[論文レビュー] A Learning oriented DLP System based on Classification Model

Kishu Gupta, Ashwani Kush|arXiv (Cornell University)|Dec 21, 2023

Network Security and Intrusion Detection被引用数 4

ひとこと要約

本論文は、統計的分類モデルを用いてデータ漏洩を検出・防止する学習指向のデータ漏洩防止（DLP）システムを提案する。TF-IDFベクトル化、勾配ブースティング、および新規のIGBCA（改善された勾配ブースティング分類アルゴリズム）を採用し、高い正確性で文書を分類することで、不正なデータ公開のリスクを顕著に低減する。

ABSTRACT

Data is the key asset for organizations and data sharing is lifeline for organization growth; which may lead to data loss. Data leakage is the most critical issue being faced by organizations. In order to mitigate the data leakage issues data leakage prevention systems (DLPSs) are deployed at various levels by the organizations. DLPSs are capable to protect all kind of data i.e. DAR, DIM/DIT, DIU. Statistical analysis, regular expression, data fingerprinting are common approaches exercised in DLP system. Out of these techniques; statistical analysis approach is most appropriate for proposed DLP model of data security. This paper defines a statistical DLP model for document classification. Model uses various statistical approaches like TF-IDF (Term Frequency- Inverse Document Frequency) a renowned term count/weighing function, Vectorization, Gradient boosting document classification etc. to classify the documents before allowing any access to it. Machine learning is used to test and train the model. Proposed model also introduces an extremely efficient and more accurate approach; IGBCA (Improvised Gradient Boosting Classification Algorithm); for document classification, to prevent them from possible data leakage. Results depicts that proposed model can classify documents with high accuracy and on basis of which data can be prevented from being loss.

研究の動機と目的

• 組織におけるデータ漏洩の増加する課題に対処するため、能動的で機械学習に基づくDLPシステムを開発すること。
• 統計的および機械学習的手法を用いて、データ保護のための文書分類の正確性を向上させること。
• 機敏で正確な機密データの検出に適した、改良された分類アルゴリズムであるIGBCAを導入すること。
• さまざまなデータタイプ（DAR、DIM/DIT、DIU）におけるデータ漏洩に関連するリスクを、自動分類によって軽減すること。
• 動的環境において従来の手法（正規表現やデータファングプリント）を上回るスケーラブルで統計的なアプローチを提供すること。

提案手法

• 文書内のテキスト特徴を効果的にベクトル化するために、TF-IDF（項目の頻度－逆文書頻度）を用いて重み付けおよび表現する。
• 非構造化テキストを機械学習モデルに適した数値表現に変換するため、文書ベクトル化技術を採用する。
• アンサンブル学習を活用して予測の正確性を向上させるために、勾配ブースティングを文書分類に適用する。
• 性能を向上させた新たな最適化された分類アプローチとして、IGBCA（改善された勾配ブースティング分類アルゴリズム）を導入する。
• ラベル付き文書データセットを用いて教師あり機械学習でモデルを学習およびテストし、機密性のレベルを分類する。
• 分類モデルをDLPパイプラインに統合し、データ漏洩が発生する前に機密文書のブロッキングまたはアクセス制限を実施する。

実験結果

リサーチクエスチョン

• RQ1 統計的機械学習モデルは、データ漏洩防止のための文書分類の正確性をどのように向上させることができるか？
• RQ2 TF-IDFおよび勾配ブースティングをDLPシステムで使用した場合、機密文書の分類にどのような影響を与えるか？
• RQ3 改良された勾配ブースティングアルゴリズム（IGBCA）は、標準の勾配ブースティングを上回る性能を示すか？
• RQ4 本手法の正確性および効率性について、従来のDLP手法（正規表現やデータファングプリント）と比較してどのように異なるか？
• RQ5 本モデルは、アクセスまたは転送の前段階で文書を分類することで、どの程度データ漏洩を防止できるか？

主な発見

• 提案されたDLPシステムは、TF-IDFおよび勾配ブースティングを用いることで、機密文書の分類に高い正確性を達成する。
• IGBCAアルゴリズムは、標準の勾配ブースティングに比べて、文書機密性の分類において優れた性能を示す。
• 統計的分析およびベクトル化技術により、文書内の意味的および語彙的パターンを効果的に捉えることができる。
• モデルは、送信の前段階で機密文書を特定し、アクセス制限を実施することで、データ漏洩リスクを効果的に軽減する。
• 本システムは、正規表現やデータファングプリントといった従来のDLP手法よりも正確性および適応性に優れている。
• 結果から、機械学習と統計モデリングを統合することで、動的かつ変化の激しい組織環境におけるデータ保護が著しく向上することが示された。