Extraction de métadonnées de documents

Définition

L'extraction de métadonnées de documents désigne une technique de reconnaissance passive consistant à analyser les informations techniques embarquées dans les fichiers publiquement accessibles d'une organisation, PDF, documents bureautiques, images, pour en extraire des données non visibles à l'affichage normal : noms d'utilisateurs et de comptes ayant créé ou modifié le fichier, chemins de dossiers internes révélant l'architecture du système de fichiers, logiciels et versions utilisés en interne, coordonnées GPS embarquées dans les photographies, ou historiques de révision conservés par certains formats. Ces informations, collectées à grande échelle sur l'ensemble des documents publiés par une organisation, permettent de reconstituer sa convention de nommage des comptes utilisateurs, sa stack logicielle interne et parfois des détails d'architecture réseau involontairement révélés dans des captures d'écran ou des chemins de fichiers. Des outils dédiés automatisent la collecte massive de documents publics et l'extraction systématique de leurs métadonnées. Pour une organisation, la contre-mesure consiste à intégrer un nettoyage systématique des métadonnées avant toute publication externe de documents, idéalement automatisé au niveau de la chaîne de publication plutôt que laissé à la discrétion de chaque collaborateur, ainsi qu'une politique de vérification périodique des documents déjà publiés sur le site web et les plateformes tierces afin d'identifier et corriger les fuites historiques.