利要求1所述的一种自动检测文档敏感信息的方法和应用，其特征在于：所述敏感词典有三列，分别表示敏感词、敏感词类型以及权重，敏感词有涉赌、涉毒、粗言秽语、政治反动、色情等等类型，且权重的取值范围为1到10之间。

3.根据权利要求1所述的一种自动检测文档敏感信息的方法和应用，其特征在于：所述AC自动机是由敏感词典、Trie树和fail指针所构建，且Trie树根据敏感词典所构建，并且fail指针是根据Trie树所建立。

4.根据权利要求1所述的一种自动检测文档敏感信息的方法和应用，其特征在于：所述敏感词的检测可以分为精确匹配和模糊匹配两个过程，且精确匹配指的是搜索文档中与敏感词完全一致的字符串，并且模糊搜索是通过使用与繁体、拼音、同音、形近等信息库相结合的策略进行处理。

5.根据权利要求1所述的一种自动检测文档敏感信息的方法和应用，其特征在于：所述敏感信息检测使用Python3来编程实现，且基于tornado框架作为REST服务的基本框架，将敏感信息检测作为一个库集成到服务中，并提供REST-API。