[论文解读] 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 4

一句话总结

本文提出了一种面向学习的敏感数据保护（DLP）系统，采用统计分类模型检测并防止数据泄露。该系统利用TF-IDF向量化、梯度提升以及一种新型的IGBCA（改进型梯度提升分类算法）对文档进行高精度分类，显著降低了未经授权的数据暴露风险。

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.

研究动机与目标

• 为应对组织中日益严峻的数据泄露挑战，开发一种主动的、基于机器学习的DLP系统。
• 通过统计与机器学习技术，提升文档分类精度以实现数据保护。
• 提出一种增强型分类算法IGBCA，专为高效且准确检测敏感数据而设计。
• 通过自动化分类，降低各类数据类型（DAR、DIM/DIT、DIU）数据泄露相关风险。
• 提供一种可扩展的统计方法，在动态环境中优于传统方法（如正则表达式与数据指纹技术）

提出的方法

• 采用TF-IDF（词频-逆文档频率）对文档中的文本特征进行加权与表示，实现有效的向量化。
• 应用文档向量化技术，将非结构化文本转换为适合机器学习模型的数值表示。
• 应用梯度提升进行文档分类，利用集成学习提升预测精度。
• 提出IGBCA（改进型梯度提升分类算法）作为新型优化分类方法，以提升性能。
• 使用标记的文档数据集进行监督式机器学习训练与测试，以分类文档敏感度等级。
• 将分类模型集成至DLP流程中，在数据外泄前阻止或限制对敏感文档的访问。

实验结果

研究问题

• RQ1 统计机器学习模型如何提升DLP系统中文档分类的准确性？
• RQ2 使用TF-IDF与梯度提升对DLP系统中敏感文档分类有何影响？
• RQ3 改进型梯度提升算法（IGBCA）是否能在分类数据泄露风险方面超越标准梯度提升？
• RQ4 与传统DLP技术（如正则表达式与数据指纹技术）相比，该模型在准确率与效率方面表现如何？
• RQ5 该模型在访问或传输前对文档进行分类，能在多大程度上防止数据泄露？

主要发现

• 所提出的DLP系统通过TF-IDF与梯度提升实现了对敏感文档的高分类准确率。
• IGBCA算法在分类文档敏感度方面表现优于标准梯度提升算法。
• 统计分析与向量化技术能有效捕捉文档中的语义与词汇模式，以支持分类。
• 该模型通过在数据传输前识别并限制对敏感文档的访问，成功降低了数据泄露风险。
• 与传统DLP方法（如正则表达式与数据指纹技术）相比，该系统在准确率与适应性方面表现更优。
• 结果表明，将机器学习与统计建模相结合，能显著提升动态组织环境中的数据保护能力。