CN110889035A - 敏感信息过滤方法、装置及计算机可读存储介质 - Google Patents

敏感信息过滤方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110889035A
CN110889035A CN201910972272.0A CN201910972272A CN110889035A CN 110889035 A CN110889035 A CN 110889035A CN 201910972272 A CN201910972272 A CN 201910972272A CN 110889035 A CN110889035 A CN 110889035A
Authority
CN
China
Prior art keywords
hash
sensitive information
text data
matched
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910972272.0A
Other languages
English (en)
Inventor
李康达
肖良清
罗滢川
杜文刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Qianhai Financial Assets Bats Exchange Inc
Original Assignee
Shenzhen Qianhai Financial Assets Bats Exchange Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Qianhai Financial Assets Bats Exchange Inc filed Critical Shenzhen Qianhai Financial Assets Bats Exchange Inc
Priority to CN201910972272.0A priority Critical patent/CN110889035A/zh
Publication of CN110889035A publication Critical patent/CN110889035A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90344—Query processing by using string matching techniques

Abstract

本发明涉及一种人工智能技术，揭露了一种敏感信息过滤方法，包括：接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据，对所述初级文本数据进行预处理，得到待匹配哈希值表，根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息，当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。本发明还提出一种敏感信息过滤装置以及一种计算机可读存储介质。本发明可以实现高效的敏感信息过滤功能。

Description

敏感信息过滤方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种敏感信息过滤方法、装置及计算机可读存储介质。
背景技术
随着互联网应用的普及，越来越多的用户已经通过互联网途径进行学习，因此敏感信息过滤显的刻不容缓，目前敏感信息过滤多采用模式匹配法，通过预先构建多种敏感信息的组合形式进行整个文本数据的遍历与查找，因此若对于庞大的文本数据过滤，需要依赖处理性能优异的服务器或配置文件，因此浪费了大量匹配查找的计算资源，无法达到资源的充分高效利用。
发明内容
本发明提供一种敏感信息过滤方法、装置及计算机可读存储介质，其主要目的在于对用户操作的多个任务进行合理的资源分配。
为实现上述目的，本发明提供的一种敏感信息过滤方法，包括：
接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据；
对所述初级文本数据进行预处理，得到待匹配哈希值表；
根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息；
当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
可选地，所述预处理包括：
依次读取所述初级文本数据的字符串；
将所述字符串进行进制转换和位数填充操作，生成预设位数的字符串；
对所述预设位数的字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量；
将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到待匹配哈希值表。
可选地，所述链接处理包括：
将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量H0；
将所述第一初始哈希变量赋值给链接变量H1；
将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
可选地，所述遍历匹配操作包括：
检索所述敏感信息哈希表与所述待匹配哈希值表；
当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值；
根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合；
根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
可选地，所述信息熵模型包括：
H(Hashx，Hash0，...，Hashn)＝H(Hashx)+...+H(Hashn|Hashx)
Figure RE-GDA0002338700860000021
Figure RE-GDA0002338700860000022
其中，H(Hashx，Hash0，...，Hashn)为所述敏感信息哈希表和所述待匹配哈希值表的信息熵模型，Hashx为所述待匹配哈希值表，x表示所述待匹配哈希值表内的哈希值编号，H(Hashx)为所述待匹配哈希值表的信息熵模型，m为所述待匹配哈希值表的数量，Hash0，...，Hashn为所述敏感信息哈希表的不同哈希值，n为所述敏感信息哈希表的数量，p()为概率，p(Hashi|Hashx)为所述Hashx存在的情况下，所述Hashi存在的条件概率，H(Hashn|Hashx)表示所述敏感信息哈希表在所述待匹配哈希值表存在下的条件信息熵模型。
此外，为实现上述目的，本发明还提供一种敏感信息过滤装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的敏感信息过滤程序，所述敏感信息过滤程序被所述处理器执行时实现如下步骤：
接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据；
对所述初级文本数据进行预处理，得到待匹配哈希值表；
根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息；
当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
可选地，所述预处理包括：
依次读取所述初级文本数据的字符串；
将所述字符串进行进制转换和位数填充操作，生成预设位数的字符串；
对所述预设位数的字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量；
将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到待匹配哈希值表。
可选地，所述链接处理包括：
将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量H0；
将所述第一初始哈希变量赋值给链接变量H1；
将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
可选地，所述遍历匹配操作包括：
检索所述敏感信息哈希表与所述待匹配哈希值表；
当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值；
根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合；
根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有敏感信息过滤程序，所述敏感信息过滤程序可被一个或者多个处理器执行，以实现如上所述的敏感信息过滤方法的步骤。
本发明基于去异常处理和预处理操作处理原始文本数据得到待匹配哈希值表，将文本数据变成哈希值数据，方便敏感信息的判断及确认，同时基于预先构建的符号，通过遍历匹配操作匹配出敏感信息并替换出所述敏感信息，预先构建的符号和遍历匹配操作占用内存小，不需要较高的计算资源。因此本发明提出的敏感信息过滤方法、装置及计算机可读存储介质，可以实现高效的敏感信息过滤。
附图说明
图1为本发明一实施例提供的敏感信息过滤方法的流程示意图；
图2为本发明一实施例提供的敏感信息过滤装置的内部结构示意图；
图3为本发明一实施例提供的敏感信息过滤装置中敏感信息过滤程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，所述“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
进一步地，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种敏感信息过滤方法。参照图1所示，为本发明一实施例提供的股票筛选方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，敏感信息过滤方法包括：
S1、接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据。
较佳地，所述原始文本数据包括各种多种来源的文本数据，如网络论坛的网友文本聊天对话集合、政府投资发展的意见征求书、对学术论文的评价文本集合等。由于所述原始文本数据包括多种敏感信息，因此为了净化用词，需要对所述敏感信息进行过滤处理，所述敏感信息包括一系列谩骂语、不雅的口头禅等。
所述去异常处理是去除所述原始文本数据中非正常用词的标识符，如：℉,ψ,ε,
Figure RE-GDA0002338700860000051
等。由于所述标识符没有什么实际意义，且对敏感信息过滤没有影响，但由于出现频率高，影响后续敏感信息过滤，因此对所述原始文本数据进行所述去异常处理。本发明实施例中，所述去异常处理可采用为词表过滤，也就是通过已经构建好的标识符词表和所述原始文本数据中的词语进行一一匹配，如果匹配成功，那么这个词语就是所述标识符，需要将该词删除。
S2、对所述初级文本数据进行预处理，得到待匹配哈希值表。
较佳地，所述预处理包括：依次读取所述初级文本数据的字符串，将所述字符串进行进制转换和位数填充生成512位字符串，对所述512字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量，链接变量用H0、H1、H2、H3、H4等表示，将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到待匹配哈希值表。
进一步地，所述链接处理包括：将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量 H0，将所述第一初始哈希变量赋值给链接变量H1，将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
优选地，所述分组可将所述512字符串分成位数为32位的子字符串。
进一步地，所述分组是以标点符号为分割符对所述初级文本数据进行划分。
所述初始化N个初始哈希变量可预先设定每个变量的值，如第一初始哈希变量＝0x67452301、第二初始哈希变量＝0xEFCDAB89、第三初始哈希变量＝0x98BADCFE、第四初始哈希变量＝0x10325476、第五初始哈希变量＝ 0xC3D2E1F0等。
优选地，生成的所述待匹配哈希值表由上所述，也是以所述标点符号为分割符，如生成的待匹配哈希值表对应为 [Hash0，Hash1，Hash2，Hash3，Hash4]，其中Hash0与所述、Hash1与Hash3、 Hash4分别与所述初级文本数据分割后得到的子字符串对应。
S3、根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息。
优选地，所述遍历匹配操作包括：检索所述敏感信息哈希表与所述待匹配哈希值表，当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值，根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合，根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
优选地，所述敏感信息哈希表是预先构建的，如：“TMD--Hash0， SB--Hash1”等。
由于所述待匹配哈希值表如[Hash0，Hash1，Hash2，Hash3，Hash4]与所述敏感信息哈希表如[Hash0，Hash1，Hash2，...]都是512位的，所以在位数很大的情况下，会有部分连续的位数数值相同的情况，因此所述指定阈值长度就是指定所述位数数值相同的个数。如Hash1与Hash1有超过指定阈值相同的位数，则提取所述待匹配哈希值表提取Hash1。
进一步地，所述信息熵模型为：
H(Hashx，Hash0，...，Hashn)＝H(Hashx)+...+H(Hashn|Hashx)
Figure RE-GDA0002338700860000071
Figure RE-GDA0002338700860000072
其中，H(Hashx，Hash0，...，Hashn)为所述敏感信息哈希表和所述待匹配哈希值表的信息熵模型，Hashx为所述待匹配哈希值表，x表示所述待匹配哈希值表内的哈希值编号，H(Hashx)为所述待匹配哈希值表的信息熵模型，m为所述待匹配哈希值表的数量，Hash0，...，Hashn为所述敏感信息哈希表的不同哈希值，n为所述敏感信息哈希表的数量，p()为概率，p(Hashi|Hashx)为所述Hashx存在的情况下，所述Hashi存在的条件概率，H(Hashn|Hashx)表示所述敏感信息哈希表在所述待匹配哈希值表存在下的条件信息熵模型。
所述预先构建的符号可采用希腊字母或*等代替，如将“TMD”最终替换为“*”。
S4、当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
发明还提供一种敏感信息过滤装置。参照图2所示，为本发明一实施例提供的敏感信息过滤装置的内部结构示意图。
在本实施例中，所述敏感信息过滤装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该敏感信息过滤装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是敏感信息过滤装置1的内部存储单元，例如该敏感信息过滤装置1的硬盘。存储器11在另一些实施例中也可以是敏感信息过滤装置1的外部存储设备，例如敏感信息过滤装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括敏感信息过滤装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于敏感信息过滤装置1的应用软件及各类数据，例如敏感信息过滤程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器 11中存储的程序代码或处理数据，例如执行敏感信息过滤程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器 (Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在敏感信息过滤装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及敏感信息过滤程序01的敏感信息过滤装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对敏感信息过滤装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有敏感信息过滤程序01；处理器12执行存储器11中存储的敏感信息过滤程序01时实现如下步骤：
步骤一、接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据。
较佳地，所述原始文本数据包括各种多种来源的文本数据，如网络论坛的网友文本聊天对话集合、政府投资发展的意见征求书、对学术论文的评价文本集合等。由于所述原始文本数据包括多种敏感信息，因此为了净化用词，需要对所述敏感信息进行过滤处理，所述敏感信息包括一系列谩骂语、不雅的口头禅等。
所述去异常处理是去除所述原始文本数据中非正常用词的标识符，如：℉,ψ,ε,
Figure RE-GDA0002338700860000091
等。由于所述标识符没有什么实际意义，且对敏感信息过滤没有影响，但由于出现频率高，影响后续敏感信息过滤，因此对所述原始文本数据进行所述去异常处理。本发明实施例中，所述去异常处理可采用为词表过滤，也就是通过已经构建好的标识符词表和所述原始文本数据中的词语进行一一匹配，如果匹配成功，那么这个词语就是所述标识符，需要将该词删除。
步骤二、对所述初级文本数据进行预处理，得到待匹配哈希值表。
较佳地，所述预处理包括：依次读取所述初级文本数据的字符串，将所述字符串进行进制转换和位数填充生成512位字符串，对所述512字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量，链接变量用H0、H1、H2、H3、H4等表示，将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到待匹配哈希值表。
进一步地，所述链接处理包括：将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量 H0，将所述第一初始哈希变量赋值给链接变量H1，将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
优选地，所述分组可将所述512字符串分成位数为32位的子字符串。
进一步地，所述分组是以标点符号为分割符对所述初级文本数据进行划分。
所述初始化N个初始哈希变量可预先设定每个变量的值，如第一初始哈希变量＝0x67452301、第二初始哈希变量＝0xEFCDAB89、第三初始哈希变量＝0x98BADCFE、第四初始哈希变量＝0x10325476、第五初始哈希变量＝ 0xC3D2E1F0等。
优选地，生成的所述待匹配哈希值表由上所述，也是以所述标点符号为分割符，如生成的待匹配哈希值表对应为 [Hash0，Hash1，Hash2，Hash3，Hash4]，其中Hash0与所述、Hash1与所述Hash3、 Hash4与所述分别与所述初级文本数据分割后得到的子字符串对应。
步骤三、根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息。
优选地，所述遍历匹配操作包括：检索所述敏感信息哈希表与所述待匹配哈希值表，当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值，根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合，根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
优选地，所述敏感信息哈希表是预先构建的，如：“TMD--Hash0， SB--Hash1”等。
由于所述待匹配哈希值表如[Hash0，Hash1，Hash2，Hash3，Hash4]与所述敏感信息哈希表如[Hash0，Hash1，Hash2，...]都是512位的，所以在位数很大的情况下，会有部分连续的位数数值相同的情况，因此所述指定阈值长度就是指定所述位数数值相同的个数。如Hash1与Hash1有超过指定阈值相同的位数，则提取所述待匹配哈希值表提取Hash1。
进一步地，所述信息熵模型为：
H(Hashx，Hash0，...，Hashn)＝H(Hashx)+...+H(Hashn|Hashx)
Figure RE-GDA0002338700860000111
Figure RE-GDA0002338700860000112
其中，H(Hashx，Hash0，...，Hashn)为所述敏感信息哈希表和所述待匹配哈希值表的信息熵模型，Hashx为所述待匹配哈希值表，x表示所述待匹配哈希值表内的哈希值编号，H(Hashx)为所述待匹配哈希值表的信息熵模型，m为所述待匹配哈希值表的数量，Hash0，...，Hashn为所述敏感信息哈希表的不同哈希值，n为所述敏感信息哈希表的数量，p()为概率，p(Hashi|Hashx)为所述Hashx存在的情况下，所述Hashi存在的条件概率，H(Hashn|Hashx)表示所述敏感信息哈希表在所述待匹配哈希值表存在下的条件信息熵模型。
所述预先构建的符号可采用希腊字母或*等代替，如将“TMD”最终替换为“*”。
步骤四、当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
可选地，在其他实施例中，敏感信息过滤程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器 (本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述敏感信息过滤程序在敏感信息过滤装置中的执行过程。
例如，参照图3所示，为本发明敏感信息过滤装置一实施例中的敏感信息过滤程序的程序模块示意图，该实施例中，所述敏感信息过滤程序可以被分割为数据接收及处理模块10、哈希值生成模块20、敏感信息匹配模块30、敏感信息替换模块40示例性地：
所述数据接收及处理模块10用于：接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据。
所述哈希值生成模块20用于：对所述初级文本数据进行预处理，得到待匹配哈希值表。
所述敏感信息匹配模块30用于：根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息。
所述敏感信息替换模块40用于：当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
上述数据接收及处理模块10、哈希值生成模块20、敏感信息匹配模块30、敏感信息替换模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有敏感信息过滤程序，所述敏感信息过滤程序可被一个或多个处理器执行，以实现如下操作：
接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据。
对所述初级文本数据进行预处理，得到待匹配哈希值表。
根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息。
当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种敏感信息过滤方法，其特征在于，所述方法包括：
接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据；
对所述初级文本数据进行预处理，得到待匹配哈希值表；
根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息；
当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
2.如权利要求1所述的敏感信息过滤方法，其特征在于，所述预处理包括：
依次读取所述初级文本数据的字符串；
将所述字符串进行进制转换和位数填充操作，生成预设位数的字符串；
对所述预设位数的字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量；
将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到所述待匹配哈希值表。
3.如权利要求2所述的敏感信息过滤方法，其特征在于，所述链接处理包括：
将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量H0；
将所述第一初始哈希变量赋值给链接变量H1；
将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
4.如权利要求1所述的敏感信息过滤方法，其特征在于，所述遍历匹配操作包括：
检索所述敏感信息哈希表与所述待匹配哈希值表；
当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值；
根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合；
根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
5.如权利要求4所述的敏感信息过滤方法，其特征在于，所述信息熵模型包括：
H(Hashx,Hash0,…,Hashn)＝H(Hashx)+…+H(Hashn|Hashx)
Figure FDA0002231687330000021
Figure FDA0002231687330000022
其中，H(Hashx,Hash0,…,Hashn)为所述敏感信息哈希表和所述待匹配哈希值表的信息熵模型，Hashx为所述待匹配哈希值表，x表示所述待匹配哈希值表内的哈希值编号，H(Hashx)为所述待匹配哈希值表的信息熵模型，m为所述待匹配哈希值表的数量，Hash0,…,Hashn为所述敏感信息哈希表的不同哈希值，n为所述敏感信息哈希表的数量，p()为概率，p(Hashi|Hashx)为所述Hashx存在的情况下，所述Hashi存在的条件概率，H(Hashn|Hashx)表示所述敏感信息哈希表在所述待匹配哈希值表存在下的条件信息熵模型。
6.一种敏感信息过滤装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的敏感信息过滤程序，所述敏感信息过滤程序被所述处理器执行时实现如下步骤：
接收原始文本数据，对所述原始文本数据进行去异常处理得到初级文本数据；
对所述初级文本数据进行预处理，得到待匹配哈希值表；
根据预先构建的敏感信息哈希表和所述待匹配哈希值表对所述初级文本数据的敏感信息进行遍历匹配操作，并用预先构建的符号替换匹配成功的敏感信息；
当所述遍历匹配操作完成后，得到敏感信息被替换后的文本数据并输出所述替换后的文本数据。
7.如权利要求6所述的敏感信息过滤装置，其特征在于，所述预处理包括：
依次读取所述初级文本数据的字符串；
将所述字符串进行进制转换和位数填充操作，生成预设位数的字符串；
对所述预设位数的字符串进行分组得到子字符串集合，采用预设初始方法初始化N个初始哈希变量，并根据所述子字符串集合将所述初始哈希变量进行链接处理得到N个链接变量；
将所述N个链接变量与所述N个初始哈希变量进行求和操作得到所述字符串的哈希值，直至所述求和操作完成得到所述待匹配哈希值表。
8.如权利要求7所述的敏感信息过滤装置，其特征在于，所述链接处理包括：
将所述N个初始哈希变量的第一初始哈希变量与所述子字符串集合、第二初始哈希变量进行求和操作得到链接变量H0；
将所述第一初始哈希变量赋值给链接变量H1；
将所述第二初始哈希变量左移30位得到链接变量H2，将第三初始哈希变量赋值给链接变量H3，将第四初始哈希变量赋值给链接变量H4。
9.如权利要求6中所述的敏感信息过滤装置，其特征在于，所述遍历匹配操作包括：
检索所述敏感信息哈希表与所述待匹配哈希值表；
当所述敏感信息哈希表与所述待匹配哈希值表内的哈希值的相同长度超过指定阈值长度时，从所述待匹配哈希值表中提取所述相同长度所在的哈希值；
根据所述哈希值建立信息熵模型，求解所述信息熵模型得到敏感信息组合；
根据所述敏感信息组合和预先构建的符号替换所述初级文本数据的敏感信息，完成所述遍历匹配操作。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有敏感信息过滤程序，所述敏感信息过滤程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的敏感信息过滤方法的步骤。
CN201910972272.0A 2019-10-12 2019-10-12 敏感信息过滤方法、装置及计算机可读存储介质 Pending CN110889035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910972272.0A CN110889035A (zh) 2019-10-12 2019-10-12 敏感信息过滤方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910972272.0A CN110889035A (zh) 2019-10-12 2019-10-12 敏感信息过滤方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110889035A true CN110889035A (zh) 2020-03-17

Family

ID=69746126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910972272.0A Pending CN110889035A (zh) 2019-10-12 2019-10-12 敏感信息过滤方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110889035A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708990A (zh) * 2022-06-07 2022-07-05 肺诊网(苏州)网络科技有限公司 一种基于5g互联网的远程数字媒体共享方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492118A (zh) * 2018-10-31 2019-03-19 北京奇艺世纪科技有限公司 一种数据检测方法及检测装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492118A (zh) * 2018-10-31 2019-03-19 北京奇艺世纪科技有限公司 一种数据检测方法及检测装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708990A (zh) * 2022-06-07 2022-07-05 肺诊网(苏州)网络科技有限公司 一种基于5g互联网的远程数字媒体共享方法和系统
CN114708990B (zh) * 2022-06-07 2022-09-06 肺诊网(苏州)网络科技有限公司 一种基于5g互联网的远程数字媒体共享方法和系统

Similar Documents

Publication Publication Date Title
CN110737659A (zh) 图数据存储和查询方法、装置及计算机可读存储介质
He et al. Model approach to grammatical evolution: deep-structured analyzing of model and representation
CN110738049B (zh) 相似文本的处理方法、装置及计算机可读存储介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN107578659A (zh) 电子题目的生成方法、生成装置及终端
CN112446207A (zh) 标题生成方法、装置、电子设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN107590248B (zh) 搜索方法、装置、终端和计算机可读存储介质
CN114861746A (zh) 基于大数据的反欺诈识别方法、装置及相关设备
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN111625567A (zh) 数据模型匹配方法、装置、计算机系统及可读存储介质
CN111368697A (zh) 一种信息识别方法和装置
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN114490756A (zh) 一种关联查看模型的生成方法、装置、计算机设备及存储介质
CN110889035A (zh) 敏感信息过滤方法、装置及计算机可读存储介质
WO2014071100A1 (en) Search service including indexing text containing numbers in part using one or more number index structures
CN111639164A (zh) 问答系统的问答匹配方法、装置、计算机设备及存储介质
CN115186188A (zh) 基于行为分析的产品推荐方法、装置、设备及存储介质
CN114565316A (zh) 基于微服务架构的任务发布方法、及相关设备
CN113656466A (zh) 保单数据查询方法、装置、设备及存储介质
CN114626352A (zh) 报表自动化生成方法、装置、计算机设备及存储介质
CN109672536B (zh) 一种批量pdf文件数字签名方法及系统
CN113505595A (zh) 文本短语抽取方法、装置、计算机设备及存储介质
CN110147531B (zh) 一种相似文本内容的识别方法、装置及存储介质
CN113486148A (zh) Pdf文件的转换方法、装置、电子设备以及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination