1.数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于,包括以下步骤:
S1)文档指纹提取:根据文件头信息识别出相应类型的文档文件,解析并保存为文本文件,并对文本文件进行规格化预处理;
S2)指纹计算:
S21)对步骤S1)预处理过后的文本串s,长度为n,选取一个长度窗口为k(0<k<n)在文本串s上滑动,每次滑动一个固定的步长;
S22)通过滑动得到一个子字符串序列,对每个子字符串,利用特定的哈希算法,分别计算哈希值,形成一个哈希值序列;
S23)选取长度为w的另一个窗口,用来按步长分割步骤S22)所得到的哈希值序列,总共分割成n-k-w+2个哈希值子序列;
S24)分别对步骤S23)得到的每个子序列,通过一种算法提取出一个最能代表这个子序列的哈希值,作为这个子序列的局部指纹;
S3)设步骤S2)得到的指纹为FP2,源文档的指纹为FP1,计算FP2和FP1的交集进行指纹匹配,目标文档的匹配源文件的比例为:
r=((FP1∩FP2)/FP1)*100%;
如果r大于实现设定的阈值,则认为该目标文档是一个敏感文件。
2.根据权利要求1所述的数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于:
步骤S1)中,根据文件头信息识别出的相应类型的文档文件包括.doc(x)、.ppt(x)、.txt或者.pdf类型的文档文件。
3.根据权利要求1所述的数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于:
步骤S1)中,所述对文本文件进行规格化预处理,具体包括:
除页眉页脚信息、去除页码信息,去掉空行、多余的空格、标点符号信息,还包括编码统一化。
4.根据权利要求3所述的数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于:
所述编码统一化采用UTF-8编码。
5.根据权利要求1所述的数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于:
步骤S24)中,局部指纹提取的方法包括:取模法、取最大值法或者取最小值法,取平均数法。
6.根据权利要求1所述的数据防泄露系统中一种文档指纹提取及匹配方法,其特征在于:
步骤S24)中,局部指纹提取的方法采用取最小值法。