敏感内容识别与规则测试

凤凰卫士 DLP 支持用关键字和正则表达式识别文件内容。管理员可以为每个识别项选择计分方式,再用交付计划和内部核价表测试同一条规则,看哪些内容使文件达到了命中阈值。

哪些内容用关键字,哪些用正则表达式?

关键字识别固定用语。采购部的交付计划和内部核价表里都可能出现「单价」,把它单独当作敏感词,正常报价也容易被选中。「采购底价」「核定毛利」更能反映核价表的用途。多个关键字可放在同一识别项中合并计数,也可拆成不同识别项,分别赋分。

正则表达式识别有固定格式的内容。例如,企业项目编号以 XM 开头,后接四位年份和三位流水号。表达式 XM-[0-9]{4}-[0-9]{3} 可以匹配 XM-2026-018 和 XM-2026-027。新增项目时,只要编号沿用这个格式,同一条表达式就能识别。

管理员还可指定检查哪些文件格式,如 Word、Excel、PDF 或文本。盘点含附件或图片的文档时,可按识别库设置解析附件、识别图片中的文字。

同一个识别项命中四次,会得几分?

关键字和正则表达式都可以选用以下四种计分方式。假设基础分是 5 分,文件中没有匹配内容时,该项得 0 分。表中数字是每次命中后该项的累计得分。

同一份文件,同一个识别项,基础分均为 5 分
计分方式命中 1 次命中 2 次命中 3 次命中 4 次
累计计分5101520
单次计分5555
按次递减58910
封顶计分5101212

累计计分。每命中一次都加基础分,适合把出现次数纳入判断。例如,项目清单里的编号每匹配一次加 5 分,匹配四次共 20 分。同一编号重复出现也会计数。

单次计分。只要该识别项在文件里命中过,就计一次基础分。例如,「采购底价」是每页都重复的表头。无论表格有一页还是十页,这个表头对总分的贡献都是 5 分。

按次递减。适合首次出现最有意义、再次出现仍有参考价值的内容。可以设置每次少加几分,以及单次最低加几分。上表每次递减 2 分、单次最低 1 分,四次分别加 5、3、1、1 分,合计 10 分。继续命中时,每次仍加 1 分。

封顶计分。先按次数累计,再限制这个识别项最多贡献多少分。上表封顶 12 分,第三次命中时从 10 分加到 12 分,第四次仍为 12 分。如果整条规则的阈值是 15 分,还需另一识别项贡献至少 3 分才能命中。

多个识别项怎样合起来判定一份文件?

规则将各识别项的得分相加,总分达到或超过阈值就算命中。例如,把「采购底价」和「核定毛利」设为两个独立的关键字识别项,分别计 5 分和 3 分,都采用单次计分,阈值设为 8 分。两项同时出现时,内部成本明细恰好达到阈值。

同一条规则下的三份样本
样本文件内容识别结果
交付计划交付日期、联系人0 分,未命中
核价草稿多行填写「采购底价」5 分,未命中
内部成本明细同时包含「采购底价」和「核定毛利」8 分,命中

怎样判断规则适合上线?

在策略测试中选定组织和模拟行为,用一份允许外发的样本和一份应当拦截的样本分别测试。查看命中项、总分、阈值和模拟动作。测试邮件外发时填写实际收件地址,测试网页上传时填写目标网站。

如果正常报价也命中,先找出贡献分数的词,再调整识别项或阈值,用同一批样本复测。最后在受管终端的实际应用中发一次文件,核对允许发送和拦截两种结果。