[發明專利]一種基于J-W距離的中文域名相似度量方法

有效

• 申請號: 201710749659.0
• 申請日: 2017-08-28
• 公開（公告）號: CN107609059B
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 龍華;祁俊輝;邵玉斌;杜慶治
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F16/903
• 分類號: G06F16/903;G06F40/126
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于J-W距離的中文域名相似度量方法，其特征在于：

Step1：獲取待檢測域名X以及目標域名Y；

Step2：對待檢測域名X和目標域名Y以點號“.”或句號“。”分割，忽略網絡名、域名后綴，保留域名主體，并生成域名主體的中文字符集合x:{x₁,x₂…x_p}和y:{y₁,y₂…y_q}；

Step3：根據Unicode漢字筆畫順序表，遍歷Step2中得到的域名主體中文字符集合x:{x₁,x₂…x_p}和y:{y₁,y₂…y_q}，按照集合字符順序對每個中文字符x_i,i∈[1,p]或y_i,i∈[1,q]查找其對應漢字筆畫順序，根據相應編碼規則進行轉換，生成待檢測域名X域名主體的編碼字符串str_x和目標域名Y域名主體的編碼字符串str_y，并獲取編碼字符串str_x和str_y的長度len_x和len_y；

Step4.1：將待檢測域名X和目標域名Y的域名主體編碼字符串str_x和str_y作為J-W算法的輸入，并生成檢測矩陣

Step4.2：根據公式(1)計算匹配窗口值MW：

Step4.3：由檢測矩陣及匹配窗口值MW，根據相關規則，計算匹配字符數m和匹配字符換位數n；對于匹配字符數m的計算，若編碼字符串str_x和str_y中相同字符相差距離小于匹配窗口值MW，則視為該字符匹配；在匹配過程中，需排除被匹配過的字符，若找到匹配字符，則需跳出此次匹配，進行下一字符的匹配；

對于匹配字符換位數n的計算，則需看編碼字符串str_x和str_y中對于匹配字符集的順序是否一致，若不一致，則換位數目的一半即為匹配字符換位數n；匹配字符數m和匹配字符換位數n應滿足以下要求：

Step4.4：由Step4.3計算所得匹配字符數m和匹配字符換位數n，根據公式(2)計算待檢測域名X和目標域名Y的域名主體編碼字符串str_x和str_y的Jaro Distance：

Step4.5：獲取待檢測域名X和目標域名Y的域名主體編碼字符串str_x和str_y的最長公共子串str_xy，并得到其長度len_xy；

Step4.6：根據公式(3)進一步計算待檢測域名X和目標域名Y的域名主體編碼字符串str_x和str_y的Jaro-Winkler Distance：

其中，b_t為是否需要進一步計算的閾值，p為縮放因子。

2.根據權利要求1所述的基于J-W距離的中文域名相似度量方法，其特征在于：所述步驟Step1中的待檢測域名X以及目標域名Y，可以為一級域名或二級域名。

3.根據權利要求1所述的基于J-W距離的中文域名相似度量方法，其特征在于：所述步驟Step2中如果待檢測域名X以及目標域名Y是一級域名，則只需忽略域名后綴。