Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   4 ,  A ugus t   2020 ,   pp.  3615 ~ 36 22   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 10 i 4 . pp3615 - 36 22           3615       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Data los s preven tion by u sing M RS H - v2 al gorithm       Basheer  Hus h am Ali , Ahme d Adeeb  Jalal,  Wa s seem  N. I brah e m A l - O bayd y    Com pute r  Engi n ee ring   Depa r tment,   Co ll eg e  of   E ngine er ing, AL - I raq ia   Univer si t y ,   Ira q       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  Ma r 6, 2 019   Re vised Dec  15, 2 019   Accepte d  Ja n 1 1,   2020     Sensiti ve  d ata  m a y   be   stored  i n  diffe r ent   form s.  Not  onl y   le g a l  owners  but  al so  m al icious  peopl e  are   in te r esti ng  of  ge tt in g  sensiti ve  d at a .   Exposin g   val uab le   da ta   to  othe rs  l ea d s  to  seve re  Consequenc es.   Custom ers,  orga nizati ons,   a nd  /or  compani e s  lose  the i r   m one y   and  r eput a ti o n  due  to  d at a   bre ac h es.   Th ere   are   m an y   r ea son s  for  dat a  leaka g es.   Inte rn al   thr e at s  such  as  hum an  m ista kes   and  ext ern al   th rea ts  such  as  D DoS   at ta cks  are  two  m ai n   rea sons   for  dat a   loss.  In  gene ral,  dat a  m a y   be  c at egor iz ed  b ase d  int o  thre e  kinds:  data  in  u se,   data  a t  rest ,   and  data  in  m oti on.   Da ta   Los s  Preve nti on   (DLP)  are   good   tool s  to  ide nt if y   important   d at a .   DLP  ca n  do   an aly sis  for  d ata   cont en t  and  send  fee dbac k  to   administra tors   to  m ake   dec ision  such  as  fil tering,   d el e ti n g,   or  enc r y pt i on .   Data   Loss  Preve nti on  (DLP)  t ools  are   not     a  fina l  solut ion  for  dat a  bre ac h e s,  but  they   cons ide r  good  sec uri t y   too ls  to  el iminate  m al i cious   ac ti vi ties  a nd  prote c t  sensi ti ve  info rm at ion .   The r e  ar e  m an y   kinds  of  DLP  te chni ques,   and  appr oximati on  m at chi ng  is  one  of  the m .   Mrs h - v2  is  one   t y pe   of  appr o ximati on  m at ching.  It  is  implemente d  and  eva lu at ed   b y   usi ng  TS  da ta set   a nd  conf usion  m at rix .   Fina lly ,   Mrs h - v2  has  high  score   of  true   positi ve  and   sensiti vity ,   and   it   has  low  score   of  fal se   nega t ive .   Ke yw or d s :   Appro xim ation m a tc hin g   Data b reac h    DLP     Mrsh - v2   Sens it ive  data   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ba sh eer  Hus ha m  A li  A l - M afra chi,    Com pu te r  E ng i neer i ng D e par t m ent,   Coll ege  of   En gi neer in g, AL - I r aqia U niv e rsity ,    Ba ghda d,   Ir a q .   Em a il :  Ba sh eer.husham @ali ra qia.edu.i q       1.   INTROD U CTION     In   the  past,  the   el ect ro nic  co m m un ic at ion   am on g  pe op le   was  so   dif ficul t.  They  wer e  de pende d  only   on   post  office  to  exc hange  or   sh are  data  or   pack a ge.   H owever,  m od ern   t echnolo gy  has   fixed   this  pro blem .   Diff e re nt  kind s  of   dev ic es  a re  avail able  nowa days  suc h  as  la pto ps,  c om pu te rs,   iPa d,   iP od s ,  m ob il es,  et c.    The  inte rn et   c on t rib utes  in  push i ng  w heel  of   de velo pm ent.  By   us in g  int ern et ,  pe op le   c an  do   seve ral  kinds  of  act ivit ie s  to  serv e  their  nee ds   su c h  as  shoppi ng   us in g  onli ne   web sit es,  se ndin g  e - m ai ls  a m on g  the m ,  st ud yi ng   on li ne ,  el ect r onic   rese r vation  an d  s o  on.  P ub li c  a nd  pr iv at e  orga nizat ion s,   unive rsiti es,  ho s pital s,  or/ an d  com pan ie s sto r e, se nd, or rece ive d i ff e ren t  ki nd s  of  data.    These  data  m a y  be  te xts,  books,  im ages,  or   vid e os .  T hey  m ay   be  rep res ented  i n  dif fere nt  kinds  of  form   su ch  as  t xt,  pdf,   do c ,  gi f,   j pg ,  m p4 ,  xl s,  pp t,  or  exe .   These  data  can  be  sto red   in   diff er ent  ki nds  of   dev ic es ,  onli ne   storag e ,  or  cl oud  com pu ti ng .  Most  of   thes e  fo rm s  con ta in  sensiti ve  in f or m at ion   su c h  as  fu ll   nam es,  fu ll   hom e  ad dr ess es,  so ci al   secu rity   nu m ber s,  m ob i le   phon es ,  e - m ai l  add res ses,  cred it   car d  nu m ber s,   or   date  of  birt h.  N ot  on ly   le ga l  owner s  bu t  al so   m alici ou s  pe op le   a re  inter est ing   of  getti ng   these  data  to  serv e   their  nee ds .  M al ic iou s  pe ople   hav e  us e d  a dvanced   act i vi ti es  to  get  these  i nfor m at ion   by  m any  ways  suc h  as   vir us   pro gr am s,  ju nk m ails,  spy war es,  or  rans om war es.    Ex po si ng   the se   valuab le   data  to  oth e rs  le ads   to  sever e  dangero us .  Cust om ers,   orga nizat ion s,  a nd   /o r   com pan ie s  los e  their  m on ey   and  re pu ta ti on   due  to  d at a  breac hes.   They  l os e  bill ion s  of  doll ars,   reput at ion s,   br a nds.  The re  are  m any  exa m ples  abo ut  t hat.  On e   exam ple  is  that  m or e  tha n  650  m al ic iou s  at ta ck s  we re   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  4 ,  A ugus t   2020   :   3 6 1 5   -   3 6 2 2   3616   repor te d  be for e  2013.  Ba sed  on  r ep or t of   O pen   Sec uri ty   Fo un dation  (OS F) ,  m or e  than  on e  th ousa nd   i ncide nts  of   data  loss  ha pp e ne d  duri ng   2013  [1 ] .  Mo r eov e r,   m or e  than  two  hundre d  m il l ion   of  log in  in form ation   were   com pr om ise d  befor e  2012  ba sed  on  Sym a ntec  com pan y  repor t  [ 2].  In   add it io n,   m or e  than  165  m i llion   of  do c um ents  wer e  stolen  du rin g  2011  acco r di n g  to  Ve rizo n  com pan y  [3 ] .  Finall y,  m or e  than  60  m il lio n  of  sensiti ve  file s  wer e  br e ache d  from   So ny  co m pan y,  and   m or e  t han   5  m il l ion   of   l og i n  da ta   wer e  e xpos e d  f or  Link e dIn  use rs   durin g  2012  [ 1].  Be cause  of   these  dange rous,   re searc her s   hav e  de sig ne d  m any  us efu l   too ls   against  da ta   breac hes.  D at a  L os s  P rev e ntio n  (D L P)   c onside rs  as  one  ki nd  of  d at a  breac h  pr e ve ntion.  It  is  us e d  to iden ti fy an d  pr e ve nt i m po rtant d at a to f al l  in the w r ong  ha nds [ 4]. T his too l can  be  us e d  to p r otect  sen sit iv e   data  at   rest  w hi ch  is   data  sto r ed  in   en d  us e r  or   syst e m   su ch   as  ha r d  disk   or/ an d  rem ov a ble  disk.  It  can   a lso  be   us e d  to  i den ti f y,  m on it or ,  or   protect   data  in   us e  w hich  is  data  tra ns m i tt e d  in  t he  netw ork .  P ro te ct in g  data  i n  m ot ion  is als o on e  goal  of D L P [5].   Ther e  a re  m any  kin ds   of   sec ur it y  too ls  ot he r  than  DLP   t hat  can  be  use d  in  this  re ga rd   s uc h  as   In tr us i on   Pr e ve ntion  Syst em s  (IPS )  a nd   I ntr us io n  Detect ion   Syst em s  (IDS).  Althou gh  they   c on si der   as   secur it y  to ols,   they   hav e   m a in  di ff e ren ce .  DLP  is  re spo nsi ble  only   f or  captu rin g   a nd  identify in g  se nsi ti ve  inf or m at ion .  H ow e ve r,   I PS  a nd   IDS  is  in  c harge  of   al l  ki nd s  of  da nger ous  or  th reat  tha t  m ay   face  data.  DL P  has  two  m ai n  ph a ses  to  ident ify   i m po rtant  or  sensiti ve  inf orm ation .  The  fi rst  on e  is  gene rati ng   fi ng e r pr i nts  or   pr e def i ned   patt ern s  which a re  base d  on e xtra ct ing  ce rtai n  fe at ur es  from  k now n fil es. T he se co nd  is c om par i ng  the  fin ge rprint s  of  ne w  file s w it h  the   existe d  fi ng e r pr i nts  that  are d e rive d  from   the  first stage.  Fi nally ,  if  res ult  of   c om par iso n  was  posit iv e,  detect ed  fi le   m a y  be  e ncr y pted,   bloc ked,  rem ov e d,   or  trans fe r red   to    safe  place [ 6 ,  7] .    Fu rt her m or e,  DLP   to ols  wa s   first  us e d  in  2006.  T hey  are  no t  a  fi nal  so l ution   for  data  br eac hes,   but  they   con si der   good  secu rity   too l  to  el i m inate   m alici ou s  act ivit ie s  and   protect   sensiti ve  inf orm ation   [ 8].     In   t he  m ark et ,  DLP   m ay   hav e   oth e r  nam es  su ch  a s  in form a ti on   m on it or in g  an d  pr e ve ntion,  in form at io n  lo s s   protect ion,  dat a  analy zi ng  a nd  pre ven ti on,   an d/  or  data   le akag e   prev e ntion  [ 5].  The re  a re  m any  f a m ou s  com pan ie s  have  dev el o pe d  D LP  too ls.  F or   e xam ple,  Palo  Alto  Netw ork  com pan y  produced   a  sec ur it y  too l  to   protect   data  in  m otion   by  an al yz ing ,  m on it or i ng,  an d  det ect ing   sensiti ve   inform at ion   t hat  are  transm i tt ed  in   the  wi re  or   wi reless.  Am Xecu re  C om pan y  release d  secu rity   desig n  t o  i den ti fy  data  le akag e   that  is  cal le d  Pr ivacy I D  [ 7].   RSA  an d  Mc Af ee  hav e  th e  best  DLP   sec uri ty   too l  to  identify   inf or m at i on   le a kag e  as  sta te d    in  [9 ,  10] .  Fin al ly ,  W eb sense   and   Mc A fee  orga nizat ion s  desig ne d  DLP   too l  that  has  three  sta ge s  w hi ch  are   data  co ntr ol,  da ta   endp oin t,  and  data  i den t ific at ion   [ 11 ,  12 ] .   Finall y,  t he  r est   of  the   pap e r  is  orga ni zed  as     the  f ollo wing:  sect ion  I I  e xp la ined  t he  popula r  reas ons  th at   le ad  to   data  le aka ge.   Furt her m or e,   sect ion  I I I   pr ese nted   cat egories  of  wh e r e  sensiti ve  data   can  be  sto re d.   M or e over,  so luti on  m et ho ds  are  pr e sen te d  i n  detai l  in  sect io n  I V.  Th e  im pl e m entat ion   an d  e valuati on  of  m rsh - v2  in   se ct ion   V  a nd   V I   res pecti vely .  Finall y,  con cl us io n  is  presente d  in  the   in the last s ect ion.       2.   POPUL A R R EASO NS   FO R DA T A  LO S S   Fam ou s  orga ni zat ion s  a nd  co m pan ie s  lose  their  r ep utati onal   and   bill ion s  of   doll ars  due  to  sensiti ve   inf or m at ion  br eaches.  Th e re  are tw o pr im ary causes  of  data breac h: e xter nal and i nter na l t hr eat .     2 . 1.     Int ern al  th re ats   First  of   al l,  in te rn al   threats  consi der   as  a  pr im ary  cause  of   data  le aka ge.   H um an  m i sta kes  are  at    the top   of this t ype of thr eat . T her e a re m any  m ist akes th at  can  be d one by  p eo ple. For  i ns ta nce , n e glig ence of  e m plo ye es  w ho  le ave  t heir  c om pu te rs,   m obil es,   iPads,  or  o the r  de vices  i n  pu blic  trans portat io n  or p la ces  su c h  as  restau ran t,  m ark et s,  an d/  or   st or es  c os t  their  com pan ie s  a  lot  of   m oney   if  these  devi ces  fall   in  the  wrong   hands .  Re m ov able  de vices  s uc h  as   flas h  disk   or   dis k  dr i ve r  that  a re  le ft  i n  inte r net  ca fé  are  c on si der  f r om   this  ty pe  of   th reat.  More  tha n  f or t y  per cent  wa s  the  rate  of   data  loss  due  to  s tolen  com pu te r s.  As  in  [ 13] ,  thes e   kinds  of   pro ble m s  le ad  to  al m os t  m or e  than  f or ty   fi ve  pe rcen t  of   data  l eakag e   in  the   healt hcar e  sect or   [14].   Accor d in g  to  the stat ist ic s,  hu m an  erro rs was  the m ai n  caus es of in f or m at i on leaka ge dur ing   2014  [ 15 ] .    Accor ding  to  t he  la st  sur vey  that  was  acc om pl ished  by  th e  Gro up  of  He al thcare  Organi zat ion s  a nd  Ethic s  A sso ci a ti on   wh ic h  represent  a   colle c ti on   of  ex per t   rese arc hers  in   this  m ajo r,   t he y  sta te d  that  al m os t   forty   per ce nt  of   data  br e ach es  incidents  ha pp e ne d  due  t o  m isplac ed  do cum ents  su c h  as  i m po rtant  file s.    They  al so  sho wed  that  al m os t  30  pe rce nt  of  data  le a kages   incide nts  cau s ed  by  lost  rem ov a ble  dev ic es   [16 ] .   As  sta te d  al so  in  [ 16] ,  c ounse l  public  offic e  f or   Ma ssa ch us et ts  sta te   obl igate d  Go l dthwai t  w hich  is   on e   of     the  healt hcar e  chargin g  com pan y  to  pay  m o re  than  on e  hundre d  an d  thirt y  tho us a nd  bu cks  as  a  fine.   This  is   done  beca us e  po li ce  officers   f ound  US B  dis k  belo ng  to   one  em plo ye e  of  their   c om pan y  that  co ntains   m ore   than 6 5000 se nsi ti ve  recor ds  t hat are  r el at ed   to their  p at ie nt s in p ub li c tras h.     In   a dd it io n,   te xt ing   m essages  and   e - m ails  is  ano t her   form   o f  inf or m at ion   le akag e .  Staf f  who  w ork  i n  diff e re nt  kin d  of   places  s uch  as  hosp it al s,  s chools,  unive r sit ie s,  com pan ie s,  or/   an d  org anizat ion s  m ay  sen d  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  lo ss  pr ev ention by  usi ng  MRSH - v2  a l gorit hm  ( Bashee r Hus ham  Ali )   3617   i m po rtant  doc um ents  that  con ta in   se ns it ive  data  ou tsi de   boun dar ie s  of  their   w ork pl ace  by  us in g  te xting  app li cat io ns   suc h  as  Gm ai l,  Yaho o,   a nd / or   Ho tm ai l.  They  c an  use   ot her   kinds  of   c ommun ic at io n  a pp li cat ion  su c h  as  Vibe r,  Faceb ook,  What sApp,  Tel eg r a m ,  or  I ns ta gr a m .  They  m ay  sen d  t hat  to  w ron g  destinat io n  a nd  these  ty pes  of  errors  nam ed  as  m isc ellaneo us  m ist akes  [14].  Fi nally ,  this  can   le ad  to   data  br e aches .   Fu rt her m or e,  s ta ff   of  certai n  kind  of  orga nizat ion s  m ay  leav e  certai n  jo b  and   sta rt  a  ne w  job   with  an oth e r.  They  m ay   ta ke  sensiti ve   dat a  of  thei r  pr e vi ou s   jo b  with  them   and   e xpos e  t hat  to  othe rs  or  their   ne w  j ob .   Accor ding  to  the  sta ti sti cs,  al m os t  fifty   per ce nt  of   sta ff   ta ke   confide ntial   data  of   t heir  previo us   jo b  w he n  they   le ave  [ 5].  At ul  Ma lho tra  was   in  cha r ge  of  gi vin g  im po rtan t  data  from   his  pr e vious  job  wh ic h  is  IBM  to  his   new one  w hich  is H P  [5].    Staff  of   ce rtai n  com pan ie s  be li eve  that  the ir  i m po rta nt  d ocu m ents  can  be  dem olished  wh e n  t hey   delet ed  them .  I n  ot her   ha nds,  these  file s  can   be  rec overe d  by   us in g  certai n  pro gr am s  and   can  be   us e d  a ga inst   their  com pan ie s  un le ss  pro vi der   rem ov e  th e m   per m anen tly.  Fo r  insta nc e,  ever y  de vice  su ch  as  com pu te rs ,   scan ner s ,  pr i nters,   or  phones   ha ve  m e m or y  inside   of  t he m .  The  data  i n  m e m or y  can   be   rec overe d  even  if   us ers  rem ov e  them .   Finall y,  us in g  we ak  al gorithm s  help  e m plo ye es  w ho  ha ve  bad   i ntention   t o  ta ke   data .   In c orrect  set ti ng   for  orga nizat ion   syst em   ind uces  at ta cker s   t o  do  their  m a liciou s  act ivit y  su ch  as  una utho rized   acce ss to  t he  s yst e m  accor di ng to  V e rsion  re port in  20 08 [1 7 ,  18] .     2 . 2 .    Extern al  th re at s   No t  only   inter nal  threats  but  al so   exter nal  threats  ha ve  hi gh   ef fect  on  da ta   br each .  Atta cker s  would  li ke  to  hav e   da ta   to  ex plo it   th ei r  owne r  i n  or der   t o  in duce  t hem   to  pay  m on ey   f or  them .  Ther e f or e,   the y  hav e   dev el op e d  s ophisti cat ed  ap plica ti on   to  dece ive  us e rs  of  la rg e  orga nizat ion s  s uc h  as  he al thcare  com pan ie s ,   fina ncial , o t her b us iness   orga nizat ion s . Poin t - of - Sa le  i ntr usi on s  ( P OS)  we re  on e  ty pe of exter nal th reats.   PO S  is  kind  of  m alici ou s  act i viti es  that  can  ta ke  and   gat he r  people  visa,  cred it ,  or  de pt  card s  data  at   checko ut  m ark et .  Sens it ive  da ta   su ch  ca rds  nu m ber s,  e xpir at ion   date,  a nd   pass words  ca n  be  c ollec t ed  in  one   file   by  at ta cker s.  Acc ordin g  to  the  sta ti sti c s  that  hav e  be en  done ,  alm os t  m or e  than  10  gig a byte s  ha d  bee n   br eac he d  at   c he ckout  of  Tar ge t  m ark et s  wh i ch  a re  se ries  of  la r gest  st or es   in  USA.  Alm os t  f ort y  m il l i on  of   cred it ,  dep t,  vi sa  card s  data  wer e  st olen  at   checko ut  w hen  custom ers  swi pe  their  ca rds  at   checkou t.  S even ty   people  nam es,  date  of  birth,  a nd  ad dress  were  al so   st olen  due  to   that  m al i ci ou s   act s  [ 14 ,  19 ] .   Finall y,  not  only   Targ et   sto res  but  al so   Neim a n  Ma rcu s  m ark et s  was  ta rg et ed  by  PO S  at t acks.  T wo   th ousa nd   cre dit  card   data   wer e  breache d by this at ta ck  [19 ] .   More ov e r,  an ot her   kind  of  ex te rn al   dange rous  is  c rim ewar e.  Atta cke rs  m ay   deceive  us e rs  to   instal l   m al ic iou s  ap plica ti on s  in   thei r  el ect r on ic   de vices  without  t heir  knowle dg e  in  orde r  to   ge t  their  data.  Atta ckers   can  do  that  by  sen ding  a  po is on   e - m ail  to  victim s  that  con t ai n  m a li ci ou s  app li cat io ns .  Vi ct i m s  m ay   a lso  visit  com pr om ise d  web sit es  by  m i sta ke.   As   soo n  as  victi m s  do w nlo a d  a nd  in sta ll   the  m alici ous  ap plica ti on  in   thei r   dev ic es ,  at t ack ers  ca n  s py,  m on it or,   or  phishin g  data  [ 20] .   Finall y,  the re  m any  oth e r  e xt ern al   th reats  l ead  to   data  breac hes.   On e  of  them   i s  Distrib uted   Den ia l  of   Ser vi ces  (DD oS )  at ta cks.   Stat ist ic s  showe d  t hat  DDoS  has  inc rease d  in  the  la st  deca de  [ 14 ] .  DDoS  at ta cks  ov e rlo ad  ser vers  wit h  ve ry  la rg e  num ber   of   pac ke ts  to  sh ut dow n  se rv i ces  to  le gitim a te   us er s.  Ba se d  on  r ep or t  of  World wide   I nfrastr uctur e   A ss ociat ion ,   se vent y  five   per ce nt  of   ba nk  data le aka ge were  cause d b y DDoS  att ack s [21 ] .       3.   PROTE CTIO N  O F I MPO R TANT I NF O   Data  is  ver y  i m po rtant  not  on ly   f or   le giti m at e  ow ne rs  but  al so   f or   at t ackers .  Ma ny  DLP   vend or s   pr ese nted   th rea ts  that  face  dat a  w her e ver  sto red.  V onto  is  one  of   t hem .  It  sta te d  that  al m os t  tw o  ou t  of  ei gh t  hundre d  te xts  that  are  tra nsm itted  in  the  ai r  m a y   co m pr ise   sensiti ve  data.  T wo   out  of   hundre d  ne twork   m essages  i m ply  pr ivate   data.   Vonto  m entioned   al s o  in  the ir  repor t  that  e igh t  out  of  te n  com pan ie s  lost  their   data stor e d on   their lapto ps. I n  ad diti on, two  o ut  of   fou r  co m pan ie s lost their infor m at ion  st or e d  on  rem ov a bl e   dr i ver s  [ 8].  Im portant  data  ca n  be  sto red   in  diff e re nt  kind  of   cat eg or ie s  s uch   as  data  in  m ot ion ,  data  at   rest,  and d at a i n use . F inall y, in  the  n e xt th ree s ubsect ion s,  these   cat egories are   go i ng to be  pre sented  in deta il .     3.1.    Data in  m oti on   Data  in  m otion  is  inf or m at ion   that  are  tra nsm itted  in  the  ne twork  w hethe r  thr ou gh   wirel ess  or  wi re.   This  data  m ay  be   el ect ronic  books,   w ord   docum ents,  e xc el   docum ents,  pictures ,  vid e os,  vo ic es,   or  powe r   po i nt  sli des.  A tt ackers  m ay   i nterce pt  these   com m un ic at ion s  betwee n  t w o  le gal   us e rs  i n  order  to   ste al   people   data.  T hey  can  do  that  by   dev el op i ng  m al ic iou s  appl ic at ion s.  T he y  al so   m a y  do   that  by  ex plo it ing  vu l ner a bili ti es  in  net wor k  al gorithm s,  netw ork   ap plica ti on   or  prot oco ls .  D LP  s olu ti ons  a re  ver y   im po rt ant  t o  m on it or  n et work   pac kets that  are tra ns fe rr i ng in  the c ha nnel .  D LP  provid es  feedbac k or   re port to  t he  a dmi n  of   netw ork  i f  the re  a re  a ny  m a li ci ou s  act ivit y.  T her e fore,   a dm inist rator s  can  ta ke  act io n  s uc h  as   bl oc king ,   filt ering ,  e ncr y ption t o  t h e  dat a.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  4 ,  A ugus t   2020   :   3 6 1 5   -   3 6 2 2   3618   3.1. 1.   Ne twor k  m oni t or   DLP   ca n  do  m any  ta sk s  as  m entione d  ea rlie r.   O ne  of   t hem   is  networ k  m on it or.  Passi ve  m on it or   an d   act ive  m on it or  are  tw o  kind s  of  net wor k  m on it or   in  ge ner al .   I n  s pecific,  m on it or   of  D LP  c onsid ers  as     a  passive  one.  Acti ve  m on it or  can  dep l oy  in  bo t h  cl ie nt  and  serv er  si des.   S erv e r  side  can  get  fu ll   repo rt  about  transm issi on   m edium   su ch   as n um ber  o f   pac kets,  l os s o f   pa ckets,  t hroug hput,   ba ndwi dth,  prot oc ol  ty pe,  delay   tim e,  so ur ce   I P  ad dr e ss,  dest inati on   IP   a ddr ess,  destinat i on  port  ad dress,   an d  s ource  port  ad dr es s.  On  oth e r   hands ,  passive   m on it or   m ay   be  as   a  dev ic e   that  ca n  be  de plo y  on ly   i n  on e   side   (eit he r  on  cl ie nt  sid e  or  on   serv e r  side )  [ 22] .  It  is  us e d  a s  pack et   s nif fe r  to  gat her   in f orm ation   in  or de r  to  analy ses  or   e xam ine  pack et s  or   flo ws  to  i de ntify  m a li ci ou s  a ct ivit ie s.  This  can  inc rease  le vel  of  c onfide ntial it y,  per f orm ance,  an d  e ffi ci ency  of   t he  net wor k.  DLP   li ke s  I ntr us io n  Detect ion   Syst em   (I DS)  in  ide ntifyi ng   m al ic iou s  act   and  noti fyi ng  person   who  in  cha rg e  of   net wor k.   O n  oth e r  ha nd s ,  ID S  is  not  design e d  to  av oid   data  le akag e  [ 23 ] .  Finall y,  ne twor k  m on it or   of   D LP  can  be  de plo ye d  near   router  or  switc h  that  connecte d  al l  dev ic es  tog et her   to  c ontrol  al l   incom ing  a nd  ou tc om ing  p ac kets [2 4].     3.1. 2.   FTP  p r otoc ol  an d  E - m ai l   E - m ail  is  the  m os t  co m m on   way  to  se nd   da ta   throu gh   t he   internet  am ong  pe ople   ar ound  the  world .  User s  ca n  tra nsfer  diff e re nt  ki nd s  of   file s,  a nd   it   is  on   to p  pr i or it y  of   data   le akag e.  Users  can  receive  poiso n  li nk s,   ph oto s,   or   ot her   docu m ents.  They  al so   m ay   get  ex ecutable  pro gra m   su ch   as  botnet.  A s  s oon  as  us e r s   dow nlo a d  thes e  file s  in  their   dev ic es ,  their   i m po rtant  data  m ay   be  in  da ng e r.   Aa  a  re su lt ,  DL P  so l ut ion   is     an  im po rtant  w ay  to  pr otect  e - m ai l con te nts  by  f ew  m et ho ds .     On e   way  is   th at   so m e  DLP   t oo ls   obli gate  e - m ail  app li cat ion s   to   at ta ch  s m al l  file s  siz e   instea d  of   la rg e  file s  siz e.  This  w ould  gu a ra ntee  that  e m plo ye e  can  no t  sent  la r ge   siz e  of   im po rtant  data  to  ex te rn a l   par ti es.  F ur t he rm or e,  DLP   to ols  can  al so   noti fy  per s ons  who  in  ch ar ge   of   net w ork  w hen   at ta cks  ha pp e n.   Finall y, data ca n be e ncr y pted or eve n bloc ke d  if  ther e  are  a ny suspici on  by  u sin g DLP  to ols.   Im po rtant  doc um ents  can  be  sent  by  us in g  ano the r  m et h od   wh ic h  is  file   transf er  pro tocol  (F T P).   This  protoc ol  face  sec ur it y  c halle ng e s.  Da t a  m a y  be  cha ng e d  or  breac hed  on  se r ver   side  w he n  m alici ou s   per s ons  in va de   this  protoc ol.  Fo r  i ns ta nce ,  im po rtant  data  relat ed  to  Am e rican  arm y  that  are  avail able  i n  I raq  wer e  e xpose d  by  Associ at ed   Pr ess  beca us e  of   la ke  of   secu rity   fo r   FTP   pr oto c ol  [ 25 ] .   A no t her   c onse quence  of  FTP  vulne rab il it y  hap pened  wh e n  al m os t  e igh t  thousa nds   of   rec ords  tha t  belong  to  S A IC  wer e  e xpose d  as  sta te d  in  [25].   DLP   too ls  fa ce  FTP  pro blem s,   bu t  it   is  n ot  enou gh   to  el i m inate   this  pro blem .  Ther efore ,   Ma nag e d  Fil e  Transfe r  (MF T),   w hich   can   be   use d  to   tr ansf e r  docum ents  sa fely ,  m a y  wor k  with  DLP  to   decr ease  d a nge rous of FT P c om ple te ly  [ 26 ] .     3.1. 3.   Fil terin g,   bridge , and   blockin g  s oluti on s   Anothe r  act ion  that  can  be  tak en  afte r  detec ti on   of   data  le akag e  by  us in g  DLP   is  blo c king  dat a  from   bein g  br eac he d.  Pac kets  that  c arr y  data  w hich  are   not  ide ntifie d  as  sensiti ve   can  be  passing  th rou gh  the  DLP.   Howe ver,  th ose   pac kets  that   has  im po rta nt  inf or m at ion   c an  be  bl oc ked  from   passing  thr ough.  Bl oc king,   filt ering ,  instal li ng   br i dg e  are   al l w ay s that c an be  us e d  in  this r e ga rd.    First  of  al l,  bri dg e  is  a  ne twork   de vice  t hat  can   be   us ed  to   co nnect   com pu te r  de vi ces  to  f orm     a  netw ork.   It  can  be  us e d  al s o  to  c onnect  in te rn al   with  outsi de  net works.  Bridg e  de vice  can  do  deep   c onte nt   analy sis  fo r  th e  pack et s  that  passing  thr ough  it   and   stop   t ran s ferrin g  pa ckets  in  case  of   fi nd i ng   im po rta nt    data  [5 ] .  This  dev ic e  colle ct s   incom ing   pack et s  to  form   f low  ta ble.  Eac h  flo w  is  a  gr oup  of  pac kets   that    has  sam e  char act erist ic s  su ch  as  I P  source   address,  IP   d est inati on   a ddr ess,  Ma c  sour ce  address ,  an d  Ma c   destinat io n  a ddress.  B rid ge de pends  m ai nly o n  rec ordi ng and sto rin g  i ncom ing  d e sti nation M ac ad dres ses and   so urce  Ma c  a ddress es  in  it s  t able.  A fter  a  wh il e,  t his  de vi ce  can  get  e noug h  in form at i on   t o  decide  wh ic h  traff ic  m ay  b e  blo c ked b a sed   on Mac  a ddres ses. T his lead s  to inc rease sec ur it y l evel  [18].   Pr oxy  se rv e r  i s  de vice  that  has  high  c har a ct erist ic   le vel  su c h  as  high  m ic ro process or  s peed,  hi gh   rand om   m e m o ry  acce ss  (R A M),  an d  la r ge  a m ou nt  of   stora ge  s pace.  T hi s  de vice  m a y  dep loy  bet wee n  internal   netw ork  an d  e xter nal  netw ork  to  do  deep   i ns pe ct ion.  DL P  can  get  packet s  that  passing  thr ough  proxy   serve r   for  analy sis.  I nt ern et   Con te nt  Ad a ptati on   P r oto c ol  (I C AP )  that  run  in  the   prox y  can  se nd  a  cop y  of  pa ckets  flo w  to   ide ntif y  sensiti ve  i nfor m at ion .  Fi na ll y,  DLP   ca n  do  fu ll   in sp ect io n  a nd  a naly sis  for  in com ing   pa ckets   as  m entioned   earli er.  It  can   ta ke  act io n  wh e n  se ns it iv e  data  detect ed  s uch  as  bloc king,  filt erin g,   a nd   encr y ption.  Th is  too l  m a y  br eak  the  c ommun ic at io n  bet w een  tw o  sides .   Fo r  e xam ple,  this  can  be  do ne  by   sen ding  pack et  that cal le d  TC P Rest  ( RS T)  t o br ea k  t he  c onnecti on [5 ,  27] .     3. 2.     Data at  re st   Data  at   Re st  is   kind   of  i nacti ve  data  that  m ay   be  not  be   use d  at   t he  ti m e   in  t he  syst em .   It  m ay   be  store d   in  diff e ren t  kind  of  f orm s  su ch  as  w ord  doc um ent,  sp rea dsheet   e xcel,  el ect roni c  books  ( pdf ),  power  po i nt  sli des  (ppt),   vid e os,  vo ic es,  i m ages,  or  ot her   kinds  of  file   ty pes.   T hese  data  can  be  sto re d  in  di ff e ren t   kinds  of   de vices  su c h  as  la pt op s ,  com pu te r s,   data base  of  ser ver s ,  w ork sta ti on s,  i nter na l  or   e xter nal  hard   dr i ves,  ta pe dri ver s , clo ud sys tem , p hone s,  i Pads ,  or iP ods  [4 ] .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  lo ss  pr ev ention by  usi ng  MRSH - v2  a l gorit hm  ( Bashee r Hus ham  Ali )   3619   3. 3.     Data  in u se   The  best  desc ription  f or  data  in  us e  is   that  a ny   kind  of  data   that  m ay   be  use d  wh e n  syst em   is  act ive.   In  ot her  w ord s,  al l  data   that   us e rs  ca n  dea l  with  w hen  they   use   thei r  dev ic es .  F or  i ns ta nce ,  data  t hat  are   avail able  in  R andom   Access  Mem or y  (RA M)  m a y  con sider  as  data  in  us e.  T his  is  be cause  RAM  is   e m pty  wh e n  syst em   i s  off.   H oweve r,   as  soo n  as  use rs  sta rt  up  s yst e m   and   run   program s,  data  can  be  uploa ded   to   RAM.  A no t he r  exam ple,  Ce ntral  Processi ng  U nit  (CPU)  has  m e m or y  t hat  co ntains  a   few   kinds  of   s m a l l   reg ist ers .  Eac h  reg ist er   ha s   sp eci al   ta s ks  su c h  as   sto ri ng  te m po rar y   res ults,  po i nters,   m e m or y  locat ion  addresses ,   nu m ber   of   incre m ents,  and   nu m ber   of   dec re m ents.  These  data  co ns ide r  as  data  in  us e  wh ic h  are   act ive  durin g  syst e m   wo r k.   D at a  stored   in  of f - li ne  m e m or y  that  is  us ed  when  syst e m   is   a ct ive  su ch  as  DVD,  CD,  an d  Bl ue  ray  consi de r  as   data  in  us e .  D at a  stored   i n   fl oppy  dis k,   inte rn al   ha r d  dri ve ,  exter nal  ha rd   dr i ve,  rem ov able  dis ks   are  al l  kind s  of   data  in  use   if  they   us ed  in  tim e  of   syste m   execu ti on.  data  store d  in  office   app li cat io n  s uc h  as   w ord ,  e xc el ,  po wer  point s,  or  outl ook  a re  al l  ty pe  of  da ta   in  us e.   Dat a   that  a re  wr it te n  i n  te rm inal execu ti on   of   pro gr a m s su ch  as Ja va , C,  C+ +,  Pyt hon, or MA TL AB m ay  b e also fr om  this ty pe  [4 ,  5].  DLP  is  a  good   so l ution  f or  t his  kind  of  dat a.  F or  exam ple,  ap plyi ng  c onstrai nt  on  m ac hin es   to  preve nt  da ta   loss  is  one  s ol ution   o f  DLP.  P utti ng   li m itati on   on  usi ng   pro gr am s  tha t  le t  us ers   tra ns m itti ng   im p or ta nt   inf or m at ion   outsi de  th ei r  de vices.  Fi nally ,  DLP  to ols  obli gate  em plo ye rs  to  ha ve  lim i te d  acce ss  to  dat a   con te nt in o rd e r  to  elim inate  d at a lea kag e  [5 ] .       4.   TE CHN I QUE S FO R DLP   DLP  to ols  m a y  us e  dif fer e nt   an d  var i ous  m et hods   t o  do  da ta   co ntent  a na ly sis.  Acc ordin g  to   S A NS  In sti tute  in  [ 28] ,  seven  ty pes  of   m et ho ds  ca n  be   us e d  t o  im ple m ent  DLP   too ls .  First  of  al l,  the  m os t  popula r   ty pe  that  can  be   us ed  to  im ple m ent  DLP   to ols  cal le d  regu la r  expressi on   or   r ule  base d.   This  m et ho d  is  based  on   l ooking  f or  sp eci fic  se ns it ive  in form ation  su ch  a s  so ci al   secur it y  num ber s,  us ers ’  nam es,  e - m ai l  add r esses,   dep t  or   visa  c ard   num ber s,  or   phone  nu m ber s .  T his  te ch nique  is  su it a bl e  fo r  i de ntifyi ng   pa ti ents ’  re cords,   e m plo ye es’  re cords,   el ect rici ty   bill s,  ph one s’  bill s,  hos pital   bill s,  or   ba nk   sta te m ents.  Howe ver ,  it   is  not   appr opriat e  for   detect ing   im ages,  vid e os,  or   vo ic es .  False   po sit ive  rate  is   g oi ng  to  be  hi gh .  I n  ot her   word,  a m ou nt  or  r at e  of  dat a  that  a r e  detect ed   by  us in g  t his  m eth od  a nd  do  no t  m at ch  with  ori gin al   se ns it iv e  data   is hig h.   In   a dd it io n,   a nothe r  m et ho d  f or   ide ntifyi ng  im po rtant  data  is  database  fin ge rprintin g.   T hi s  m et ho d  is   base d  on  lo ok i ng   for  a  colle c ti on   of  im po rtant  inf or m at ion   with  t he  dat a  that  are  avai la ble  in  the  da ta base.   This  gro up  m i gh t  be  a ny  set   of   data  su c h  as  dep t  car d  num ber s  and   ful l  na m es,  fu ll   nam es  and   phone   nu m ber s,   or  e - m ai l  add resse s   an d  ca r d  nu m ber s .  T his  m eth od   is  fitt ing  on  i den ti fyi ng  a   sel ect ion  of  se ns it ive   data.  Am ount  or   rate  of  data  that  are  detect ed  by  us in g  thi s  m et ho d  a nd  do   not  m a tc h  with  ori gi nal  sensiti ve   data  is  hi gh.  I n  ot her  w ords ,  this  m et ho d  pro du ces   lo w  false  posit ive  rate.  H oweve r,  this  ap proac h  has   pro blem   that  i s  sim il ar  to  th e  previ ou s   one   w hich  is   not  su it able  f or  id entify ing  unstr uctu red  data  s uch  a s   vid e o,  im age, or v oices.   More ov e r,   a no ther  a pproach  that  us e d  f or   DLP   is  e xact  file   m at ching .   This  m et ho d  is  based   on   fin ding  fin ge r pr i nt  sign at ur e s  to  doc um ent  that  has  im portant  data.  th e  ne xt  ste p  is  com par ing  these  fin gerpr i nt  sig natu res  with  ne w  file s  to  fin d  m at ching .   It  can  be  us e d  w it h  al l  docum ent’s  kinds .  It  a lso  has   low  false  neg a ti ve  rate.  M rs h - v1,  ss dee p,  and  s dh as h  al gorithm s  can  be  us e d  to   im plem ent  this  m et ho d.   Fu rt her m or e,  pa rtia l  do c um ent  m at ching   is  a no t her   te c hn i que.  T his  a pproach  is  searc hing  f or   i nco m plete   or  com plete   m at c hing  with  sensi ti ve  data.  Roll i ng  h ash  m et ho d  is  an  exam pl e  about  this  app r oac h.   It  is  effe ct ive   in d et ect in g  te xt d at a.  Ho wever,  it  is  no t  su it able f or v i deos , photos , or v oices.    In   a dd it io n,   an oth e r  te chn i que  is  sta t ist ic al  m et ho d.   T his  m et ho d  is  base d  on  m a the m atical   equ at io ns   and   sta ti sti cs.  Ba ye sia n  ap proach  can  be  use d  to  im ple m e nt  this  m et ho d.  This  m et ho d  i s  su it able  for  ve ry  bi g  dataset .  Howe ve r ,  it   ge ne rates  hi gh  false   po sit ive  an d  high   false  ne gative.   It  al s o  r eq uire d  m assive  data set   to   pro du ce  accu ra te  r esults.   Con ce ptu al /  le xico n  m et ho d  is  ano t her   te ch ni qu e  that  ca n  be   us ed  t o  i m plem ent  DLP .  T his  approac h  is  a  colle ct ion   of   r ules  an d  di ct ion aries  t hat  can  be  use d  t o  fin d  s uspic ious  be hav i or   a nd   detect ing  im p or ta nt  data.  This  m eth od  is  ap propri at e  fo r  detect in g  sex ual  harass m ent,  pr ivate   tradi ng   by  us in g  w ork  acco un t,  and  il le gal  pr act ic e  of   stoc k  exc ha ng e s.  H owev er,  it   gen e rates  high  false  po sit ive.   Finall y,  the  la st  m e t hod  i s   cat egories.  T his  te chn i qu e  is  a  colle ct ion   of  pr e vious  m eth ods  t hat  can  be  use d  t o  im plem ent  a  m o del  f or   DLP .   F or  exa m ple,  loo king  for  s pecific  e - m ai l  add ress ,  s pecific  us er na m e,  and  one  ful l  nam e.  Finally,  exac t   file   m a tc hin g  is  the  best  ap pr oach   acc ordi ng  to  repo rts  [28] .  Th us ,  m rsh - vs  is  an  al gorith m   that  i m ple mented   in the ne xt sect ion  t o  s how  the  capa bili ti es o f t his m et ho d.         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  4 ,  A ugus t   2020   :   3 6 1 5   -   3 6 2 2   3620   5.   IMPLEM A N TATION   As  m entioned  earli er  that  ap pro xim ation   file s  m a tc hin g  is  one  te ch nique  t ha t  can  be  us e d  to  i den ti fy  data  breac hes.  It  w orks   on  i de ntifyi ng  le aka ge  file s  su c h  a s  pdf s  or   w ord s.  T his  te ch nique  has  t wo  ph ases.   The  fi rst  one  is  generati ng  fi ng e r pr ints  or   s ign at ures  wh ic h  are  base d  on  ext racti ng   c ertai n  feat ur es   from   known  file s.  The   seco nd  is  com par ing   the  fin gerpr i nts  of  new   file s  wit h  the  existe d  f ing e rprints  tha t  are   der i ved   f r om   t he  first  sta ge .  The  res ults  of   com par ison   fall   within  the  ra ng e  of   0  an d  100.   In   oth e r  words ,   wh e n  t he  pr obabili sti c  resu lt s  of  com par in g  two  file s  are  hi gh ,   the  file s  are  sim i la r  to  e ach  oth er .  Howev e r ,   wh e n  t hese  ra ti os   are   lo w,   file s  are  not  s i m i la r  to  eac h  oth e r.  T his  pa per  im ple m e nted  an d  e val uated     the  Mrs h - v2  (Multi - res olu ti on  sim i la rity   has hing)  w hich  is  on e   al go rithm   is  based   on  ap pro xi m at ion   m at ching  tec hniqu e  [ 6 ,  29] .    In  this p a ragra ph, f irst st age o f  this al gorith m  is  ex plaine d  in d et ai l. Th e input that con ta ins sequen c e   of   byte s  ( b,   b2 ,.. ,  bn)  can  be  div ide d  an d  gr oupe d  into  sev eral  window.  Each  wi ndow   has  7  byte s  in  le ng th .   The n,   these  w indo ws  (w1,w 2, … ,w m )  are  gro up e d  by  usi ng   idea  of  r ol li ng   has h  al gorithm .  This  idea  is   si m ply  based   on   rem ov ing   t he  first  el em e nt  from   old   window  an d  inse rting   a  ne w  el e m ent  to  fo rm   a  new   chun k.   T he  siz e  of   el em ents  in  ch unk  (e nd   of   c hunk)   is  de te rm ined  by  c al c ulati ng   ps eu do   ra ndom   fu nc ti on   PRF  ( for  eac h  chun k)  an d  c hunk  siz e   (c ).   if   PRF  (for  cert ai n  el em ent)  ==  - 1  m od   c,  t hi s  m eans  stop   add i ng   new  el em ents  to  the  c hunk.  Othe rw ise ,   ad ding  new   el em ent  is  kee p  go ing   t o  f or m   the  ch unk.   Each   ch un k  then  is   has he d  by  us in g  F I N   al gorithm .  Th e  m a in  goal   is   to  hav e   16 0  by te s  for  the   ch unk  siz e   an d  0.5  f or     the  fin gerpr i nt  siz e  [6 ] .  The  idea  of   bloom   filt er  was  us e d  to  im ple m ent  the  second  phase.  Bl oom   fi lt er  is    the  m et ho d  f or  ans wer in g  s et   m e m ber sh ip.  It  de pends   on   set   o f  va lues  (in pu t )  and   in de pende nt   hash  functi ons.  Let   us   im agine  that  there  are  set   of   el em ents  den ote d  by  E,  a nd  al l  el e m ents  (n)  are  set   init ia ll y  to  be  false.  I n  add it io n,   i nd e pende nt  has h  functi on  ( Hf)  that  m ay   c on ta in  a   set   of   has h  f un ct ion s   (Hf1,H f1,… , H fn)  gi ves  us   ra ndom   nu m ber s  betwee n  0  a nd  n - 1.   F or   eac h  el em ent  e  in  the  set   of   E,  re su lt   of   Hf(e)  is  go i ng   to  be  t he  in dex   num ber   ( po sit io n)   of  E ,  an d  w e  are   go i ng  to  set   to  true  t he  e lem ent     of that  po sit io n.   The  s eco nd  s ta ge  is  c om par in g  the   fi nger pr i nts  of  new  file s  with  th e  e xisted   fin ge rprints.     To  im ple m ent  this  sta ge,   tw o  bloom   fil te rs  are  us e d  E 1  an d  E2 .  e1  a nd  e 2  is  goin g  to  be   nu m ber   of  bi ts  that  are  set   to  be  tr ue  in  E1  a nd  E 2  res pecti vely .   The  num ber   of  bits  that  set   t o  be  tr ue  in  co m m on   is  ( k=e 1∩ e 2).  To  com par e  E 1  an d  E2,   k  is  go i ng   to  be  co m par ed  with  certai n  kind  of  scor e  ( S) .  In   s uc h  a  way,  if  k  is  la rg er   than  S,  the n  the  sim il arit y  s cor e  is  high.  Othe rw ise   it   i s  go i ng   to  be   0.   S  can  be  com pu te d  bas ed  on     the  m axi m u m   (Max )  a nd  m ini m u m   (Min )   num ber   of  bi ts  that  inter fere   by  c ha nce  be tween  E1   an d  E 2.   Ther e f or e,       =     ∗ (    −  ) +    (1)     w he re β  =0.3  base d o n bett er  exp e rim ent.  Wh e re  Max ca n be  def i ned as i n  ( 2 ) :      =      ( 1 , 2 )   (2)     Howe ver, Mi n ca n be calc ulate d  as   in  (3).        = ∗   ( 1 −   (    ∗   1$ )   −   (    ∗   2$ )   +      (   1$ +   2$ )     )   (3)     Wh e re  n  is   the   num ber   of  bits  of  bloom   filter  a nd  H f  is   the  siz e  of  has h  functi ons  as   m entioned  earl ie r  i n    the  desc riptio n  of  bl oo m   filter.   e 1$  is  am ou nt  of  el em ent   for  Bl oom   fil te r  E1 ,  a nd   e 2$  is  the   num ber   of   el e m ents  fo r  E 2.   Fi nally ,  q  is  the  rate  that  som e  kin d  of   bit  sti ll   false  or   zero   in  t he  Bl oom   filt er  wh en  we  a dd   a n e w  el em ent an d i t can  be  define d  as i n (4) .       = ( 1 − 1 / )   (4)     Ther e f or e,  w e   can  us e  (5)  t o  f ind  t he  sim il ari ty  r at io ( Sim )  be tween t wo Bl oo m  f il te rs :      = { 0 , ≤ 100 ( − )  − ,  ℎ     (5)       6.   EVAL UA TI O N   Mrsh - v2  al gori thm   was  evaluated  b y  us i ng   conf us io n  m at r ix  [29,   30] .  Co nfusion  m at rix  has  m any  kinds  of   m et ri cs  that  can  be   us e d  in  the  e valuati on.  T r ue   posit ive  (TP),  false  posit iv e  (F P ),   false  ne gative   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  lo ss  pr ev ention by  usi ng  MRSH - v2  a l gorit hm  ( Bashee r Hus ham  Ali )   3621   (F N ),   tr ue  posi ti ve  rate  (TPR )  or   se ns it ivit y  or   recall ,  fals e  po sit ive  rate   (F PR)  or  fall - ou t  or  pro ba bili ty  of   fal se  al arm ,  and   false  ne gativ e  rate  (FNR)   or  m iss  rate  are  so m e  of   these   m et rices  that  wer e  us e d.   TP  m eans   the  file   identif y  cor rectl y  by   the  al gorithm s.  I n  ot her   w ords ,  the  id entif ie d  file   is  si m i la r  to  the  on e  that  is   store d  in  datab ase.  Se ns it ivit y  or   rec al l  is  the  am ou nt  or   r at e  of   file s  tha t  hav e  sim il ari ty   with  file s  th at   are   existe d  in  the  database .  FP  m eans  that  m rsh - v2  detect s  file s,  but  they   are  no t  e xisted  in  t he  data base.  F al l - out   or   pro bab il it y  of   false  al arm   is  the  am ou nt  or   rate  of  file s  that  a re  detect e d  by  the  al gori thm   and   do   no t  hav e    a  corres ponding   one  in   the   database .  F N   m eans  that  m rsh - v2  ide ntifie s  file s  that   are  no t  a vaila ble  in     the  database .  Mi ss  rate  is  the  nu m ber   of   fil es  that  are  detect ed  by  this  al gorithm ,  bu t  they   are  no t  avai la ble  in  the d at a base.   Mrsh - v2  w as  evaluate d  in  th e  netw ork  en vi ronm ent  and   by  us in g  TS  da ta set .  TS  data set   wh ic h  is   publicl y  avail able  on li ne.   T his  dataset   con ta ins  seve ral  kinds  of  file s  su c h  as  pdf ,  exe,  do c ,  gif ,  xls,  ppt,  an d  txt.  App roxim at el y  three  th ousa nd   file s  f rom   TS  dataset   wer e  tra ns fe rre d  in  net work   by  gen e rati ng  alm os t  two  hundre d  a nd   nin et y  th ousan d  pac kets.  249670  ou t  of  290314  pack et s  that  carried  di ff ere nt  ki nd s  of   file s  wh ic h  are  a va il able  in  the  dataset   wer e  detect ed  co rr e ct ly   by  m rsh - v2  al gorithm   as  show n  in  T able  1.   Howe ver,  40 643  pac kets  t hat  trans ferre d  dif fer e nt  ki nds  of  file s  we re  i de ntifie d  by  m rsh - v2,  bu t  t hey  are  no t  avail able  in   th e  dataset .   I n  oth e r  hand,  2903 1  pac kets  that  ha ve  file s  we re  no t   dis cov e re d  by  m rsh - v2  al tho ug h  th os e   file s  are  a vaila ble  in  the   dat aset .  Finall y,  the  res et   of  T a bl e  1  sho ws  the   a m ou nt  of  pac kets  f or  al l kinds  of   file s in deta il s b as ed on t he  te rm   FP, TP , a nd F N .   Finall y,  0.8 5  out  of  1  was  th e  value   of  T P R  or   sensiti vit y  as  show n  i n  Fig ur e  1.  Thi s  m eans  t hat   there  is   a  high   am ou nt  of  di f fer e nt  kinds  of  file s  was  dete ct ed  c orrectl y  by  m rsh - v2.  H ow e ve r,   0.1 4  a nd  0.1   ou t  of 1 wa s th e am ou nt of  FP R an d  F NR r e s pecti vely . T his  m eans  m rsh - v2  produces  lo w  am ou nt of e rror s  in  gen e ral  f or   dif fer e nt  ty pes  of   file s.  I n  s pecific,  Mrs h - v2  a lgorit hm   detect s  j pg,  gif ,  an d  pd f  file s  c orrectl y  because  TPR  is h i gh, a nd F N R an d  F PR are   low  a s s how n  i n  Fi gure  1.       Table  1.   Value s of FP, T P,  a nd F N   F i l e  Ty p e   FP   TP   FN   j p g   31934   278701   8709   g i f   29031   281604   5806   doc   40643   214832   72578   x l s   52256   235154   52256   ppt   40643   267088   20321   pdf   34837   278701   11612   t x t   40643   252573   34837   e x e   52256   243863   43547   t o t a l   40643   249670   29031           Figure  1.  FPR,   TPR, a nd F NR   value s  by u si ng Mrs h - v2         7.   CONCL US I O N   It  is  ve ry  sig nificant  to  prote ct   data  w hatev er  they   st or e.   Data  can   be   store d  in   th ree  m ai n  diff e re nt   kinds:  data  i n  m ot ion ,  data  at   rest,  a nd  data  in  us e .  Data  is  i m po rtant  not  on ly   f or  le giti m at e  ow ne rs  but  al so  for  at ta cke rs.   Data  L os s  P re ven ti on  ( DLP)   are  good  to ols   to  ide ntify  se nsi ti ve  data.  DL P  can   do  a naly sis  for   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  4 ,  A ugus t   2020   :   3 6 1 5   -   3 6 2 2   3622   data  co ntent  and   se nd  fee db a ck  to  adm inist rator s  to  m ake  decisi on  su c h  as  filt ering ,  de le ti ng ,  or  enc r ypti on .   Ther e  a re  m an y  kin ds   of   D L P  te chn iq ues .  The  best  on e  i s  approxim at io n  file s  m a tc hin g.   Mrs h - v2  al gorithm   consi ders  as  a n  e xam ple  abo ut  t his  ap pro ach.  T his  al gorithm   was  i m plem ented  and  evaluate d  by  usi ng   publicl y  avail able  TS  dataset .  Confus i on   m at rix  res ults  sh ow e d  that  this  al go rithm   has  hig h  TP ,  an d  TPR .     In o t her   ha nds,  m rsh - v2  h as l ow FP , FN,  FPR , and FNR.       REFERE NCE S   [1]   "2019  Data   Brea ch   Inve stiga tions   Report , "   ver iz on ,   2019.   [Online ] .   Available:   htt ps:// ent er prise . ver i zon.com/resourc es/re por ts/2 019 - dat a - br each - inve stig at ions - r epor t. pdf .   [2]   D.  Antonia d es,   e t  al . ,   "A cc ura te  Tra ffi c  C a te gor i za t ion, "  Proceed ings o f  IST  Broadband  Europe,   p p.   1 - 6 ,   2006 .   [3]   W .   As hford,   "D DoS   is  the   Mo s t  Com m on   Method  of  Cy b er - A tt a ck  on  Financ i al   Instit ut ions,"  2016.   [Online ] ,   Avail a b le :  htt ps: // Computer  W eekl y . com,     [4]   F.  Breitinge r ,   a nd  I.   B aggi l i,  "F il e  Det ection  o n  Network  Tr af fic   Us ing  Appr oximati on  Ma tching, "  Journal   of  Digit al Forensics ,   Sec uri ty  &   La w,   vol .   9 ,   no .   2 ,   pp.   23 - 35 ,   2014 .   [5]   J.  Bee skow ,   "Reduc ing   Secur i t y   R isk  using  D at a   Loss  Preve nti on  T ec hno lo g y , "  Journ al  o f   The  Heal thc ar e   Fi nanci a l  Mana geme nt Ass oci ation,   pp .   108 - 112 ,   2015.   [6]   F.  Brei ti ng er  an d  H.  Bai er ,   "S imila rity   Preserv i ng  Hashing:  El i gibl e  Propert ie s  and  a  New  Algo rit hm   MRS H - v2 , "  Inte rnational   IC ST Confe renc e  o n  Digit al   Forens ic s and  C ybe r C rime,   pp .   167 - 18 2,   2012 .   [7]   B.   Bl evi ns,   "Best  of  Da ta L oss   Pr eve nt ion, "  In formation  Se curit y ,   pp.   13 - 15 ,   2014 .   [8]   A.  Burroughs,  " Data   Br eache s C ause   W orr y , "  Sm art B usiness Or ange  Count y,   201 5.   [9]   A.  Cecil,  "A   Sum m ary   o f  Netw ork  Tra ff ic   Mo nit oring  and  An aly s is  Techni qu es, "  Co mputer  Syste ms   Analysi s,    pp.   4 - 7 ,   2006 .   [10]   S.  Gum aste ,   e t  al. ,   "P rox y   Serv er  Experim ent   a nd  the   B eha vior   of  the   W eb , "  I nte rnational   Jou rnal  of  Ad vanc e d  Re search in Co mputer  Scienc e,   vol.   4 ,   no .   1 ,   pp .   84 - 87,   2013 .   [11]   "D at a  Loss  Pre vent ion  Ke epi n g  y our   Sensiti v e   out  of   the  Public   Dom ai n , "  EY ,   2011 .   [O nli ne] .   Avai la bl e :   htt p://ww w.ey . c om /Publi ca ti on / vwLUA ss et s/EY _Data _Loss_P re vent ion/ $FIL E/E Y_D at a_L os s_P rev ention. pdf   [12]   L.   Grandi a,   "N in e  Ke y   C y b er  Thr ea ts  Ide n ti fi ed  in   Veri zon  Dat a  B rea ch  R epor t , "  Healt h  Manag eme nt  Technol og y,   vol.   35 ,   no .   6 ,   20 14.   [13]   "The   Prac t ic a l  Exe cu ti ve’ s  Gui de  to  Data   Loss  Preve nti on, "  Whit epap er ,  pp.   2 - 17 ,  2019.   [Online ] .   Availabl e:  htt ps:// cdw - prod. adobecqm s.ne t/conte n t/ dam/cd w/on - dom ai ncd w/bra nds/forc ep oint /whitepap er - pra ctic al - exe cu ti ves - guid e - dat a - loss - pre ve nti on - en . pdf ,    [14]   "Inte rne t  se cur ity   threat   rep ort, "  2019tren ds ,  Symante c ,   Inc .,   vol .   2 4,   2019.   [Online ] .   Availabl e:   htt ps:// ww w. s y m ant ec . com/con te nt/ d am/s y m antec /do cs/re ports/ i str - 24 - 2019 - en. p df .     [15]   J.  Jae ger ,   "H um an  Err or,   Not  Hac ker s,  Cause  Mos t  Data   B rea ch es, "  Compliance  We ek,   vol.   10,   no.   110 ,     pp.   56 - 57 ,   2013 .   [16]   R.   Hiesh,   "Im proving  HIP AA   E nforc ement  and  Protec ti ng  Pa ti e nt  Privacy   in  a  Digit al   He al th care  Envi ronm ent, "   Loyola  Univ ersit y  Chi cago  Law   J ournal,   vol .   46 ,   no.   1 ,   pp .   175 - 2 23,   2014 .   [17]   "M cAfe e  Tot a l   Protec ti on  for   Data   Loss  Pr eve nt ion, "   Solution  brief ,   Mc A fe e ,   2019.   [Onl ine ] .   Avail able:  htt ps:// ww w.m c afe e . com/en te rpr ise/ en - us/ assets/ soluti on - briefs /sb - tot al - protect io n - for - dlp. pdf .   [18]   H.  Tuttle,  "H a ck ing  Aw a y   at   the  Bott om   Li n e, "  R isk  Manage men t ,   2014 .   [19]   L.   Mus thaler ,   "T he  Tru e  C ause   o f  Data Breac h es, "  Net workWorld   Asia,   pp .   6 - 6 .   20 08.   [20]   S.  Naidu ,   "D ata in Moti on - Se cur ing  Businesses o n  the Go,"  SDA   Asia  Magazine ,   pp.   46 - 48 ,   2009 .   [21]   N.  W y nn e  and   B .   Re ed, "Magi c   Q uadr ant   fo r  Co nte nt - Aw are Da t a  Loss Prev ent io n, "  Gar tne r R ese arch,   2013 .   [22]   A.  Papadogi ann aki s,  et   a l.,   "Im proving  the   Perform anc e  of  Pass ive   Network  Monitori ng  Applic a ti ons  using  Loc a li t y   Buffe r i ng, "  IE EE   Xpl or e ,  pp .   151 - 1 57,   2 007.   [23]   K.  Koš t’á l,   et   a l. ,   "M an age m ent  and  Monitori ng   of  IoT  Devi ce s   Us ing  Bloc kch ai n, "  The  Associ ati on  of  Dig it al   Forensic s,  S ec ur it y   and  Law   ( ADFS L) ,   pp.   1 - 12 ,   2019.   [24]   L.   Str auss,  "D ata   bre a ch  stud y :   C riminal   at t ac ks n ow l ea d ing ca us e , "  J .   of  h ealth  c are  compli an ce ,   pp.   61 - 63 ,   2015 .   [25]   "S urve y   C it es  Hum an  Err or  as   Bigge st  C ause   of  Dat a  Br ea c hes, "  Magazine   Arti c le - In formation  Manag eme nt ,  2015,   [onl ine ] .   Avai la bl e:  htt ps:/ /www . questi a . com/m aga zi n e/ 1G1 - 4362 28015/surve y - cit es - hum an - err or - as - bigge st - c ause - of - dat a .   [26]   "The   GoA n y wh e re  book  o f  se cur e  fi le t ran sfe r  pr oje c t  ex amples , "   GoAny where   m anag .  f il e   transf . ,   pp .   1 - 33 ,   2019 ,   [onli ne] .   Ava il a ble :   htt ps: // ww w.i nfosec ur ity e uro pe. com/__novad ocuments/585230 ? v =636906728 355170000 .   [27]   J.  W u,   e t  al . ,   " Ke y strok e  and   Mous e  Movem ent   Profili ng   for   Data  Loss  Pre vent ion , "  Journ al  of   Informatio n   Sci en ce and  Eng ine ering ,   pp .   23 - 42,   2015 .   [28]   R.   Mogull,   and LL C.   Secur osin g,   "U nder standi n g  and  Sele cting  a  Data   Loss Preve nti on  Soluti on , "   Techni cal report ,   SANS  Insti tut e ,   2 007.   [29]   V.  Gupta ,   "F ile  det e ct ion   in   netw ork  tra ffi c  usin g  appr oximat e  m at ch ing , "  MS   Thesis.  Insti tut t   for  Tele mati kk ,  201 3.   [30]   K.  Ti ng ,   "Confu ss ion  Matri x, "     E nc yclope dia   of   Mac hine Learni ng  and  Data   Mi ning.   Spring er,   Boston,   2017 .   Evaluation Warning : The document was created with Spire.PDF for Python.