本發明公開了一種文檔密級自動識別方法，其中，包括：定義特征詞項、特征詞項分布向量、特征詞項庫、段落特征詞項空間向量、段落基準庫以及文檔敏感度；進行預處理，基于訓練文檔，標定訓練文檔中各段落密級及與之對應的初始敏感度；抽取段落的特征詞項，建立段落空間向量，從而構建段落基準庫；在待定密的目標文檔中對各段落進行敏感度判定時，通過計算待定密段落與段落基準庫中各段落的相似度，鎖定與待定密段落相似度最大的段落，以其敏感度作為待定密段落的初始敏感值；基于待定密段落與所匹配段落的特征詞項所攜帶的敏感度的差異，修正待定密段落的敏感度，通過計算目標文檔所有段落的敏感度，并獲取敏感度最高者作為目標文檔的敏感度，確定文檔的敏感度及其對應密級。

技術領域

本發明涉及文檔安全技術領域，特別涉及一種文檔密級自動識別方法。

背景技術

隨著信息化的快速發展，各類軍工企事業單位大力進行信息化建設的同時，對文檔的定密技術要求越來越高。目前，自動定密研究很少，而傳統的手工標記或分級，往往效率低下且效果不理想。因此利用機器學習等技術對敏感信息進行自動分析、自動定密成了一個重要而實用的技術方向。

發明內容

本發明的目的在于提供一種基于插件架構的主機監控系統，用于解決上述現有技術的問題。

本發明一種文檔密級自動識別方法，其中，包括：定義特征詞項、特征詞項分布向量、特征詞項庫、段落特征詞項空間向量、段落基準庫以及文檔敏感度；進行預處理，基于訓練文檔，標定訓練文檔中各段落密級及與之對應的初始敏感度；抽取段落的特征詞項，建立段落空間向量，從而構建段落基準庫；初始敏感度計算階段，在待定密的目標文檔中對各段落進行敏感度判定時，通過計算待定密段落與段落基準庫中各段落的相似度，鎖定與待定密段落相似度最大的段落，以其敏感度作為待定密段落的初始敏感值；敏感度修正階段，基于待定密段落與所匹配段落的特征詞項所攜帶的敏感度的差異，修正待定密段落的敏感度，文檔密級確定階段，通過計算目標文檔所有段落的敏感度，并獲取敏感度最高者作為目標文檔的敏感度，確定文檔的敏感度及其對應密級。

根據本發明的文檔密級自動識別方法的一實施例，其中，通過TF-IDF方法構建向量空間模型。

根據本發明的文檔密級自動識別方法的一實施例，其中，特征詞項庫獲取框架獲取段落特征詞項，特征詞項庫獲取框架包括：

χ²值越大，則詞項與段落文本敏感度相關性就大；χ²值越小，則詞項與段落文本敏感度相關性就?。?/p>

式(1)表示，對任意詞項t，其中k₁₁代表在訓練文本集中，所有涉密段落文本集c中包含詞t的段落文本個數，k₀₀代表在涉密段落文本集c中不包含詞項t的段落文本個數；k₀₁代表在非密段落文本集中包含詞t的段落文本個數，k₁₀代表在非密段落文本集中不包含詞項t的段落文本個數；N代表兩類集合中文檔的總數量，即訓練文本集中的段落總數N＝k₁₁+k₀₀+k₀₁+k₁₀，sgn表示取正負號符號；

通過對涉密段落文本集合和非涉密段落文本集合的詞項頻率統計，用帶有正負符號的χ²分布計算值，最后通過閾值過濾來得到特征詞項。

根據本發明的文檔密級自動識別方法，其中，獲取特征詞項的方法包括：第一步：收集訓練庫；第二步：對段落文本集合進行分詞；第三步：對有實際意義的詞項進行進一步篩選，將過濾后所得詞項在當前涉密段落文本中進行詞項出現次數統計，當大于閾值θ的詞項，列入候選特征詞項；第四步：統計候選特征詞項出現段落數目；第五步：計算候選特征詞項敏感度相關性，將相關性大于閾值的詞項加入到特征詞項庫中。