田菁菁　許慧云　葉紫光

關(guān)鍵詞：機器學(xué)習(xí);金庫模式;語義分析

中圖法分類號：TP181 文獻標(biāo)識碼：A

1引言

近年來，國家對公民隱私信息和公司業(yè)務(wù)信息安全高度重視，已推出各項保護政策，彰顯了信息保護的重要性。為此，中國移動河南公司為了彌補對于內(nèi)部人事行為的監(jiān)管不足、解決高權(quán)限賬號被濫用的問題，建立了高風(fēng)險操作納入金庫管理的模式，以提高信息安全管控水平。

2金庫管理模式介紹

中國移動河南公司在之前的經(jīng)營生產(chǎn)中，關(guān)于敏感數(shù)據(jù)是否可以成功訪問，取決于本次訪問的原理是否合理。然而在操作者輸入訪問理由的過程中，可能出現(xiàn)詞不達意、表述不明確或者填寫不規(guī)范等問題。但監(jiān)管系統(tǒng)未建立有效機制來審核原因，因此可能導(dǎo)致敏感數(shù)據(jù)泄露，影響公司運營和客戶滿意度。針對此問題，可以采用金庫管理模式進行有效監(jiān)管。

“金庫模式”又被稱之為“雙人操作”或者“多人操作”模式。當(dāng)涉及高價值信息的高風(fēng)險操作時，強制要求必須由兩個或者兩個以上有相應(yīng)權(quán)限的員工共同協(xié)作完成。通過操作人員之間互相監(jiān)督來確保關(guān)鍵操作的安全性。

3主要技術(shù)方案

3.1總體方案概述

此項目是基于scikit?learn框架開發(fā)的一個自然語言處理模型，scikit?learn框架則基于Python語言而搭建。其中，關(guān)聯(lián)度最高的是numpy模塊組，該模塊組用于線性代數(shù)和矩陣的運算。Scikit?learn框架是目前使用較為廣泛、應(yīng)用場景基礎(chǔ)良好的數(shù)據(jù)分析的機器學(xué)習(xí)框架。Scikit?learn框架主要負(fù)責(zé)以下幾個方面的工作：數(shù)據(jù)分類預(yù)測、數(shù)據(jù)回歸預(yù)測、數(shù)據(jù)信息聚類、數(shù)據(jù)降維處理以及模型選擇和數(shù)據(jù)預(yù)處理。

該模型適用于操作者在人為輸入申請原因時進行語義分割判斷，使用訓(xùn)練好的模型可以過濾垃圾信息，可以讓訪問者的申請行為更為系統(tǒng)化與規(guī)范化，使得重要信息系統(tǒng)能夠?qū)崿F(xiàn)內(nèi)容搜索、內(nèi)容推薦、語義識別及分析等功能。

3.2主要功能和技術(shù)實現(xiàn)方案

3.2.1中文分詞介紹

中文分詞即Chinese Word Segmentation。人類可以準(zhǔn)確清晰地將所接收到的語句分割為單獨詞語，因此期望設(shè)計出的系統(tǒng)也可以達到這一目。由于中文與英文的起源不同，詞與詞之間的連接方式不同，所以中文分詞和英文分詞存在巨大差異。對英文而言，一個單詞就是一個詞，詞與詞之間用空格進行天然分割。而中文以“字”作為基本單位進行語句陳述，詞語之間并不用空格進行分隔，中文語句在分割方面相比英文語句更難。中文分詞的算法可分為“基于詞典的分詞算法”“基于統(tǒng)計分詞算法”“基于語義的分詞算法”“基于字標(biāo)注的中文分詞算法”。

3.2.2結(jié)巴中文分詞算法介紹

Jieba（ 結(jié)巴分詞） 是一個簡單高效又靈活的Python 工具庫， Jieba 工具庫中的語句簡潔凝練， 可以提供多種模式對中文文本進行分詞， 并且可以自由修改詞典文件。利用結(jié)巴分詞算法，可以達到以下目的：實現(xiàn)基于Trie 樹結(jié)構(gòu)的高效詞圖掃描，對語句的所有輸入數(shù)據(jù)都加以分析，以語句中分割的詞語為落腳點，去分析該句子中詞語可能的構(gòu)詞情況，然后再由它形成算法所要求的有向無環(huán)圖（DAG）;得到有向無環(huán)圖之后，就要去測算每條路徑的可能性，這里采用動態(tài)規(guī)劃算法來找到最概率最大的路徑，將圖上點進行串聯(lián)得到最大切分組合;對于未收錄的詞匯（這里指的是并未收錄在詞典中的詞），將采用基于漢字構(gòu)詞能力的HMM 模型進行維特比算法。

3.2.3結(jié)巴中文分詞支持的三種分詞模式

（1） 精確模式：將語句精確分解至詞，從而更好地進行語義分析。

（2） 全模式：從語句的頭部開始讀取，一直到尾部，這種讀取方法的速度較快，但是對于語句的歧義問題沒有得到很好地解決。

（3） 搜索引擎模式：這是在精確模式的基礎(chǔ)上，對可能存在的較長的組合詞匯在進行切分，從而提高召回率，適合用于搜索引擎分詞。

分詞效果如下例所示。

import jieba↙

string：'這個把手該換了，我不喜歡日本和服，別把手放在我的肩膀上，工信處女干事每月經(jīng)過下屬科室都要親口交代24 口交換機等技術(shù)性器件的安裝工作'↙

result= jieba. lcut（string） print（len（result），'/ '.join（result））↙

結(jié)果。

38 這個/ 把手/ 該換/ 了/ ，/ 我/ 不/ 喜歡/ 日本/ 和服/ ，/ 別/ 把手/ 放在/ 我/ 的/ 肩膀/ 上/ ，/ 工信處/ 女干事/ 每月/ 經(jīng)過/ 下屬/ 科室/ 都/ 要/ 親口/ 交代/24/ 口/交換機/ 等/ 技術(shù)性/ 器件/ 的/ 安裝/ 工作?

效果如圖1、2 所示。

3.2.4分類和聚類是文本挖掘中常用的方法

當(dāng)用到這類方法的時候，是為了對檢測的數(shù)據(jù)進行區(qū)分，兩者的區(qū)別在于：分類基于有監(jiān)督的學(xué)習(xí)，分類算法的核心在于對文本類型的判斷;而聚類是對讀入的語句數(shù)據(jù)進行每句之間的相關(guān)度分析，并將高關(guān)聯(lián)度的語句加以聚合，歸為一類。在分類計算中，由于將有監(jiān)督的學(xué)習(xí)作為前提，所以數(shù)據(jù)集都具有標(biāo)注，能讓網(wǎng)絡(luò)在學(xué)習(xí)中不斷修正，增加最后的準(zhǔn)確度。但由于文本數(shù)據(jù)集較少，不能讓模型得到足夠大規(guī)模的學(xué)習(xí)以修正權(quán)值，最終效果并未達到預(yù)期，所以我們選用聚類算法對大規(guī)模隨機微博文本加以解決。

（1）預(yù)處理常用方法

文字信息內(nèi)容預(yù)處理包括：對分割出來的詞進行詞性分析（謂語、形容詞和副詞）、語義人物標(biāo)識、數(shù)據(jù)詞典建設(shè)、文字項目分割、文字信息內(nèi)容的分詞流程。語義人物標(biāo)識是指：在名詞指代事物中扮演的各種人物（施事、受事、客體、經(jīng)歷者、受益者、工具、處所、目標(biāo)和來源等）。數(shù)據(jù)詞典建設(shè)是指：所用到的詞的類別分類的索引字典。

（2）文本信息的特征表示

為了能夠提取出文本信息中的對應(yīng)語句特征，可以使用多種方法。其中方法包括：有邏輯判斷的布爾型、概率型，布爾型與概率型的混合型和多維度記錄的向量空間型。向量空間模型（VSM）最大優(yōu)勢就是能夠獲得更為全面的文本信息特征，是分析完文本信息之后組成特征向量（T₁，T₂，…，T_n）。當(dāng)特征足夠多，可以組成文本信息特征向量矩陣;（W₁，W₂，…，W_n）為文檔項對應(yīng)的權(quán)重，對應(yīng)每個特征向量相乘的值。文本特征構(gòu)建的主要目的是能夠?qū)⒃镜奈谋巨D(zhuǎn)化為詞表和特征向量的組合，以更加高效的方式去存儲語句信息。

（3）文本信息特征縮減

向量空間模型（VSM）構(gòu)建完成之后并不是完美的，也存在向量數(shù)目過多、長度過長等問題。因此，在對文本進行聚類之前，必須對向量空間模型（VSM）進行精簡，對特征相關(guān)度較低的向量進行相應(yīng)的壓縮操作，并且從高到低的對權(quán)值相關(guān)度進行排序，保留能夠表示文本信息特點的特征詞與其權(quán)重。

（4）構(gòu)造特征空間

經(jīng)過上述步驟，可以得到最具表征的特征向量和特征詞，以此作為構(gòu)建特征空間的基本素材，設(shè)置訓(xùn)練模型的基本參數(shù)。

3.2.5樸素貝葉斯算法

在分類方法計算中， 樸素貝葉斯算法（Naive Bayesian algorithm） 是應(yīng)用得最多一個計算類型。樸素貝葉斯算法由貝葉斯算法改進而來的，貝葉斯算法本身考慮了合并先驗概率和后驗概率，既沒有掉入到前者的主觀偏見中，也可以彌補語句信息過于擬合的劣勢。樸素貝葉斯算法在此基礎(chǔ)上更加注重在設(shè)置目標(biāo)值時，屬性之間應(yīng)該具有獨立性。這樣就可以降低被設(shè)置的屬性之間的冗余度，使每個屬性都具有較高的獨立性，利于整個目標(biāo)屬性之間的均衡。雖然樸素貝葉斯算法總體的準(zhǔn)確度沒有貝葉斯算法高，但是在實際的應(yīng)用中，樸素貝葉斯算法的可用性更強，減輕了系統(tǒng)的運算壓力。

3.2.6 Flask 框架介紹

Flask 是基于Python 語言編寫的輕量級網(wǎng)絡(luò)框架模型。其中，Jinja2 模板引擎和Werkzeug WSGI 以框架模型作支撐 。Jinja2 模板引擎主要負(fù)責(zé)用戶對金庫訪問系統(tǒng)的使用反饋，即用戶提出訪問申請后，將對應(yīng)的數(shù)據(jù)輸入文件，該模板引擎對其渲染加工之后再放回系統(tǒng)的響應(yīng)頁面呈現(xiàn)給客戶。設(shè)計Werkzeug WSGI 的目的是架起Web 服務(wù)器與系統(tǒng)調(diào)用接口之間通信的橋梁，能夠讓服務(wù)器傳遞所要求請的數(shù)據(jù)信息給Web 程序。

3.2.7 構(gòu)建垃圾信息分類的機器學(xué)習(xí)模型

數(shù)據(jù)集是標(biāo)注為正常和非正常語句數(shù)據(jù)的集合。首先，可以使用數(shù)據(jù)集構(gòu)建預(yù)測模型，以準(zhǔn)確分類哪些文本是不正常的;其次，可以使用Naive Bayes定理構(gòu)建一個簡單的消息分類器。

4結(jié)束語

通過應(yīng)用基于機器學(xué)習(xí)的人工智能語義分析方法，增強了金庫模式的管控力度，加強了各業(yè)務(wù)系統(tǒng)對語義分析的應(yīng)用效果，具備一定的推廣價值。

作者簡介：

田菁菁（1976—），本科，工程師，研究方向為：網(wǎng)絡(luò)安全、信息系統(tǒng)安全、數(shù)據(jù)安全。