在氣隙隔離環境中處理機密文件用於NLP

從機密文件建構NLP模型是大多數AI工具從未被設計來解決的問題。商業資料準備平台假設網路連線——用於更新、雲端儲存和遙測。機密環境假設相反：處理資料的機器必須具有零網路連線，可驗證且可稽核。

這造成了根本性的工具缺口。處理機密文件以取得NLP訓練資料的組織需要一個能夠處理文件解析、文字擷取、清洗、標註和匯出的管道——全部在一台沒有網路堆疊、沒有出站連線、沒有隱藏依賴向外通訊的單一機器上運行。

本手冊涵蓋在氣隙隔離環境中將機密文件準備為NLP訓練資料的架構、安全要求和工作流模式。

安全分類等級與資料處理

不同的分類等級對資料處理環境施加不同的物理和操作約束。

資料管道平台必須以其處理的任何文件的最高分類等級運作。如果一份Top Secret文件進入管道，整個工作站將被視為Top Secret系統。

氣隙架構要求

氣隙隔離環境不僅僅是一台關閉了WiFi的機器。真正的氣隙隔離需要經過驗證的與所有網路的物理隔離。

硬體設定

處理工作站必須滿足以下基線要求：

• 無無線硬體。 WiFi網卡、藍牙模組和行動數據機必須被物理移除（不僅僅是在軟體中停用）。對於更高分類等級，BIOS級別的停用是不夠的。
• 無網路介面。 乙太網路埠應物理斷開或完全移除網卡。對於TEMPEST環境，系統不應安裝任何網路硬體。
• USB埠控制。 只有授權的、已登記的可移動儲存裝置可以連接。非授權周邊設備所需的USB埠應被物理封堵或用環氧樹脂密封。
• 音訊/視訊隔離。 麥克風和攝影機必須被物理移除。對於TEMPEST環境，喇叭輸出應在硬體級別停用。
• BIOS加固。 開機順序鎖定為僅內部硬碟。設定BIOS密碼。在支援的情況下啟用安全開機。

軟體堆疊

處理環境必須是自包含的，在執行時零外部依賴。

Ertas Data Suite作為基於Tauri（Rust + React）建構的原生桌面應用滿足這些要求。它將所有解析器、處理邏輯和使用者介面捆綁在一個可安裝的二進位檔案中。無Docker、無容器執行時期、無網路服務。在執行時期，它不開啟監聽埠，不進行出站連線。

氣隙驗證清單

在處理機密文件之前，必須驗證氣隙。此清單應由系統管理員完成並由安全官員審查。

此驗證必須在任何硬體變更、軟體更新或維護事件後重複進行。記錄每次驗證的日期、操作員和安全官員簽核。

核准的工作流模式

模式1：文件到訓練資料管道

這是主要工作流——將機密文件語料庫轉換為結構化NLP訓練資料。

授權媒體匯入
        |
   File Import（PDF、Word、掃描圖片）
        |
   文件解析（文字擷取、版面分析）
        |
   清洗（去重、格式標準化）
        |
   PII/分類標記脫敏
        |
   品質評分
        |
   標註（NER、分類標籤、問答對）
        |
   Train/Val/Test拆分
        |
   JSONL匯出
        |
   授權媒體匯出（經審查）

在Ertas中，這直接對映到節點圖：File Import、PDF Parser（或Word/Image Parser）、Deduplicator、Format Normalizer、PII Redactor、Quality Scorer、Train/Val/Test Splitter和JSONL Exporter。每個節點產生可觀察的中間輸出。安全審查人員可以在資料進入下一階段之前檢查任何階段的資料。

關鍵約束： 匯出的JSONL檔案與來源文件具有相同的分類等級。它必須按該分類等級的要求進行處理、儲存和傳輸。

模式2：知識庫建構（RAG）

從機密文件建構可搜尋的知識庫，供同一安全域內的授權AI系統使用。

授權媒體匯入
        |
   File Import → Parser → PII Redactor
        |
   RAG Chunker → Embedding（本地模型）→ Vector Store Writer
        |
   [知識庫儲存在機密系統本地]
        |
   API Endpoint → Query Embedder → Vector Search → Context Assembler → API Response
        |
   [檢索端點僅在氣隙隔離域內可存取]

Ertas RAG管道完全在本地運行。嵌入產生使用本地模型（無API呼叫）。向量儲存是本地檔案。檢索API端點僅在localhost上監聽——可被同一機器上的其他應用程式存取，但不可被任何網路存取。

模式3：跨域降級

當從機密來源準備的NLP訓練資料需要移動到較低分類等級的環境時（例如，在非機密模型訓練叢集上使用脫敏後的訓練資料），管道必須包含正式的降級審查。

這不是技術問題——而是流程問題。管道的角色是產生乾淨的、完全脫敏的輸出，並提供人工審查人員授權跨域傳輸所需的稽核追蹤。

Ertas透過產生完整的處理日誌來支援這一點：每個擷取的文件、每個套用的轉換、每個執行的脫敏，附帶時間戳和校驗和。此日誌是審查人員在降級授權過程中審查的工件。

文件類型和解析考量

機密文件語料庫通常包括：

處理分類標記

機密文件包含部分標記——各段落上的分類指示符，如「(S)」表示Secret或「(U)」表示Unclassified。管道應：

1. 在文字擷取過程中偵測和解析部分標記
2. 為每個文字段標記其分類等級
3. 在匯出時啟用按分類等級篩選（例如，僅擷取「(U)」部分用於較低分類等級的訓練集）

PII Redactor節點可設定為識別標準部分標記模式，並根據下游用例將其保留為中繼資料或進行脫敏。

操作安全考量

媒體處理。 用於在氣隙隔離環境內外傳輸資料的所有可移動媒體必須登記、追蹤，並在使用後消磁或銷毀。切勿在不同分類等級之間重複使用媒體。

螢幕擷取和攝影。 工作站不應具有螢幕擷取功能。禁止拍攝螢幕。Ertas不包含任何螢幕錄製或截圖功能。

維護和更新。 氣隙隔離工作站的軟體更新需要與機密資料相同的媒體傳輸協定。在乾淨媒體上取得Ertas更新套件，將其雜湊值與透過獨立管道發布的已知良好值進行驗證，然後在無網路連線的情況下安裝。

人員存取。 只有經過授權且有需知權限的人員才應有權物理存取處理工作站。使用刷卡進出記錄記錄所有存取。

無網路的管道可觀察性

傳統的管道監控假設透過網路可存取的儀表板。在氣隙隔離環境中，可觀察性是本地的。

Ertas直接在其桌面介面中提供管道可觀察性。管道圖中的每個節點顯示其處理狀態、記錄計數、錯誤率和輸出預覽。完整的執行日誌寫入本地檔案，可以在同一台機器上審查，或透過授權媒體匯出以供合規審查。

無基於網路的監控、無雲端儀表板、無遙測。一切都留在機器上。

入門指南

為NLP處理機密文件受到安全要求的約束，這些要求將大多數商業工具排除在考量之外。工具必須是原生應用、完全自包含、零網路依賴且具有完整的本地可觀察性。

Ertas Data Suite正是為這種營運模式而建構的。一個可安裝的二進位檔案在加固工作站上運行，透過視覺化管道處理文件，並產生AI就緒的訓練資料——全部無需開啟任何網路連線。每次轉換都在本地記錄，每個中間輸出都可檢查，整個管道可由您的安全官員稽核。

機密文件包含您的NLP模型所需的領域知識。Ertas提供安全擷取它的管道。