Classificateurs de fichiers

Au moins 20 fichiers d'entraînement positifs doivent être ajoutés pour entraîner un classificateur de fichiers.

Pour créer un classificateur de fichiers :

1. Allez sur Policies > Profiles > DLP > File Classifiers dans l'interface utilisateur de Netskope.
2. Cliquez sur New File Classifier.
3. Sous Upload Training Files, faites glisser & et déposez les fichiers dans la boîte ou Select Files pour les ajouter au classificateur.
4. Click Save.

Positive training data entraîne le modèle à identifier les fichiers similaires à ceux qui sont téléchargés.

Negative training data trains the model to identify what is not considered a match to the classifier’s model. This functionality is only available after the custom classifier has been successfully setup and trained.

Percent Match spécifie le pourcentage du fichier qui doit correspondre au classificateur de fichiers pour que celui-ci évalue le fichier.

Si l'efficacité de votre modèle est inférieure à la norme Netskope, vous recevrez un avertissement accompagné d'une explication.

Il y a 5 scénarios qui donneront lieu à un avertissement :

1. L'efficacité du modèle doit être évaluée
2. Le taux de faux positifs est trop élevé
3. Le taux de vrais positifs est trop faible
4. Maximum number of tests met
5. L'évaluation du modèle est en cours

Package Installation

L'installation des fichiers du package TYOC est required. Cette page contient également les étapes pour effectuer la génération de hachage.

Install the packages in this order:

1. keyview.ns
2. dlpcicontent.ns
3. dlpdata.ns
4. dplib.ns
5. dlptools.ns

sudo dpkg -i --force-overwrite package_file.deb

Génération de hachages

The Fingerprint 2.0 API supports direct uploads of a pre-generated hash.
You can generate the hash on a virtual machine and then upload the hash instead of the real artifacts (original files or images) to Netskope.
The hash generation steps for Source files and Negative Hashes are the same.

If the hash file is greater than 10MB, split the JSON using line breaks into multipart JSON files.

Un script Python permettant de diviser les fichiers JSON est disponible sur le portail d'assistance.

Put all the files to be fingerprinted (or hash-extracted) in a folder, say, “/myFolder” or if you have a zip file, give the zip file name in place of the folder.

/opt/ns/bin/nsdlp/dlp-fingerprint20 -c classification_1 -f /myFolder/ -o ~/temp/fp/output/ -e ~/temp/fp/extract/ -

This will create an output file: ~/temp/fp/output/fingerprint20_211_1.json

Pour une liste détaillée des étapes, consultez le Guide utilisateur sur le portail de support.

Depuis la console d'administration, accédez à Settings > Tools > REST API v2.

Single File Upload

curl -X POST "https://your-tenant.goskope.com/api/v2/services/dlp/classifiers/custom/5590549391965102994/hashes" \
-H "Netskope-Api-Token: 38cxxxxxxxxxxeeef2f1" \
-H "x-netskope-user-email: user@example.com" \
-H "Content-Type: multipart/form-data" \
-F "hashfile=@/path/to/your/hashfile.json

Multi-Part Upload

1. Upload First Chunk

   curl -X POST "https://your-tenant.goskope.com/api/v2/services/dlp/classifiers/custom/5590549391965102994/hashes?txid=1
   -H "Netskope-Api-Token: 38c9a700980fb009f9bb8a303eeef2f1" \
   -H "x-netskope-trid: 1234567890123456789" \ 
   -H "x-netskope-user-email: user@example.com" \
   -H "Content-Type: multipart/form-data" \
   -F "hashfile=@/path/to/hashfile_part1.json

2. Upload Second Chunk

   curl -X POST "https://your-tenant.goskope.com/api/v2/services/dlp/classifiers/custom/5590549391965102994/hashes?txid=2
   -H "Netskope-Api-Token: 38c9a700980fb009f9bb8a303eeef2f1" \
   -H "x-netskope-trid: 1234567890123456789" \
   -H "x-netskope-user-email: user@example.com" \
   -H "Content-Type: multipart/form-data" \
   -F "hashfile=@/path/to/hashfile_part2.json"

3. Upload Final Chunk

   curl -X POST "https://your-tenant.goskope.com/api/v2/services/dlp/classifiers/custom/5590549391965102994/hashes?txid=3
   -H "Netskope-Api-Token: 38c9a700980fb009f9bb8a303eeef2f1" \
   -H "x-netskope-trid: 1234567890123456789" \
   -H "x-netskope-user-email: user@example.com" \
   -H "Content-Type: multipart/form-data" \
   -F "hashfile=@/path/to/hashfile_part3.json"
   

   Setting sessionend=true on the last upload triggers processing of all uploaded files in the session.

Upload Negative Hashes

curl -X POST « https://your-tenant.goskope.com/api/v2/services/dlp/classifiers/custom/5590549391965102994/hashes?negati
-H "Netskope-API-Token : 38c9a700980fb009f9bb8a303eef2f1 » \
-H « x-Netskope-email-utilisateur : user@example.com » \
-H « Type de contenu : multipart/form-données » \
-F « negative_hashes.json=@/path/to/negative_hashes.json »

Lorsqu’un File Classifier a été créé avec succès, il peut être modifié pour inclure Positive training data ou Negative training data. La valeur de Percent Match peut également être modifiée. Cela est également connu sous le nom de Training Your Own Classifier (TYOC).

Pour modifier une File Classifierexistante :

1. Click Edit.
2. Cliquez … sur un File Classifierexistant.

To delete an existing File Classifier:

Cliquez … sur un File Classifierexistant.

Cliquez sur Delete.

L'édition d'un classificateur de fichiers prédéfini vous permet de modifier le comportement des correspondances de classification prédéfinies dans le but de réduire les faux positifs (en téléchargeant un fichier faussement positif ou en augmentant le seuil de correspondance) ou, dans certains cas, de détecter correctement les faux négatifs (en réduisant le niveau du seuil).

1. Cliquez sur … sur un site File Classifier existant dans la section Prédéfinis.
2. Click Edit.
3. Select votre Confidence Level.
4. Select your files Ou les glisser-déposer dans la section False Positive Files .
5. Cliquez sur Save.

Confidence Level – Ce paramètre vous permet de modifier le niveau/seuil de sensibilité du modèle. Un niveau de confiance lower entraînera un rappel plus élevé du classificateur. Cela signifie que le modèle du classificateur identifiera un plus grand nombre de vrais positifs, mais sera également susceptible de générer davantage de faux positifs. Un niveau de confiance higher permettra au classificateur d'avoir une précision plus élevée. Cela signifie que le modèle du classificateur produira moins de faux positifs, mais également moins de vrais positifs.

• Bank Statement
• Loan Agreement
• Loan Application
• Stock Purchase Program
• Tax Form (US)
• Offer Letter
• *Resume
• Consulting Agreement
• Merger and Acquisitions Form (M&A)
• NDA (English)
• Partner Agreement
• Patent
• Medical Form
• Medical Power of Attorney (POA)
• *Source Code (All)

• Check
• Payment Card (Credit, Debit)
• Medical Image
• Screenshot
• Whiteboard
• Driver’s License (All)
• Driver’s License (US)
• Health ID Card
• Passport Book
• Photo ID
• Social Security Card (US)

En utilisant la technologie LLM (Large Language Model), DLP (Prévention des pertes de données) peut désormais classer avec précision les fichiers en se basant sur des centaines de classificateurs. Les administrateurs peuvent sélectionner une liste de classes de fichiers prédéfinies et choisir de détecter des classes spécifiques correspondant à leur demande d'inspection. Lorsqu'une demande d'inspection DLP (Prévention des pertes de données) comprend une ou plusieurs règles de classification de fichiers basées sur le LLM, une partie du texte du fichier extrait est envoyée au service AI File Classifer pour être traitée. Le service AI File Classifier tient à jour localement une liste complète de classes de fichiers prédéfinies.

Pour créer un classificateur de fichiers AI :

1. Allez sur Policies > DLP > File Classifiers > Custom et sélectionnez AI

2. Click New AI File Classifier

   

3. Cochez les types de classification que vous souhaitez ajouter à votre AI File Classifier. Ils apparaîtront en bas dans Selected AI File Classifier.

4. Saisissez un nom et cliquez sur Save.

5. Votre New AI File Classifier peut maintenant être utilisé pour créer un New DLP Profile sous le Content Rules dans la section File Classifier.

   

When a fingerprint group or custom classifier is used in a DLP profile, WebUI won’t allow the deletion of FP-group/custom-classifier to be deleted. However, user could “accidentally” delete it using API directly. When this happens, DLP profile would refer to an “undefined” FP-group/custom-classifier and during inspection time, DLP would ignore such undefined FP-group/custom-classifier as if they don’t exist at all. User can remove such undefined rules. This loophole currently has not much negative impact on DLP scan but still should be avoided for data integrity.

This issue will be fixed in the upcoming release with Referential Integrity integration.

Limitations pour NEW Profils prédéfinis, règles, entités, règles de classification en colonnes et classificateurs de fichiers

Netskope incorpore la maintenance générale dans le cadre de son service, qui comprend l'introduction d'un système de gestion des données. New Predefined ProfilesPour les capacités respectives souscrites de DLP (Prévention des pertes de données) Standard (L2), DLP (Prévention des pertes de données) Advanced (L3), il est nécessaire de mettre en place les services suivants : Rules, Entities, Columnar Classification Rules, et File Classifiers.

We advise customers to only utilize these newly introduced

• Predefined Profiles,
• Rules,
• Entities,
• Columnar Classification Rules
• File Classifier

exclusively after the deployment has been completed across all Management Plane (MPs) and Data Plane (DPs) to mitigate the potential for detection inconsistencies. Customers leveraging appliances such the DLP On Demand Appliance, DLP Appliance with DSPM, or DLP Appliance with AI Gateway must also ensure that the DLP Appliance is updated to facilitate the functionality of the new

• Predefined Profiles,
• Rules,
• Entities,
• Columnar Classification Rules
• File Classifiers

Existing Predefined Profiles, Rules, Entities, Columnar Classification Rules, et File Classifiers et Custom Profiles, Rules, Entities, Columnar Classification Rules, File Classifiers ne sont pas soumis à cette limitation.