面向航天專網(wǎng)的敏感內(nèi)容審查系統(tǒng)構(gòu)建淺析

◎北京空間機電研究所 劉麗玲 范慧莉 趙青青 閆順琪 孫麒 劉啟賢

隨著網(wǎng)絡(luò)化、智能化技術(shù)的飛速發(fā)展，航天企業(yè)的信息化、辦公自動化水平顯著提升，與此同時，也給國家涉密信息的安全防護(hù)工作帶來了新的挑戰(zhàn)。在保密管理工作中敏感內(nèi)容輸出檢查是一個重要的環(huán)節(jié)。目前，大部分航天企業(yè)對專網(wǎng)用戶日常處理的信息進(jìn)行監(jiān)督和檢查時，還只是通過對保密安全系統(tǒng)的入口進(jìn)行監(jiān)督和審計。近些年，為適應(yīng)運營業(yè)務(wù)需要，航天企業(yè)建立了多種保密安全系統(tǒng)，由于系統(tǒng)入口數(shù)量多，各系統(tǒng)審計的顆粒度、審計標(biāo)準(zhǔn)不統(tǒng)一，給涉密信息內(nèi)容的檢查帶來了諸多問題，因此構(gòu)建面向航天專網(wǎng)的敏感內(nèi)容審查系統(tǒng)，改進(jìn)檢查方法手段，加強對日常工作中傳播文件敏感信息的識別與控制，在航天企業(yè)保密安全管理工作中顯得尤為重要。

面向航天專網(wǎng)的敏感內(nèi)容審查系統(tǒng)需要實現(xiàn)以下三方面的目標(biāo)功能：

1、根據(jù)統(tǒng)一的敏感信息篩查規(guī)則，對所有客戶端的打印內(nèi)容進(jìn)行自動檢查，審計高密級文檔按低密級打印等違規(guī)行為。

2、根據(jù)統(tǒng)一的敏感信息篩查規(guī)則，對所有客戶端的刻錄內(nèi)容進(jìn)行自動審查，審計高密級文檔按低密級刻錄等違規(guī)行為。

3、對定制化的敏感信息防護(hù)要求，能夠?qū)Υ龣z查的文件內(nèi)容進(jìn)行全文檢索審查。

一、解決方案

設(shè)計面向所有應(yīng)用系統(tǒng)的統(tǒng)一的接口協(xié)議，敏感內(nèi)容審查系統(tǒng)通過調(diào)用統(tǒng)一的接口可以收集郵件系統(tǒng)、導(dǎo)入導(dǎo)出系統(tǒng)、打印系統(tǒng)等第三方系統(tǒng)的數(shù)據(jù)，基于數(shù)據(jù)解析技術(shù)、OCR識別技術(shù)，進(jìn)行文本內(nèi)容提取。利用全文檢索技術(shù)，根據(jù)預(yù)先定義的敏感內(nèi)容審查規(guī)則對數(shù)據(jù)進(jìn)行深度的內(nèi)容審查，通過上述的主要功能，構(gòu)建一套集安全、可控、高效于一體的保密審查管理體系。

圖1 內(nèi)容審查管理系統(tǒng)架構(gòu)圖

敏感內(nèi)容審查系統(tǒng)架構(gòu)圖如圖1所示。

（一）審查內(nèi)容同步

借助統(tǒng)一的接口協(xié)議，利用OCR內(nèi)容識別提取技術(shù)、數(shù)據(jù)傳輸技術(shù)來自動同步郵件、導(dǎo)入導(dǎo)出、打印等辦公應(yīng)用系統(tǒng)的任務(wù)日志和任務(wù)內(nèi)容文件，將同步的數(shù)據(jù)通過數(shù)據(jù)解析技術(shù)進(jìn)行文字解析提取后保存在數(shù)據(jù)庫中，用于后續(xù)的內(nèi)容審查。

（二）保密審查員管理

系統(tǒng)管理員可根據(jù)實際管理要求，配置企業(yè)級保密審查員和多個部門級保密審查員，并配置審查員的相應(yīng)權(quán)限和審查范圍。通常審查范圍要求如下：

所級審查員：具有定期對全企業(yè)各涉密系統(tǒng)、所有客戶端文件檢索審查的權(quán)限。

部門級審查員：具有對部門內(nèi)所有客戶端文件檢索審查的權(quán)限，可以自定義審查規(guī)則。

（三）敏感內(nèi)容篩查規(guī)則

保密審查員可以按照涉密等級、業(yè)務(wù)內(nèi)容設(shè)定敏感內(nèi)容、風(fēng)險篩查點規(guī)則，其規(guī)則通常為關(guān)鍵主題詞的集合，如密級、型號代號、型號名稱等不同類型關(guān)鍵字或者具體的型號名稱和型號代號值。

（四）審查報告生成

根據(jù)審查員設(shè)定的敏感內(nèi)容篩查規(guī)則，自動對系統(tǒng)中存儲的文本內(nèi)容或圖片進(jìn)行全文檢索，并生成風(fēng)險報告。根據(jù)風(fēng)險報告按照審查員預(yù)先設(shè)定的審查周期自動生成審查報告。生成周期分為日報、周報、月報、季報、年報。也可以根據(jù)實際業(yè)務(wù)需要，指定特定的時間范圍進(jìn)行手動生成審查報告。

（五）關(guān)鍵敏感詞檢索

保密審查員可以自定義關(guān)鍵敏感詞進(jìn)行全文檢索，系統(tǒng)將含有關(guān)鍵字的所有文本內(nèi)容顯示在列表中，審查員可以根據(jù)需要顯示檢索內(nèi)容的上下文，也可以查看任務(wù)的預(yù)覽文件和下載原文。關(guān)鍵字在上下文及預(yù)覽文件中全部以高亮顯示，便于用戶迅速查看定位，根據(jù)敏感詞所處語境判斷是否涉密。

二、關(guān)鍵技術(shù)

（一）OCR內(nèi)容提取

敏感內(nèi)容審查系統(tǒng)的OCR（Optical Character Recognition）內(nèi)容提取采用的是光學(xué)字符識別技術(shù)，對圖片中的圖像數(shù)據(jù)進(jìn)行轉(zhuǎn)碼、數(shù)據(jù)處理、字符識別、位置識別等。OCR的概念最早由德國科學(xué)家TauSheck在1929年首次提出，我國在“863”計劃以后開始OCR技術(shù)的研究，經(jīng)過近百年的發(fā)展，軟件硬件的不斷更新?lián)Q代，目前對漢字的識別率已經(jīng)超過98%[1-2]。在信息識別領(lǐng)域比較常用的有開源的Tesseract、OCRopus、Cuneiform等，商用的有漢王、ABBYY、ExperVision TypeReader等。

面向航天專網(wǎng)的敏感內(nèi)容審查系統(tǒng)在選擇OCR引擎時，應(yīng)主要考慮以下幾個方面：

（1）完全斷網(wǎng)使用。航天企業(yè)根據(jù)不同工作環(huán)境的限制，存在離線工作情況，所以O(shè)CR系統(tǒng)從圖片識別，到授權(quán)方式必須支持在離線的環(huán)境中進(jìn)行，且不能引入其他的硬件設(shè)備。

（2）詞語識別準(zhǔn)確率。經(jīng)過調(diào)研發(fā)現(xiàn)，市場上存在的部分產(chǎn)品對拉丁語系的轉(zhuǎn)換識別效果不錯，對中文的識別準(zhǔn)確率不高。對于排版不規(guī)整的圖片，識別準(zhǔn)確率相對較低。

（3）操作系統(tǒng)的適配。對軍工企業(yè)，操作系統(tǒng)正在逐步國產(chǎn)化，OCR引擎開發(fā)需要兼容國產(chǎn)化的操作系統(tǒng)，可以適配Windows平臺及國產(chǎn)化操作系統(tǒng)。

1、Tesseract技術(shù)原理

Tesseract OCR引擎功能強大，由于識別準(zhǔn)確率高，多用于駕駛證識別、車牌識別、醫(yī)學(xué)化驗單識別、快遞單號識別等領(lǐng)域，其主要功能概括地可以分為兩部分：

（1）圖像輪廓分析是字符識別的準(zhǔn)備階段?；谥票砦粰z測的方法對頁面布局進(jìn)行分析提取，將圖像的表格、文本、圖片等元素內(nèi)容進(jìn)行區(qū)分。

（2）文本塊分割和識別是整個Tesseract的核心，工作內(nèi)容最為復(fù)雜。首先是文本塊切割，包括粗略切分和精細(xì)切分兩個過程：

粗略切分，就是利用字符間的間隔進(jìn)行切分，得到大部分的字符文本塊，也有粘連文本塊或者錯誤切分的文本塊。然后通過字符區(qū)域類型來判定識別字符，通過與字符庫中的文本進(jìn)行比對，完成第一次字符的識別。

精細(xì)切分，就是根據(jù)粗略切分識別出來的字符，對粘連的文本塊進(jìn)行二次切割，同時合并錯誤分割的字符，完成文本塊的精細(xì)切分。

Tesseract OCR引擎識別步驟[3]：

如歷代江西文學(xué)就是江西人民創(chuàng)造的優(yōu)秀的文化遺產(chǎn)，發(fā)掘其深厚意蘊可以讓青年學(xué)生了解江西文學(xué)、文化、歷史的發(fā)展軌跡，江西對全國的貢獻(xiàn)、江西在全國的地位，樹立江西青年的自豪感、自信心、責(zé)任感，激發(fā)他們對江西的熱愛之情，培養(yǎng)他們的鄉(xiāng)土情懷，促進(jìn)精神文明建設(shè)。

（1）字符輪廓區(qū)域分析，檢測出圖片字符區(qū)域，以及子輪廓，進(jìn)一步將眾多輪廓線集合為塊區(qū)域。

（2）由字符輪廓和塊區(qū)域得出文本行，并且通過字符間的空格識別出詞語。對于固定間距的文本塊利用字符單元分割出單個字符，而對百分號的文本通過模糊間隔來分割。

（3）使用具有學(xué)習(xí)能力的自適應(yīng)分類器，逐次對每個單詞進(jìn)行分析。分析過程中將滿足條件的字符記錄到分類器中，這樣越到后面識別的字符越準(zhǔn)確。識別到頁尾后，再對頁首識別不準(zhǔn)確的字符進(jìn)行二次識別，識別精度越來越高。

（4）最后，借助其他方法，識別含糊不清的空格，如通過筆畫高度識別小寫字母、大寫字母的文本。

2、Tesseract OCR 引擎的應(yīng)用

文字識別引擎可應(yīng)用于許多領(lǐng)域，包括輸入文本、自動處理郵件以及自動獲取文本的其他領(lǐng)域。這些領(lǐng)域涵蓋零售商品價簽信息提取、快遞單號信息識別、銀行支票的處理、身份證件識別、醫(yī)療化驗單信息識別等很多場景，方便用戶快速錄入信息、提取信息、識別信息，提高各行各業(yè)的工作效率[4]。

（二）全文檢索

面向航天專網(wǎng)的敏感內(nèi)容審查系統(tǒng)其核心是對文本內(nèi)容進(jìn)行快速遍歷檢查，根據(jù)檢查規(guī)則找出并定位到具體的關(guān)鍵詞語。

內(nèi)容審查分兩個階段：

1、在各類安全系統(tǒng)任務(wù)執(zhí)行過程中，對單個任務(wù)的文本內(nèi)容進(jìn)行篩查，判斷是否符合保密要求，給審查者提供意見。

2、在任務(wù)結(jié)束后，對大量任務(wù)的文本數(shù)據(jù)進(jìn)行檢索遍歷。

在任務(wù)執(zhí)行過程中進(jìn)行簡單的文字搜索，實現(xiàn)較為簡單，可以滿足第1個階段的需求，但在第2個階段，對大量的數(shù)據(jù)進(jìn)行批量檢索，耗時會比較長，無法滿足日常保密審查應(yīng)用要求。所以研究所在系統(tǒng)建設(shè)中引入全文檢索引擎。全文檢索引擎產(chǎn)品類型較多，包括基于Java的Lucene、ElasticSearch、Solr，C++的Xapian、 Sphinx，Python的Whoosh，Go的wokong等[5-6]。

航天企業(yè)選型時需要從以下幾個方面綜合考慮：

（1）性能、穩(wěn)定性、成熟度。全文檢索引擎需要保存所有入口的文本內(nèi)容，并創(chuàng)建一對一的索引，以便快速檢索、定位，屬于核心中間件。

（2）中文分詞。拉丁語系是以空格作為語句單元分割，但對于中文就較為復(fù)雜，尤其是在應(yīng)對新詞的情況下，必要時在性能和準(zhǔn)確性方面應(yīng)有所取舍，建議優(yōu)先考慮檢索內(nèi)容的可靠性。

（3）部署和可擴展性。支持多平臺，在單服務(wù)器無法支持的情況下可以方便的橫向擴展。

（4）選型時還要綜合考慮成本、易用性等。

作者所在研究所選擇使用ElasticSearch作為全文檢索引擎。

對ElasticSearch進(jìn)行簡單的性能測試。測試樣本為1.95GB的純文本，共2001個文件，其中最大文件為31.1MB，對應(yīng)Word文檔約為12038頁，1000萬字。一次性對所有文本創(chuàng)建索引，三次平均耗時為29分43秒，期間CPU使用率在2%～18%間浮動。索引完成后，索引數(shù)據(jù)共3.21GB。索引創(chuàng)建完成后，按短語搜索的方式進(jìn)行查詢，同一字符，第一次搜索較慢，消耗在0.7s到2s間浮動，第二次及之后的耗時在0.2s以下。內(nèi)存大小對檢索速度影響較大。 （注：以上時間包含測試程序運行時間，HTTP RESTFul通信時間，ElasticSearch檢索時間。測試機CPU：Intel(R)Core(TM) i7-3720QM CPU @ 2.60GHz，RAM 12GB。）

1、Elastic Search原理

圖2 Elastic Search全文檢索原理圖

Elastic Search（ES）是一個基于Apache Lucene構(gòu)建的開源、分布式的全文搜索引擎，同時也是一個分布式文檔庫，庫中的每個字段均是被索引的數(shù)據(jù)且可被搜索，能夠擴展至數(shù)以百計的服務(wù)器，存貯與處理PB級的數(shù)據(jù)，可以短時間存儲、搜索和分析大量的數(shù)據(jù)，具有高效搜索的能力，Elastic Search全文檢索原理圖如圖2所示。

Elastic Search具有以下4個主要特點[6]：

（1）高度的可擴展性：增加一臺機器，只需要添加集群配置，啟動Elastic Search進(jìn)行即可；

（2）分片機制：一個索引可以分成多個Sharding，提高處理效率；

（3）高可用性：每個分片可以設(shè)置多個備份，少量機器宕機不影響正常使用；

（4）不僅具有全文搜索能力，還可以按照字段進(jìn)行結(jié)構(gòu)化搜索、聚合分析。

2、Elastic Search的應(yīng)用

Elastic Search多應(yīng)用于熱點圖、交通情況信息圖等需要實時數(shù)據(jù)搜索和顯示的場景以及數(shù)據(jù)更新頻繁的場景等。

（1）2 013 年初，GitHub放棄Solr，使用Elastic Search來做P B級的搜索。GitHub使用ElasticSearch搜索20TB的數(shù)據(jù)，包括13億文件和1300億行代碼。

（2）維基百科啟動以elasticsearch為基礎(chǔ)的核心搜索架構(gòu)。

（3）SoundCloud使用ElasticSearch為將近1.8億用戶提供即時且精準(zhǔn)的音樂搜索服務(wù)。

（4）百度目前廣泛采用ElasticSearch作為文本數(shù)據(jù)分析，收集百度所有服務(wù)器上的各類指標(biāo)數(shù)據(jù)及用戶定義數(shù)據(jù)，通過對數(shù)據(jù)進(jìn)行多維分析展示，用來輔助定位分析實例異?；驑I(yè)務(wù)層面異常。目前已覆蓋百度20多個業(yè)務(wù)線，包括casio、云分析、網(wǎng)盟、預(yù)測、文庫、風(fēng)控等，單集群最大100臺機器，200個ES節(jié)點，每天導(dǎo)入30TB以上的數(shù)據(jù)。

（5）此外，新浪，阿里，有贊等著名公司也開始了ES方面的相關(guān)技術(shù)研發(fā)和實踐。

三、結(jié)語

本文針對航天專網(wǎng)涉密信息審計存在多入口、人工審計成本高、效率低、審計結(jié)果不精準(zhǔn)等問題，提出了通過信息化手段實現(xiàn)自動風(fēng)險篩查的解決方案，輔助管理員審查敏感內(nèi)容，提高審查效率。通過在本單位實際應(yīng)用表明，敏感內(nèi)容審查系統(tǒng)可以對保密安全管理提供有效的支撐。