[논문 리뷰] A Learning oriented DLP System based on Classification Model

Kishu Gupta, Ashwani Kush|arXiv (Cornell University)|2023. 12. 21.

Network Security and Intrusion Detection인용 수 4

한 줄 요약

이 논문은 통계적 분류 모델을 사용하여 데이터 유출을 탐지하고 방지하는 학습 중심의 데이터 유출 방지(DLP) 시스템을 제안한다. TF-IDF 벡터화, 그래디언트 부스팅, 그리고 새로운 IGBCA(향상된 그래디언트 부스팅 분류 알고리즘)를 활용하여 높은 정확도로 문서를 분류함으로써, 무단 데이터 노출의 위험을 크게 감소시킨다.

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.

연구 동기 및 목표

• 조직 내 데이터 유출 증가 문제를 해결하기 위해 사전적, 기계 학습 기반의 DLP 시스템을 개발한다.
• 통계적 및 기계 학습 기법을 사용하여 데이터 보호를 위한 문서 분류 정확도를 향상시킨다.
• 민감한 데이터를 효율적이고 정확하게 탐지하기 위해 특화된 향상된 분류 알고리즘인 IGBCA를 도입한다.
• 다양한 데이터 유형(DAR, DIM/DIT, DIU) 간의 데이터 유출 위험을 자동 분류를 통해 완화한다.
• 기존 방법들인 정규 표현식과 데이터 지문 기반 기법보다 뛰어난 성능을 보이는 확장 가능한 통계적 접근 방식을 제공한다.

제안 방법

• 문서의 텍스처적 특징을 효과적으로 표현하기 위해 TF-IDF(Term Frequency-Inverse Document Frequency)를 사용하여 가중치를 부여하고 표현한다.
• 비구조화된 텍스트를 기계 학습 모델에 적합한 수치적 표현으로 변환하기 위해 문서 벡터화 기법을 적용한다.
• 앙상블 학습을 활용하여 예측 정확도를 향상시키기 위해 그래디언트 부스팅을 문서 분류에 활용한다.
• 성능 향상을 위해 최적화된 새로운 분류 접근 방식인 IGBCA(향상된 그래디언트 부스팅 분류 알고리즘)를 도입한다.
• 감독 학습 기반 기계 학습을 사용하여 레이블이 부여된 문서 데이터셋을 기반으로 모델을 훈련하고 테스트하여 민감도 수준을 분류한다.
• 분류 모델을 DLP 파이프라인에 통합하여 데이터 유출 이전에 민감한 문서에 대한 액세스를 차단하거나 제한한다.

실험 결과

연구 질문

• RQ1 통계적 기계 학습 모델은 데이터 손실 방지(DLP)를 위한 문서 분류 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 TF-IDF와 그래디언트 부스팅을 DLP 시스템 내 민감한 문서 분류에 적용할 경우 어떤 영향을 미치는가?
• RQ3 향상된 그래디언트 부스팅 알고리즘(IGBCA)은 표준 그래디언트 부스팅보다 데이터 유출 위험 분류에서 뛰어난 성능을 보일 수 있는가?
• RQ4 정규 표현식과 데이터 지문 기반 기법과 비교할 때, 제안된 모델은 정확도와 효율성 측면에서 어떤가?
• RQ5 모델은 접근 또는 전송 이전에 문서를 분류함으로써 데이터 유출을 어느 정도 방지할 수 있는가?

주요 결과

• 제안된 DLP 시스템은 TF-IDF와 그래디언트 부스팅을 활용하여 민감한 문서에 대해 높은 분류 정확도를 달성한다.
• IGBCA 알고리즘은 표준 그래디언트 부스팅보다 문서 민감도 분류에서 향상된 성능을 보여준다.
• 통계적 분석 및 벡터화 기법은 문서 내 의미적 및 어휘 패턴을 효과적으로 포착하여 분류에 기여한다.
• 모델은 전송 이전에 민감한 문서를 식별하고 액세스를 제한함으로써 데이터 유출 위험을 성공적으로 완화한다.
• 기존의 정규 표현식과 데이터 지문 기반 기법보다 정확도와 적응성 측면에서 뛰어난 성능을 보이는 것으로 나타났다.
• 결과는 기계 학습과 통계 모델링의 통합이 동적인 조직 환경에서 데이터 보호를 크게 향상시킨다는 것을 시사한다.