CN114626097A

CN114626097A - 脱敏方法、脱敏装置、电子设备及存储介质

Info

Publication number: CN114626097A
Application number: CN202210283373.9A
Authority: CN
Inventors: 肖田雨
Original assignee: Ping An Life Insurance Company of China Ltd
Current assignee: Ping An Life Insurance Company of China Ltd
Priority date: 2022-03-22
Filing date: 2022-03-22
Publication date: 2022-06-14

Abstract

本申请实施例提供了一种脱敏方法、脱敏装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取待脱敏的原始数据；根据预设的脱敏类别标签对原始数据进行分割处理，得到脱敏类别标签对应的待脱敏词段，待脱敏词段包括第一词段、第二词段和第三词段，通过敏感信息检测模型对第一词段进行第一敏感检测和第一脱敏处理，得到第一脱敏数据；通过正则表达式对第二词段进行第二敏感检测和第二脱敏处理，得到第二脱敏数据；通过敏感词字典对第三词段进行第三敏感检测和第三脱敏处理，得到第三脱敏数据；对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据。本申请实施例能够提高脱敏的准确性。

Description

脱敏方法、脱敏装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种脱敏方法、脱敏装置、电子设备及存储介质。

背景技术

在一些数据中会涉及到用户隐私、商业秘密等敏感信息，或者会涉及到不符合行业要求的敏感信息，因此需要对相关敏感信息进行脱敏处理。目前，常见的脱敏方法主要是对文本信息进行词性标注，然后对标注得到的敏感实体词进行脱敏处理，该方法往往需要大量的标注数据，而获取大量的高质量标注数据成本较高，且脱敏的准确性不高，因此，如何提高脱敏的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种脱敏方法、脱敏装置、电子设备及存储介质，旨在提高脱敏的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种脱敏方法，所述方法包括：

获取待脱敏的原始数据；

根据预设的脱敏类别标签对所述原始数据进行分割处理，得到每一所述脱敏类别标签对应的待脱敏词段，其中，所述待脱敏词段包括第一词段、第二词段和第三词段，所述第一词段、所述第二词段和所述第三词段的敏感类别各不相同；

通过预先训练的敏感信息检测模型对所述第一词段进行第一敏感检测，得到第一敏感数据，并对所述第一敏感数据进行第一脱敏处理，得到第一脱敏数据；

通过预设的正则表达式对所述第二词段进行第二敏感检测，得到第二敏感数据，并对所述第二敏感数据进行第二脱敏处理，得到第二脱敏数据；

通过预设的敏感词字典对所述第三词段进行第三敏感检测，得到第三敏感数据，并对所述第三敏感数据进行第三脱敏处理，得到第三脱敏数据；

对所述第一脱敏数据、所述第二脱敏数据以及所述第三脱敏数据进行组合处理，得到目标数据。

在一些实施例，所述根据预设的脱敏类别标签对所述原始数据进行分割处理，得到每一所述脱敏类别标签对应的待脱敏词段的步骤，包括：

通过预设函数和所述脱敏类别标签对所述原始数据进行分类概率计算，得到每一所述脱敏类别标签的分类概率值；

根据所述分类概率值对所述原始数据进行分割处理，得到所述待脱敏词段。

在一些实施例，所述通过预先训练的敏感信息检测模型对所述第一词段进行第一敏感检测，得到第一敏感数据，并对所述第一敏感数据进行第一脱敏处理，得到第一脱敏数据的步骤，包括：

将所述第一词段输入至所述敏感信息检测模型中，其中，所述敏感信息检测模型包括卷积层、全连接层以及解码层；

通过所述卷积层对所述第一词段进行实体特征提取，得到候选词段特征；

通过所述全连接层中预设的词性类别标签对所述候选词段特征进行筛选处理，得到待脱敏的目标词段特征；

通过所述解码层对所述目标词段特征进行解码处理，得到所述第一敏感数据；

对所述第一敏感数据进行第一脱敏处理，得到第一脱敏数据。

在一些实施例，所述通过预设的正则表达式对所述第二词段进行第二敏感检测，得到第二敏感数据，并对所述第二敏感数据进行第二脱敏处理，得到第二脱敏数据的步骤，包括：

通过预设的编码器对所述第二词段进行编码处理，得到待脱敏的目标字符串；

通过所述正则表达式对所述目标字符串进行敏感检测，得到所述第二敏感数据；

对所述第二敏感数据进行第二脱敏处理，得到第二脱敏数据。

在一些实施例，所述通过预设的敏感词字典对所述第三词段进行第三敏感检测，得到第三敏感数据，并对所述第三敏感数据进行第三脱敏处理，得到第三脱敏数据的步骤，包括：

遍历所述敏感词字典，对所述第三词段和所述敏感词字典中的每一参考词段进行相似度计算，得到词段相似度；

根据所述词段相似度对所述参考词段进行筛选处理，得到所述第三敏感数据；

对所述第三敏感数据进行第三脱敏处理，得到第三脱敏数据。

在一些实施例，所述根据所述词段相似度对所述参考词段进行筛选处理，得到所述第三敏感数据的步骤，包括：

比对所述词段相似度与预设的相似度阈值；

选取所述词段相似度大于或者等于所述相似度阈值的参考词段作为所述第三敏感数据。

在一些实施例，根据预设的拼接顺序对所述第一脱敏数据、所述第二脱敏数据以及所述第三脱敏数据进行拼接处理，得到初始数据；

对所述初始数据进行过滤处理，得到所述目标数据。

为实现上述目的，本申请实施例的第二方面提出了一种脱敏装置，所述装置包括：

原始数据获取模块，用于获取待脱敏的原始数据；

分割模块，用于根据预设的脱敏类别标签对所述原始数据进行分割处理，得到每一所述脱敏类别标签对应的待脱敏词段，其中，所述待脱敏词段包括第一词段、第二词段和第三词段，所述第一词段、所述第二词段和所述第三词段的敏感类别各不相同；

第一敏感检测模块，用于通过预先训练的敏感信息检测模型对所述第一词段进行第一敏感检测，得到第一敏感数据，并对所述第一敏感数据进行第一脱敏处理，得到第一脱敏数据；

第二敏感检测模块，用于通过预设的正则表达式对所述第二词段进行第二敏感检测，得到第二敏感数据，并对所述第二敏感数据进行第二脱敏处理，得到第二脱敏数据；

第三敏感检测模块，用于通过预设的敏感词字典对所述第三词段进行第三敏感检测，得到第三敏感数据，并对所述第三敏感数据进行第三脱敏处理，得到第三脱敏数据；

组合模块，用于对所述第一脱敏数据、所述第二脱敏数据以及所述第三脱敏数据进行组合处理，得到目标数据。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的脱敏方法、脱敏装置、电子设备及存储介质，其通过获取待脱敏的原始数据，根据预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同，这一方式能够根据预设的脱敏类别标签对原始数据中的敏感信息进行分类和分割处理，使得能够采用多种方式对不同类型的敏感信息进行检测和脱敏，使得脱敏过程更具有针对性。进一步地，通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据，这一方式采用了敏感信息检测模型、正则表达式以及敏感词字典来对不同类型的敏感信息进行检测，有效地提高了检测全面性；同时，敏感信息检测模型、正则表达式以及敏感词字典可以根据实际情况预先设定，在不同的脱敏场景下均能够直接使用，且能够根据不同的脱敏需求不断地扩充和完善，既能够降低使用成本，也能够满足个性化需求。最后对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据，该方法采用多种方式对不同类型的敏感信息进行检测，实现了对敏感字段的准确识别，提高了脱敏的准确性和脱敏效率。

附图说明

图1是本申请实施例提供的脱敏方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是图5中的步骤S502的流程图；

图7是图1中的步骤S106的流程图；

图8是本申请实施例提供的脱敏装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

深度学习(Deep Learning，DL)：是机器学习(ML,Machine Learning)领域中一个新的研究方向。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：

(1)基于卷积运算的神经网络***，即卷积神经网络(CNN)。

(2)基于多层神经元的自编码神经网络，包括自编码(Auto encoder)以及近年来受到广泛关注的稀疏编码两类(Sparse Coding)。

(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。

BERT(Bidirectional Encoder Representations from Transformers)：是一个语言表示模型(language representation model)。BERT采用了 Transformer Encoderblock进行连接，是一个典型的双向编码模型。

隐马尔科夫模型(Maximum Entropy Markov Model，MEMM)：用于对给定的观测序列X，计算出各隐藏状态序列Y的条件概率分布，是对转移概率和表现概率建立联合概率，统计时统计的是条件概率，而非共现概率。由于MEMM只在局部做归一化，MEMM容易陷入局部最优。

条件随机场算法(conditional random field algorithm，CRF)：是一种数学算法；结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。条件随机场是一个典型的判别式模型，其联合概率可以写成若干势函数联乘的形式，其中最常用的是线性链条件随机场。若让x＝(x1，x2，…xn)表示被观察的输入数据序列，y＝(y1，y2，…yn)表示一个状态序列，在给定一个输入序列的情况下，线性链的CRF模型定义状态序列的联合条件概率为p(y|x)＝exp{} (2-14)；Z(x)＝{}(2-15)；其中:Z是以观察序列x为条件的概率归一化因子；fj(yi-1，yi，x，i)是一个任意的特征函数。

解码(decoder)：将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。

正则表达式(Regular Expression，RE)：正则表达式又称规则表达式。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串(包括普通字符(例如，a到z之间的字母)和特殊字符(称为 “元字符”))操作的一种逻辑公式，即用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。

基于此，本申请实施例提供了一种脱敏方法、脱敏装置、电子设备及存储介质，旨在提高脱敏的准确性。

本申请实施例提供的脱敏方法、脱敏装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的脱敏方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的脱敏方法，涉及人工智能技术领域。本申请实施例提供的脱敏方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式***，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现脱敏方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的脱敏方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取待脱敏的原始数据；

步骤S102，根据预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同；

步骤S103，通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；

步骤S104，通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；

步骤S105，通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据；

步骤S106，对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据。

本申请实施例所示意的步骤S101至步骤S106，通过预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同，能够根据预设的脱敏类别标签对原始数据中的敏感信息进行分类和分割处理，使得能够采用多种方式对不同类型的敏感信息进行检测和脱敏，使得脱敏过程更具有针对性。通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据，采用了敏感信息检测模型、正则表达式以及敏感词字典来对不同类型的敏感信息进行检测，有效地提高了检测全面性；同时，敏感信息检测模型、正则表达式以及敏感词字典可以根据实际情况预先设定，在不同的脱敏场景下均能够直接使用，且能够根据不同的脱敏需求不断地扩充和完善，既能够降低使用成本，也能够满足个性化需求。该方法实现了对敏感信息的准确识别，提高了脱敏的准确性和脱敏效率。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据，得到待脱敏的原始数据。也可以通过其他方式获取原始数据，不限于此。需要说明的是，原始数据主要为文本数据，该文本数据包含人名、地点、身份证号等等涉及用户隐私的敏感信息。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201 至步骤S202：

步骤S201，通过预设函数和脱敏类别标签对原始数据进行分类概率计算，得到每一脱敏类别标签的分类概率值；

步骤S202，根据分类概率值对原始数据进行分割处理，得到待脱敏词段。

在一些实施例的步骤S201中，预设的脱敏类别标签包括词性明确类(人名、地点、时间等)、规则明确类(身份证号、手机号、保单号等)、特例类(违禁词、特殊人名、特殊地名等)；预设函数可以是softmax函数等，例如，通过softmax函数对待脱敏数据在不同的脱敏类别标签上创建一个概率分布，得到待脱敏数据上的文本词段属于不同脱敏类别的分类概率值。

在一些实施例的步骤S202中，根据分类概率值，将不同的文本词段划分到分类概率值最大的脱敏类别标签，得到每一脱敏类别标签对应的待脱敏词段。

在一些实施例的步骤S103之前，该方法还包括预先训练敏感信息检测模型，该敏感信息检测模主要采用基于统计学的方法(例如，隐马尔可夫模型、条件随机场算法等)或者基于深度学习的方法(例如，Lattice LSTM、LR-CNN等) 构建而成，通过上述敏感信息检测模型的命名实体提取算法(NER算法)可以识别出目标文本中具有特定意义的实体，例如，人名、地名、机构名、日期、专有名词等。在本申请实施例的脱敏任务中，通过上述敏感信息检测模型可以根据自身需要对命名实体识别出的这类词汇进行脱敏处理。

请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301 至步骤S305：

步骤S301，将第一词段输入至敏感信息检测模型中，其中，敏感信息检测模型包括卷积层、全连接层以及解码层；

步骤S302，通过卷积层对第一词段进行实体特征提取，得到候选词段特征；

步骤S303，通过全连接层中预设的词性类别标签对候选词段特征进行筛选处理，得到待脱敏的目标词段特征；

步骤S304，通过解码层对目标词段特征进行解码处理，得到第一敏感数据；

步骤S305，对第一敏感数据进行第一脱敏处理，得到第一脱敏数据。

在一些实施例的步骤S301中，将第一词段输入至敏感信息检测模型中，其中，敏感信息模型可以基于隐马尔可夫模型、条件随机场算法等等构建而成，敏感信息检测模型包括卷积层、全连接层以及解码层。

在一些实施例的步骤S302中，通过卷积层对第一词段进行实体特征提取，捕捉到第一词段中的实体特征，得到候选词段特征。

在一些实施例的步骤S303中，通过全连接层中预设的词性类别标签对候选词段特征创建一个概率分布，通过概率分布情况得到每一候选词段特征所属的词性类别，对涉及到敏感信息的词性类别包含的候选词段特征进行提取，得到待脱敏的目标词段特征。

在一些实施例的步骤S304中，通过解码层对目标词段特征进行解码处理，实现目标词段特征从向量空间到语义空间上的映射处理，得到文本形式的目标词段特征(即第一敏感数据)。

在一些实施例的步骤S305中，获取预设的掩码符号，其中，掩码符号可以是字符为空、也可以是预设的某一像素值，还可以是标点符号等等。通过掩码符号对第一敏感数据进行第一脱敏处理主要是对第一敏感数据进行掩码处理，用掩码符号代替第一敏感数据的全部或者部分实际内容，使得第一敏感数据的字段位置上为空、或者是标点符号，或者是被某一像素值打码覆盖，从而得到第一脱敏数据。

例如，第一词段为“李华准备在2月12日到第一金融中心拜访客户”；则通过敏感信息检测模型可以针对人名、时间、地点等实体特征进行检测和提取，得到目标词段特征有：李华(person)，2月12日(time)，第一金融中心(location)，因而，采用掩码符号对这一字段进行掩码脱敏处理，得到第一脱敏数据为“李 **准备在*月**日到*****拜访客户”。

上述步骤S301至步骤S304，通过预先构建的敏感信息检测模型能够较为方便地对词性明确的敏感词汇(例如，人名、地点、时间等)进行检测和脱敏处理，提高了脱敏准确性和脱敏效率。

请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401 至步骤S403：

步骤S401，通过预设的编码器对第二词段进行编码处理，得到待脱敏的目标字符串；

步骤S402，通过正则表达式对目标字符串进行敏感检测，得到第二敏感数据；

步骤S403，对第二敏感数据进行第二脱敏处理，得到第二脱敏数据。

在一些实施例的步骤S401中，预设的编码器可以是BERT编码器，也可以是其他，不做限制。以BERT编码器为例，通过BERT编码器对第二词段进行编码处理，将第二词段从文本形式转化为向量形式，得到待脱敏的目标字符串。

在一些实施例的步骤S402中，预设的正则表达式即为各个类型的正则表达式，由于正则表达式常用于匹配字符串，因此，可以根据实际需求编写出不同类型的正则表达式以匹配不同类型的目标字符串，例如，邮箱、手机号码、身份证号码以及保单号等等。进而，通过正则表达式对目标字符串进行敏感检测，得到第二敏感数据。

例如，邮箱的正则表达式可以为

(\w)((\w)*)([-+.]\w+)*(@\w+([-.]\w+)*\.\w+([-.]\w+)*)；

手机号码的正则表达式可以为

(13[0-9]|14[5|7]|15[0-9]|18[0-9])\d{8}；

身份证号码的正则表达式可以为

(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)。

在一些实施例的步骤S403中，获取预设的掩码符号，其中，掩码符号可以是字符为空、也可以是预设的某一像素值，还可以是标点符号等等。通过掩码符号对第二敏感数据进行第二脱敏处理主要是对第二敏感数据进行掩码处理，用掩码符号代替第二敏感数据的全部或者部分实际内容，使得第二敏感数据的字段位置上为空、或者是标点符号，或者是被某一像素值打码覆盖，从而得到第二脱敏数据。

例如，第二词段为客户李华的邮箱是[email protected]，手机号是 13012342224，身份证号码是400102198001011230，经过上述步骤S401至步骤S403之后，得到的第二脱敏数据为客户李华的邮箱是1*******@qq.com，手机号是1*********24，身份证号码是4001**********1230。

上述步骤S401至步骤S403，通过预先构造各种类型的正则表达式能够较为方便地对字符串等规则明确的敏感信息(例如，身份证号、手机号、保单号等) 进行检测和脱敏处理，提高了脱敏准确性和脱敏效率。

请参阅图5，在一些实施例中，步骤S105还可以包括但不限于包括步骤S501 至步骤S503：

步骤S501，遍历敏感词字典，对第三词段和敏感词字典中的每一参考词段进行相似度计算，得到词段相似度；

步骤S502，根据词段相似度对参考词段进行筛选处理，得到第三敏感数据；

步骤S503，对第三敏感数据进行第三脱敏处理，得到第三脱敏数据。

在一些实施例的步骤S501中，敏感词字典为一系列参考词段的集合，参考词段之间采用分隔符“”进行分隔处理，以便分别将每一参考词段与第三词段进行相似度计算，具体地，可以将第三词段与参考词段转化为向量形式，采用余弦相似度算法对向量形式的三词段与参考词段进行相似度计算，从而得到词段相似度。

在一些实施例的步骤S502中，在根据词段相似度对参考词段进行筛选处理时，比对词段相似度与预设的相似度阈值的大小，根据词段相似度与相似度阈值的大小关系，选取符合要求的参考词段作为第三敏感数据。

在一些实施例的步骤S503中，获取预设的掩码符号，其中，掩码符号可以是字符为空、也可以是预设的某一像素值，还可以是标点符号等等。通过掩码符号对第三敏感数据进行第二脱敏处理主要是对第三敏感数据进行掩码处理，用掩码符号代替第三敏感数据的全部或者部分实际内容，使得第三敏感数据的字段位置上为空、或者是标点符号，或者是被某一像素值打码覆盖，从而得到第三脱敏数据。

例如，敏感词字典包括的参考词段为“盗版”；第三词段为“最近买了一批盗版书，质量太差了”；则根据参考词段与第三词段内的短语、字符进行相似度计算，其中，参考词段“盗版”与第三词段中的“盗版书”相似度较高，因而，采用掩码符号对这一字段进行掩码脱敏处理，得到第三脱敏数据为“最近买了一批**书，质量太差了”。

上述步骤S501至步骤S503，通过预先构建敏感词字典能够较为方便地对特定的敏感词汇(例如，违禁词、特殊人名、特殊地名等)进行检测和脱敏处理，提高了脱敏准确性和脱敏效率。

请参阅图6，在一些实施例，步骤S502还包括但不限于包括步骤S601至步骤S602：

步骤S601，比对词段相似度与预设的相似度阈值；

步骤S602，选取词段相似度大于或者等于相似度阈值的参考词段作为第三敏感数据。

在一些实施例的步骤S601和步骤S602中，预设的相似度阈值可以根据实际需求进行设定，例如，相似度阈值可以为0.8。则，比对词段相似度与相似度阈值的大小，词段相似度大于或者等于0.8的，表明当前的第三词段与参考词段较为相似，属于敏感词段的可能性较高，因而，选取词段相似度大于或者等于相似度阈值的参考词段作为第三敏感数据。通过这一方式，能够对属于敏感词段的可能性较高的词汇进行脱敏处理，而对属于敏感词段的可能性较低的词汇进行检测，能够通过二次筛查的方式确定这些词汇是否需要进行脱敏处理，能够提高脱敏准确性和脱敏效率。

请参阅图7，在一些实施例中，步骤S106还可以包括但不限于包括步骤S701 至步骤S702：

步骤S701，根据预设的拼接顺序对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行拼接处理，得到初始数据；

步骤S702，对初始数据进行过滤处理，得到目标数据。

在一些实施例的步骤S701中，预设的拼接顺序可以是获取到第一脱敏数据、第二脱敏数据以及第三脱敏数据的时间先后顺序等等。例如，在数据库平台上，根据获取到第一脱敏数据、第二脱敏数据以及第三脱敏数据的时间先后顺序，将多个第一脱敏数据、第二脱敏数据以及第三脱敏数据进行标注处理，使得每一第一脱敏数据、第二脱敏数据以及第三脱敏数据带上序列标签，该序列标签可以是***序列(1、2、3、…)，也可以是英文字母序列(A、B、C、…)；进而，通过CONCAT()函数对多个带有序列标签的第一脱敏数据、第二脱敏数据以及第三脱敏数据按照序列标签顺序进行拼接处理，得到初始数据，该初始数据即为经过上述敏感信息检测模型、正则表达式以及敏感词字典进行检测和脱敏处理的数据。

在一些实施例的步骤S702中，为了进一步地提高脱敏准确性，在得到初始数据之后，还可以根据实际需求对初始数据进行数据清洗、人工复核等操作，以便对初始数据中的异常数据或者不规范数据进行过滤或者修正处理，从而得到目标数据，该目标数据即为最终的脱敏数据。

需要说明的是，为了进一步地提高脱敏效果，敏感信息检测模型、正则表达式以及敏感词字典可以根据实际情况预先设定，在不同的脱敏场景下均能够直接使用，且敏感信息检测模型、正则表达式以及敏感词字典还能够根据不同的脱敏需求不断地扩充和完善，既能够降低使用成本，也能够满足个性化需求。

本申请实施例的脱敏方法通过获取待脱敏的原始数据，根据预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同，这一方式能够根据预设的脱敏类别标签对原始数据中的敏感信息进行分类和分割处理，使得能够采用多种方式对不同类型的敏感信息进行检测和脱敏，使得脱敏过程更具有针对性。进一步地，通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据，这一方式采用了敏感信息检测模型、正则表达式以及敏感词字典来对不同类型的敏感信息进行检测，有效地提高了检测全面性；同时，敏感信息检测模型、正则表达式以及敏感词字典可以根据实际情况预先设定，在不同的脱敏场景下均能够直接使用，且能够根据不同的脱敏需求不断地扩充和完善，既能够降低使用成本，也能够满足个性化需求。最后对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据，该方法采用多种方式对不同类型的敏感信息进行检测，实现了对敏感字段的准确识别，提高了脱敏的准确性和脱敏效率。

请参阅图8，本申请实施例还提供一种脱敏装置，可以实现上述脱敏方法，该装置包括：

原始数据获取模块801，用于获取待脱敏的原始数据；

分割模块802，用于根据预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同；

第一敏感检测模块803，用于通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；

第二敏感检测模块804，用于通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；

第三敏感检测模块805，用于通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据；

组合模块806，用于对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据。

在一些实施例中，分割模块802包括：

分类概率计算单元，用于通过预设函数和脱敏类别标签对原始数据进行分类概率计算，得到每一脱敏类别标签的分类概率值；

分割处理单元，用于根据所述分类概率值对原始数据进行分割处理，得到待脱敏词段。

在一些实施例中，第一敏感检测模块803包括：

输入单元，用于将第一词段输入至敏感信息检测模型中，其中，敏感信息检测模型包括卷积层、全连接层以及解码层；

实体特征提取单元，用于通过卷积层对第一词段进行实体特征提取，得到候选词段特征；

特征筛选单元，用于通过全连接层中预设的词性类别标签对候选词段特征进行筛选处理，得到待脱敏的目标词段特征；

解码单元，用于通过解码层对目标词段特征进行解码处理，得到第一敏感数据；

第一脱敏单元，用于对第一敏感数据进行第一脱敏处理，得到第一脱敏数据。

在一些实施例中，第二敏感检测模块804包括：

编码单元，用于通过预设的编码器对第二词段进行编码处理，得到待脱敏的目标字符串；

敏感检测单元，用于通过正则表达式对目标字符串进行敏感检测，得到第二敏感数据；

第二脱敏单元，用于对第二敏感数据进行第二脱敏处理，得到第二脱敏数据。

在一些实施例中，第三敏感检测模块805包括：

相似度计算单元，用于遍历敏感词字典，对第三词段和敏感词字典中的每一参考词段进行相似度计算，得到词段相似度；

词段筛选单元，用于比对词段相似度与预设的相似度阈值，并选取词段相似度大于或者等于相似度阈值的参考词段作为第三敏感数据；

第三脱敏单元，用于对第三敏感数据进行第三脱敏处理，得到第三脱敏数据。

在一些实施例中，组合模块806包括：

拼接单元，用于根据预设的拼接顺序对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行拼接处理，得到初始数据；

过滤单元，用于对初始数据进行过滤处理，得到目标数据。

该脱敏装置的具体实施方式与上述脱敏方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述脱敏方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的脱敏方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式 (例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述脱敏方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的脱敏方法、脱敏装置、电子设备及存储介质，其通过获取待脱敏的原始数据，根据预设的脱敏类别标签对原始数据进行分割处理，得到每一脱敏类别标签对应的待脱敏词段，其中，待脱敏词段包括第一词段、第二词段和第三词段，第一词段、第二词段和第三词段的敏感类别各不相同，这一方式能够根据预设的脱敏类别标签对原始数据中的敏感信息进行分类和分割处理，使得能够采用多种方式对不同类型的敏感信息进行检测和脱敏，使得脱敏过程更具有针对性。进一步地，通过预先训练的敏感信息检测模型对第一词段进行第一敏感检测，得到第一敏感数据，并对第一敏感数据进行第一脱敏处理，得到第一脱敏数据；通过预设的正则表达式对第二词段进行第二敏感检测，得到第二敏感数据，并对第二敏感数据进行第二脱敏处理，得到第二脱敏数据；通过预设的敏感词字典对第三词段进行第三敏感检测，得到第三敏感数据，并对第三敏感数据进行第三脱敏处理，得到第三脱敏数据，这一方式采用了敏感信息检测模型、正则表达式以及敏感词字典来对不同类型的敏感信息进行检测，有效地提高了检测全面性；同时，敏感信息检测模型、正则表达式以及敏感词字典可以根据实际情况预先设定，在不同的脱敏场景下均能够直接使用，且能够根据不同的脱敏需求不断地扩充和完善，既能够降低使用成本，也能够满足个性化需求。最后对第一脱敏数据、第二脱敏数据以及第三脱敏数据进行组合处理，得到目标数据，该方法采用多种方式对不同类型的敏感信息进行检测，实现了对敏感字段的准确识别，提高了脱敏的准确性和脱敏效率。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、 ***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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、***、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。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个” 是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在 A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或 “a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括： U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器 (Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims

1.一种脱敏方法，其特征在于，所述方法包括：

获取待脱敏的原始数据；

2.根据权利要求1所述的脱敏方法，其特征在于，所述根据预设的脱敏类别标签对所述原始数据进行分割处理，得到每一所述脱敏类别标签对应的待脱敏词段的步骤，包括：

3.根据权利要求1所述的脱敏方法，其特征在于，所述通过预先训练的敏感信息检测模型对所述第一词段进行第一敏感检测，得到第一敏感数据，并对所述第一敏感数据进行第一脱敏处理，得到第一脱敏数据的步骤，包括：

4.根据权利要求1所述的脱敏方法，其特征在于，所述通过预设的正则表达式对所述第二词段进行第二敏感检测，得到第二敏感数据，并对所述第二敏感数据进行第二脱敏处理，得到第二脱敏数据的步骤，包括：

5.根据权利要求1所述的脱敏方法，其特征在于，所述通过预设的敏感词字典对所述第三词段进行第三敏感检测，得到第三敏感数据，并对所述第三敏感数据进行第三脱敏处理，得到第三脱敏数据的步骤，包括：

6.根据权利要求5所述的脱敏方法，其特征在于，所述根据所述词段相似度对所述参考词段进行筛选处理，得到所述第三敏感数据的步骤，包括：

比对所述词段相似度与预设的相似度阈值；

7.根据权利要求1至6任一项所述的脱敏方法，其特征在于，所述对所述第一脱敏数据、所述第二脱敏数据以及所述第三脱敏数据进行组合处理，得到目标数据的步骤，包括：

根据预设的拼接顺序对所述第一脱敏数据、所述第二脱敏数据以及所述第三脱敏数据进行拼接处理，得到初始数据；

对所述初始数据进行过滤处理，得到所述目标数据。

8.一种脱敏装置，其特征在于，所述装置包括：

原始数据获取模块，用于获取待脱敏的原始数据；

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的脱敏方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的脱敏方法的步骤。