[发明专利]一种用于敏感数据泄露检测的关键词语义分类方法与系统

说明书

本发明公开了一种用于敏感数据泄露检测的关键词语义分类方法及系统，具体步骤如下：步骤1，输入敏感关键词库；步骤2，使用自然语言处理技术对关键词库向量化；步骤3，对每个关键词对应的向量数据降维；步骤4，对已经降维的向量数据，进行聚类分析；骤5，对已经完成聚类分析的关键词向量，结合业务对关键词类别进行标识；步骤6，根据所以已经标识的类别标签，对每个类别进行关键词分组优化；步骤7，输出敏感关键词库类别。以向量化形式表达词汇，以达到对词汇的分类分级；基于特定类别的词汇，使用相似度计算，优化词汇分类；将庞大的关键词库分类细化，提高了使用者的工作效率和指定领域的数据匹配精准度。

技术领域

本发明涉及计算机数据安全技术领域，具体为一种用于敏感数据泄露检测的关键词语义分类方法与系统。

背景技术

敏感数据一般指的是企业、组织或者个人保密程度较高的信息数据。

在互联网高速发展的近几年中，信息安全变的尤为重要，企业面临的敏感数据泄露风险也越来越大。对于此类问题，当前企业用的最多最广的方法是利用敏感词匹配的方法进行互联网敏感信息发现，而其中使用的敏感词汇词库会随着样本数据逐渐增加的情况下越来越庞大冗杂。

敏感数据类型繁多，提取出的敏感关键词具有领域广，种类多的特点，如何有效利用庞大的关键词库从海量的互联网信息中查找和追回数据是众多行业面临的一大考验。

当前企业利用关键词查找敏感数据的常用方法是在已有关键词库内，随机选择或者遍历所有词汇，然后使用每个关键词对互联网信息进行匹配查找敏感数据。

如申请号为201911285835.5公开的一种关键词提取方法装置及介质，首先接收原始文档，从原始文档提取候选词，将提取出的候选词构成第一词语集合；获取第一词语集合中每个第一词语与原始文档的第一关联度，根据第一关联度确定第二词语集合；针对第二词语集合中的每个第二词语，在词语关联拓扑中查询与第二词语符合关联条件的至少一个节点词构成第三词语集合；确定第二词语集合和第三词语集合的并集，获取并集中每个候选关键词与原始文档的第二关联度，根据第二关联度从并集中选择至少一个候选关键词构成原始文档的关键词集合。虽然该技术可减少计算复杂度，提升计算速度；解决现有方法中优先选择高频词的问题；有效丰富关键词的表达方式。但是依然存在丢失一些重要的敏感词。

综上所述，现有技术中的这种使用关键词匹配敏感数据方法，存在占用计算资源高、时间周期长、匹配领域没有针对性等缺点。因此，为了提升工作效率、降低计算资源，亟需找到一种能够对关键词进行准确分类分级的方案，方便工作人员，在有限的资源和时间条件下，选择优先级更高的关键词目标，以快速高效、有针对性的从海量的互联网信息中查找和追回敏感数据。

发明内容

本发明所要解决的技术问题在于如何快速高效、有针对性的从海量的互联网信息中查找和追回敏感数据。

本发明通过以下技术手段实现解决上述技术问题的：

一种用于敏感数据泄露检测的关键词语义分类方法，包括以下步骤：

S01，输入敏感关键词库；

S02，词向量化，使用自然语言处理技术对关键词库向量化；

S03，数据降维，对每个关键词对应的向量数据降维；

S04，聚类分析，对已经降维的向量数据，进行聚类分析；

S05，类别标识，对已经完成聚类分析的关键词向量，结合业务对关键词类别进行标识；

S06，类别优化，根据所有已经标识的类别标签，对每个类别进行关键词分组优化；

S07，输出敏感关键词库类别。