摘要：現(xiàn)有的過濾方法在敏感詞庫構(gòu)建后標(biāo)簽查全率低，推薦精度小，為此文章研究了多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法，構(gòu)建了包含敏感詞匯的數(shù)據(jù)庫，運用多層級過濾機制對網(wǎng)絡(luò)數(shù)據(jù)庫中的敏感信息進行過濾，每一層過濾都符合對應(yīng)的適用場景，不同過濾方法協(xié)同工作以確保通信網(wǎng)絡(luò)信息安全。實驗結(jié)果表明，實驗組的敏感詞庫構(gòu)建后，標(biāo)簽查全率方面表現(xiàn)最優(yōu)，結(jié)果達(dá)到了100%，推薦精度能夠達(dá)到95%以上，在實際應(yīng)用中具有較高的推廣價值。

關(guān)鍵詞：多層次通信；網(wǎng)絡(luò)結(jié)構(gòu)；敏感信息；過濾

中圖分類號：TP391.3

文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)志碼

0 引言

在數(shù)字化信息時代，通信網(wǎng)絡(luò)已成為信息傳播和交流的關(guān)鍵設(shè)施。從用戶分享到社交媒體平臺的日常動態(tài)，到企業(yè)內(nèi)部的商業(yè)機密文件，從線上教育平臺上傳的課程視頻，到金融機構(gòu)保存的電子交易信息，通信網(wǎng)絡(luò)承載著大量的信息。然而，這些信息包含大量敏感信息，一旦泄露或被不法分子利用，將引發(fā)嚴(yán)重的后果。比如，個人隱私信息的泄露可能導(dǎo)致個人遭受詐騙、騷擾；企業(yè)商業(yè)機密的泄露可能使企業(yè)在市場競爭中處于劣勢，甚至面臨破產(chǎn)風(fēng)險；而涉及國家安全、政治穩(wěn)定的敏感信息被惡意傳播，更可能對整個社會秩序和國家安全造成威脅。因此，如何有效過濾通信網(wǎng)絡(luò)中的敏感信息，確保信息安全，成為當(dāng)前網(wǎng)絡(luò)安全的重要研究課題。

目前對敏感信息進行全面監(jiān)控和有效過濾的方法有：設(shè)置防火墻及入侵檢測系統(tǒng)；進行數(shù)據(jù)庫訪問控制和數(shù)據(jù)加密；進行敏感詞檢測與過濾等。馮健文等^［1］通過詞頻出現(xiàn)概率求得所屬類別，提取郵件特征，進一步建立決策樹，通過映射得到敏感信息與上下文信息串之間的影響關(guān)系，調(diào)整郵件傳輸通道寬度，實現(xiàn)過濾。如果決策樹過于復(fù)雜，可能會導(dǎo)致過擬合，影響過濾精度。金秋等^［2］通過對敏感詞進行拆分或組合，將個體詞語組合成為敏感詞短句，計算每組類別數(shù)據(jù)集中詞頻和位置因子，得到目標(biāo)敏感級別，自動識別并去除互聯(lián)網(wǎng)信息流中的敏感部分。當(dāng)敏感信息以復(fù)雜方式呈現(xiàn)時，算法可能難以準(zhǔn)確識別。成彥衡等^［3］以K臨近算法中用到的評分實際數(shù)據(jù)稀疏度為評判依據(jù)，對網(wǎng)絡(luò)敏感信息進行分類，但在實際應(yīng)用中也面臨著計算復(fù)雜度高、查詢精度低等問題。魏欣雨等^［4］通過采用數(shù)據(jù)網(wǎng)頁敏感詞過濾分析的技術(shù)手段，合理引導(dǎo)和管控網(wǎng)絡(luò)輿情使其呈現(xiàn)正確走向，但是輿情數(shù)據(jù)往往包含豐富的情感傾向，而敏感詞分析往往難以準(zhǔn)確判斷這些情感傾向，這可能導(dǎo)致對敏感信息的解讀存在偏差，查詢精度低。

因此，針對上述文獻(xiàn)出現(xiàn)的問題，本文提出多層次綜合防護體系，以多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法為研究對象，實現(xiàn)對敏感信息的全面監(jiān)控和有效過濾。這種方法通常包括多個過濾層，每一層針對不同的網(wǎng)絡(luò)協(xié)議進行專門設(shè)計。通過對用戶感興趣的內(nèi)容進行分類并結(jié)合層次聚類算法將用戶感興趣的信息劃分為不同類別，從而實現(xiàn)對敏感信息的自動識別和過濾。不同層級的過濾策略要協(xié)調(diào)一致，以避免由策略沖突導(dǎo)致的誤報或漏報現(xiàn)象。同時，要求過濾模型能夠?qū)崟r更新和優(yōu)化，提升過濾模型的自適應(yīng)能力，為網(wǎng)絡(luò)安全提供更加全面和高效的保障。

1 敏感信息多重過濾方法

1.1 敏感詞庫構(gòu)建與更新

敏感詞庫是多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法的基礎(chǔ)，以實現(xiàn)更高效的過濾。根據(jù)業(yè)務(wù)需求和安全規(guī)范，敏感詞庫應(yīng)涵蓋政治敏感詞、色情詞匯、暴力詞匯等多個方面，以確保對各類敏感信息的有效識別與過濾。敏感詞庫須定期更新，以適應(yīng)新的安全威脅和法規(guī)要求^［5］。本文通過融合主動學(xué)習(xí)的方法構(gòu)建敏感詞庫，首先從已確定的敏感文本（如法律法規(guī)、行業(yè)標(biāo)準(zhǔn)、公開敏感詞庫）中抽取關(guān)鍵詞，形成種子敏感詞集。其次，利用Net庫進行語義擴展詞計算并通過敏感詞變形規(guī)則擴展計算變形敏感詞，將變形變義體作為敏感詞特征存儲入敏感詞庫。為提高敏感詞庫的質(zhì)量，可采用詞向量特征空間優(yōu)化聚類算法對敏感詞庫進行初步提純，計算詞向量之間的相似度，將相似的敏感詞聚類在一起，從而去除冗余和重復(fù)的詞匯。提純過程的數(shù)學(xué)公式可表示為：

ac=（∑^o_i=1p（y_i）/N）（1）

公式（1）中：p（y_i）為文中敏感詞抽取結(jié)果；o為文本總數(shù)量，用于構(gòu)建和提純敏感詞庫的文本集合的大??；N為抽取的敏感詞總數(shù)，經(jīng)過提純后保留在敏感詞庫中的詞匯數(shù)量。ac為在給定文本集合中，通過提純算法保留的敏感詞數(shù)量與文本總數(shù)量的比例。ac越大說明敏感詞庫的提純效果越好^［6］。為確保敏感詞庫的時效性，須定期更新敏感詞庫，確保詞庫能緊跟時事變化，以適應(yīng)新的安全威脅和法規(guī)要求。敏感詞庫的更新包括新詞發(fā)現(xiàn)、詞庫優(yōu)化和多源融合。將通過模型識別出新的敏感詞匯加入詞庫，同時定期評估詞庫的覆蓋率和準(zhǔn)確性，移除過時或誤判的詞匯并結(jié)合其他來源（如用戶反饋、公開詞庫）補充新詞，確保詞庫的全面性。同時，引入用戶反饋機制，根據(jù)用戶反饋實時添加或刪除敏感詞匯。這樣通過實時用戶反饋與定時更新優(yōu)化相結(jié)合的方式，構(gòu)建一個高質(zhì)量的敏感詞庫，為網(wǎng)絡(luò)信息安全提供有力保障。

1.2 多層級過濾機制

多層級過濾機制能夠過濾網(wǎng)絡(luò)中的敏感信息，確保通信網(wǎng)絡(luò)信息安全。第一層為基礎(chǔ)層，主要對敏感詞庫進行過濾。這一層的主要任務(wù)是對輸入的文本數(shù)據(jù)進行快速初步篩查，其核心是利用預(yù)先構(gòu)建的敏感詞庫，對通信網(wǎng)絡(luò)中的文本數(shù)據(jù)進行精準(zhǔn)匹配和高效過濾^［7］。當(dāng)文本數(shù)據(jù)中出現(xiàn)與敏感詞庫中的詞匯相匹配的內(nèi)容時，系統(tǒng)會對這些敏感詞匯進行替換、刪除或標(biāo)記處理，以防止敏感信息的傳播。本文運用BM（Boyer-Moore）算法對敏感詞進行匹配。BM算法是一種高效的字符串匹配算法，可以顯著提高匹配效率，尤其是在處理大規(guī)模文本數(shù)據(jù)時。其核心思想是通過跳過不必要的字符比較來縮短匹配時間。設(shè)敏感詞庫為s，文本數(shù)據(jù)為T，則基于敏感詞庫的過濾可以表示為：

F（T）=（1/n）E·{w∈T|w∈s}（2）

公式（2）中：E為參數(shù)估計值；n為敏感詞集合。通過以上操作，基礎(chǔ)層可以快速定位文本數(shù)據(jù)中與敏感詞庫相匹配的詞匯，對這些詞匯進行過濾，為后續(xù)層級的進一步處理奠定基礎(chǔ)。

第二層為強化層，主要對語義分析進行過濾。引入自然語言處理技術(shù)，對初步篩選后的文本片段進行語義分析，以識別并過濾出基礎(chǔ)層未識別但具有潛在敏感性的語義內(nèi)容。這些語義內(nèi)容可能以隱晦表達(dá)、隱喻等形式出現(xiàn)，難以通過簡單的敏感詞匹配來識別。在這一層過濾中，采用基于詞向量的語義分析方法，將文本數(shù)據(jù)轉(zhuǎn)換為高維向量空間中的點，通過計算向量之間的相似度來評估詞匯之間的語義關(guān)系。設(shè)定文本數(shù)據(jù)的語義表示為v（T），敏感語義集合為s′，則基于語義分析的過濾可以表示為：

F₂（T）={v∈T|N，sin（v，s′）gt;θ}（3）

公式（3）中：sin（v，s′）為不同向量之間的相似度；θ為相似度閾值。這樣通過捕捉文本中的上下文信息，通過綜合運用詞向量語義相似度計算和句法分析，強化層能夠更精準(zhǔn)地識別潛在的敏感語義內(nèi)容，有效提高語義分析的準(zhǔn)確性。

第三層為深度層，是基于行為分析的過濾。通過分析通信網(wǎng)絡(luò)中的數(shù)據(jù)流和行為模式，識別異?；蚩梢傻耐ㄐ判袨?。如果存在大規(guī)模數(shù)據(jù)傳輸和異常登錄行為等則表示存在一定的敏感信息泄露問題。在這一層過濾中，可以采用統(tǒng)計算法對數(shù)據(jù)流和行為模式進行分析，識別與正常行為模式顯著不同的異常行為，從而采取進一步的過濾措施。設(shè)數(shù)據(jù)流為D，行為模式為P，則基于行為分析的過濾可以表示為：

F₃（D，P）=1，ifA（D，P）=true

0，otherwise（4）

公式（4）中：A（D，P）為對數(shù)據(jù)流和行為模式進行檢測的函數(shù)，返回值為布爾類型。通過對歷史數(shù)據(jù)的學(xué)習(xí)和分析，建立行為模式的正?；€，從而確定網(wǎng)絡(luò)中的薄弱環(huán)節(jié)。網(wǎng)絡(luò)維護人員可以根據(jù)分析結(jié)果，調(diào)整網(wǎng)絡(luò)安全措施，加強關(guān)鍵區(qū)域的防護，達(dá)到有效過濾水平。

第四層為拓展層，主要是對通信網(wǎng)絡(luò)中的數(shù)據(jù)進行過濾^［8］。利用深度學(xué)習(xí)算法對通信網(wǎng)絡(luò)中的數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)，構(gòu)建模型來識別和過濾新的敏感信息類型。通過深度學(xué)習(xí)算法，模型能夠針對通信網(wǎng)絡(luò)中的數(shù)據(jù)樣本進行訓(xùn)練與學(xué)習(xí)，這一步驟至關(guān)重要，為后續(xù)構(gòu)建高效、精準(zhǔn)的敏感信息識別與過濾模型奠定了堅實的基礎(chǔ)。選擇合適的深度學(xué)習(xí)模型——卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）用于敏感信息的識別和過濾。CNN以其強大的特征提取能力和在處理圖像及序列數(shù)據(jù)方面的卓越表現(xiàn)，非常適合從復(fù)雜的通信數(shù)據(jù)中辨識出潛在的敏感信息模式。利用深度學(xué)習(xí)模型的自動特征提取能力，從原始數(shù)據(jù)中提取出有用的特征信息^［9］。使用訓(xùn)練集數(shù)據(jù)對深度學(xué)習(xí)模型進行訓(xùn)練，通過反向傳播算法優(yōu)化模型參數(shù)。梯度計算公式如下：

μ=μ₀-α×（?L/?μ）（5）

公式中：（?L/?μ）為損失函數(shù)；μ為模型參數(shù)；α為學(xué)習(xí)率。反向傳播算法的核心在于根據(jù)損失函數(shù)計算得到的梯度信息，逐層向前反饋并更新權(quán)重。梯度計算公式在這一步驟中扮演著核心角色，指導(dǎo)著模型參數(shù)的調(diào)整方向和大小，確保了訓(xùn)練過程的有效性和收斂性。使用訓(xùn)練好的深度學(xué)習(xí)模型對新的通信網(wǎng)絡(luò)數(shù)據(jù)進行敏感信息識別，根據(jù)識別結(jié)果，對敏感信息進行過濾處理。其識別公式為：

q（x）=（e^Tw/∑_μe^Tw+ρ）（6）

公式（6）中：ρ為最小置信度；e為分類數(shù)量。根據(jù)敏感信息識別結(jié)果，設(shè)定過濾閾值為q₀。當(dāng)q₀lt;q（x）時，對識別到的信息進行過濾。深度學(xué)習(xí)模型能夠快速處理大量數(shù)據(jù)，實現(xiàn)實時敏感信息識別與過濾^［10］，從而更準(zhǔn)確地區(qū)分敏感信息和非敏感信息，減少誤報和漏報的情況。敏感信息的識別與過濾，可以有效防止個人隱私泄露和敏感數(shù)據(jù)的非法傳播，在實際應(yīng)用中具有廣闊的應(yīng)用前景。

2 實驗測試與分析

2.1 搭建實驗環(huán)境

為驗證敏感詞過濾方法的準(zhǔn)確性，將本文方法作為實驗組，馮健文等^［1］基于詞義特性的電子郵件敏感信息過濾仿真方法以及金秋等^［2］基于層次聚類的敏感信息安全過濾模型研究方法分別作為對照1組和對照2組，采用收集自不同網(wǎng)絡(luò)的敏感數(shù)據(jù)作為數(shù)據(jù)集，涵蓋涉密、涉黃等類型。實驗分為2部分：實驗一用于構(gòu)建敏感詞庫，選取詞庫中不同類型的詞語作為數(shù)據(jù)集；實驗二用于測試本文算法的過濾效果。采用Ana進行開發(fā)環(huán)境依賴庫的安裝。實驗環(huán)境配置如表1所示。

首先，對敏感信息進行抽詞后，進行敏感詞庫構(gòu)建。其次，選擇敏感數(shù)據(jù)作為訓(xùn)練集，對訓(xùn)練集中的自帶標(biāo)簽進行查全率等計算。最后，使用構(gòu)建的敏感詞庫進行本文算法過濾任務(wù)分析并進行對比實驗。通過上述實驗設(shè)計與評估標(biāo)準(zhǔn)，全面驗證本文提出的敏感信息過濾方法的有效性。

2.2 結(jié)果與分析

敏感詞庫構(gòu)建過程中，對不同詞數(shù)據(jù)集中敏感數(shù)據(jù)標(biāo)簽進行查全率分析，通過對比敏感詞庫中含有自帶敏感詞標(biāo)簽的查全結(jié)果，得到不同方法下具體的查全結(jié)果。具體如圖1所示。

由圖1中結(jié)果可知，實驗組的敏感詞庫構(gòu)建后，在標(biāo)簽查全率方面表現(xiàn)最優(yōu)，結(jié)果達(dá)到了100%；對照1組的標(biāo)簽查全率為65%左右；對照2組的標(biāo)簽查全率為58%左右。這一結(jié)果表明，本文方法在針對敏感信息的查全率上，具有顯著的優(yōu)勢。該方法能夠更有效地識別文本中的敏感關(guān)鍵詞，從而提高了敏感詞庫的準(zhǔn)確性，在敏感詞庫構(gòu)建領(lǐng)域具有更好的實際效果。

為檢驗該算法的有效性，本文設(shè)置3個測試小組。通過計算不同小組的推薦精度并進行對比得到最優(yōu)的推薦方法。因此，以最近鄰居集信息數(shù)量變化為目標(biāo)，計算推薦精度值，得到具體結(jié)果如圖2所示。

由圖2中結(jié)果可知，隨著信息數(shù)目的增加，對照1組和對照2組的推薦精度均在65%以下；實驗組的推薦精度能夠達(dá)到95%以上。經(jīng)過對比分析發(fā)現(xiàn)，本文方法與其他方法相比推薦精度得到了有效提升，在不同信息數(shù)目中能夠獲得更小的推薦誤差，在實際應(yīng)用中具有更高的準(zhǔn)確性。

綜上所述，本文多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法優(yōu)于其他方法，為敏感信息的有效識別和過濾提供了有力的支撐。

3 結(jié)語

本文通過多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法，建立敏感詞庫，采用多層級過濾機制，逐層分析和處理網(wǎng)絡(luò)中的數(shù)據(jù)流，對通信網(wǎng)絡(luò)中的數(shù)據(jù)進行全面的過濾，保障通信網(wǎng)絡(luò)的安全。實驗表明：設(shè)計的多層級通信網(wǎng)絡(luò)敏感信息多重過濾方法查重率表現(xiàn)良好、推薦精度高，在實際應(yīng)用中具有更高的準(zhǔn)確性。在實際應(yīng)用中，多層次過濾技術(shù)還可以結(jié)合人工智能和機器學(xué)習(xí)算法來提升過濾效果。然而，盡管多層次過濾方法在理論上具有顯著的優(yōu)勢，但在實際操作中仍面臨一些挑戰(zhàn)。在未來的研究中，可以考慮引入更先進的算法和技術(shù)，如壓縮感知和多智能主體技術(shù)，以進一步提升敏感信息過濾的準(zhǔn)確性和實時性。多層次綜合應(yīng)用結(jié)果表明，該方法不僅可以顯著提高過濾效率和準(zhǔn)確性，還能有效應(yīng)對各種復(fù)雜的網(wǎng)絡(luò)威脅，進一步提升敏感信息過濾的整體性能。

參考文獻(xiàn)

［1］馮健文，林璇.基于詞義特性的電子郵件敏感信

息過濾仿真［J］.計算機仿真，2023（10）：210-213，223.

［2］金秋，林馥，裴斐.基于層次聚類的敏感信息安全過濾模型研究［J］.計算機仿真，2023（10）：296-299，320.

［3］成彥衡，黃宇.基于K近鄰算法的網(wǎng)絡(luò)敏感信息過濾方法［J］.電子設(shè)計工程，2023（6）：105-108，113.

［4］魏欣雨，李斌勇，陳紅豆，等.基于輿情數(shù)據(jù)網(wǎng)頁的敏感詞過濾與分析［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2022（7）：38-39.

［5］朱金俠，孟祥福，邢長征，等.融合圖卷積注意力機制的協(xié)同過濾推薦方法［J］.智能系統(tǒng)學(xué)報，2023（6）：1295-1304.

［6］李馳，游小鈺，張謐.基于解耦圖卷積網(wǎng)絡(luò)的協(xié)同過濾推薦模型［J］.中文信息學(xué)報，2023（11）：131-141.

［7］張賢坤，秦鋒斌，孫月，等.融合交互意圖的圖神經(jīng)網(wǎng)絡(luò)協(xié)同過濾算法［J］.計算機應(yīng)用研究，2023（2）：488-492.

［8］史穎，祁曉博，亓慧，等.融合粒度劃分的回歸標(biāo)簽噪聲過濾方法［J］.小型微型計算機系統(tǒng)，2024（8）：1832-1838.

［9］王小林.基于協(xié)同過濾算法的信息技術(shù)課程資源推薦系統(tǒng)設(shè)計與應(yīng)用［J］.信息與電腦（理論版），2024（5）：254-256.

［10］樊艷清，紀(jì)佳琪.基于深度學(xué)習(xí)的隱語義協(xié)同過濾推薦模型研究［J］.現(xiàn)代計算機，2023（18）：18-23.

（編輯 王雪芬）

Research on multiple filtering methods for sensitive information in multi level communication networks

CHEN Sen

（Xi’an Shiyou University， Xi’an 710065， China）

Abstract：Due to the low tag recall rate and low recommendation accuracy of existing filtering methods after constructing sensitive word libraries， a multi-level communication network sensitive information multiple filtering method is studied. Build a database containing sensitive vocabulary. Using a multi-level filtering mechanism to filter sensitive information in network databases， each layer of filtering is suitable for the corresponding applicable scenario， and different filtering methods work together to ensure communication network information security. The experimental results showed that after constructing the sensitive lexicon， the experimental group performed the best in terms of tag recall rate， reaching 100%， and the recommendation accuracy could reach over 95%. It has high promotion value in practical applications.

Key words：multi-level communication; network structure; sensitive information; filter