一種利用OCR技術進行互聯網涉密檢查的方法

陸春祥　王偉

【摘 要】 近年來，互聯網泄密事件逐漸增多，傳統人工檢查方法難以應對海量信息的合規審查，本文通過一種基于圖文識別OCR的方法，通過分布式部署互聯網檢查設備，可以快速發現互聯網違規發布的涉密文件，大幅提升互聯網涉密信息檢查能力。

【關鍵詞】 互聯網 海量信息 OCR

1 引言

近年來，在各級機關的保密檢查中發現通過互聯網違規發布涉密文件資料的案件逐年增多。其中涉密文件為圖片格式的案件比例呈現更加明顯的上升趨勢。相關人員通過截圖等形式，便可輕易的傳遞一些不合規的信息，而不被現有的設備檢查出來，致使互聯網信息管控存在嚴重的漏洞。

如何才能堵上這一傳播不合規信息的漏洞呢？依靠傳統的方法即采用人工查看的方式在互聯網上搜索到圖片格式的涉密文件，費時費力，無異于大海撈針。利用圖文識別技術，又稱為OCR（Optical Character Recognition，光學字符識別），則能夠較好地解決該問題。 OCR的原理主要是指利用各種識別算法分析圖像中包含的文字形態特征，判斷出文字的標準編碼，并按通用格式存儲在信息化設備中。

2 方法介紹

下面結合實例，對利用OCR技術進行互聯網涉密檢查的技術方案進行描述。場景為采用分布式部署實現互聯網檢查設備中對圖片中文字內容的審計。互聯網檢查設備由2臺設備組成，一臺負責對內部網絡連接到互聯網的數據流進行采集、分析和識別，并將采集的圖片文件，通過網絡發送給單獨部署的另一臺OCR服務器進行圖片檢查，以實現對圖片中文字的內容審計。

（1）互聯網檢查服務器（簡稱“檢測器”）。

互聯網檢查服務器負責對內部網絡連接到互聯網的數據流進行采集、分析和識別，并將采集到的圖片文件，發送給后端的互聯網檢查OCR服務器。

（2）互聯網檢查OCR服務器（簡稱“OCR服務器”）。

互聯網檢查OCR服務器負責接收前端互聯網檢查服務器傳送來的圖片，并使用其上的OCR組件解析出圖片上的文字信息。而后，對照用戶設定的關鍵詞策略，判斷該圖片是否含有不合規的信息。

（3）以下以BDOCR協議舉例說明互聯網檢查服務器與互聯網檢查OCR服務器之間的通信。1）BDOCR：指藍盾互聯網檢查設備中互聯網檢查服務器與互聯網檢查OCR服務器之間的TCP通信協議。2）前端互聯網檢查服務器負責從交換機抓取數據包，而后將采集到的圖片文件傳送給后端互聯網檢查1）OCR服務器，由其負責進行圖片所含文字部分的檢查。3）報文規格。BDOCR協議為TCP協議的載荷，協議包包含兩部分，頭部及BDOCR協議的載荷部分。

下面給出BDOCR協議包的封裝格式（如圖1）：

各字段的含義如下：

版本：2字節，表示BDOCR協議版本。其中高8位為主版本號，低8位為次版本號。

流程ID：2字節，標示該BDOCR數據包的類型及具體的請求動作。其中：

關鍵詞策略下發報文： 0x01

圖片下發報文： 0x02

中標回復報文： 0x04

異常通報報文： 0x08

ID：4字節，事務標志，同一事務的所有通信包其ID保持一致。可以使用一個無符號整數表示，每構建一個事務，該值加1，保證在4G個包內其ID值是唯一的。

時間：4字節，構造、發送數據包時的時間，標示從1970年1月1日0時0分0秒至今的秒數

載荷長度：4字節，標示該BDOCR數據包載荷部分的數據長度。

載荷：根據報文類型具備不同的長度。

關鍵詞策略下發報文：由檢測器向OCR服務器下發關鍵詞策略。載荷內容如圖2所示：

策略ID：4個字節。各策略的ID互不相同，用于標示各策略。策略名長度：4個字節。標示策略名部分的數據長度。策略名：不定長。用于在界面上顯示策略，策略名也是唯一的。策略長度：4個字節。標示策略內容部分的數據長度。策略內容：不定長。用戶設定的關鍵詞策略，用于匹配信息（圖片所含文字部分）是否合規。

圖片下發報文：由檢測器向OCR服務器下發圖片文件。載荷內容如圖3所示：

圖片ID：4個字節。各圖片的ID互不相同，用于標示各圖片。圖片類型：4個字節。標示圖片的不同類型，如JPEG、BMP、TIFF、GIF、PNG等。文件長度：4個字節。標示圖片文件部分的數據長度。

圖片文件：不定長。需要進行內容檢查的圖片文件。

中標回復報文：當OCR服務器檢查發現有不合規的圖片文件，向檢測器回復中標信息。載荷內容如圖4所示：

圖片ID：4個字節。各圖片的ID互不相同，用于標示各圖片。中標策略數：4個字節。標示該圖片匹配到的策略個數。中標策略ID：4個字節。各策略的ID互不相同，用于標示各策略。

異常通報報文：當某設備本身發生異常，向另一臺設備通報自身異常。如設備發生多類異常，則都需一一進行通報。載荷內容如圖5所示：

異常ID：4個字節。用于標示各類異常。異常情況：4個字節。0x0000：標示設備已恢復正常；0x0001：標示設備發生異常。

3 結語

本文實現的互聯網檢查方法，除了可以監控一般的文字信息外，還可以對以圖片形式出現的文字內容進行檢查。可以快速發現互聯網違規發布的涉密文件，大幅提升互聯網涉密信息檢查能力。當然，這些方法只是治標之策，唯有增強相關人員保密意識，加強信息公開保密審查，實現辦公網絡與互聯網物理隔離等措施多管齊下，才能及時發現和有效防范互聯網泄密行為，保護國家秘密。

參考文獻

[1]蔣俊杰.身份識別與接入控制系統的研究與應用[J].信息與電腦（理論版），2010年12期.

[2]孫羽菲.低質量文本圖像OCR技術的研究[D].中國科學院研究生院（計算技術研究所），2005年.

[3]閻彩英.淺析電子政務外網互聯網出口的安全技術構架[J].中國信息界.2011年02期.

[4]劉海波，顧國昌，張國印.Internet信息涉密檢查系統的設計與實現[J].計算機工程與應用，2004年09期.endprint