[發(fā)明專利]一種字符串分類方法、系統(tǒng)及一種字符串分類設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201711046466.5
• 申請(qǐng)日: 2017-10-31
• 公開(kāi)（公告）號(hào): CN107807987B
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 劉文印;楊振國(guó);袁華平;陳旭;黎宇坤
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F16/955;G06F17/18;G06N20/00
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 羅滿

1.一種字符串分類方法，其特征在于，包括：

獲取待分類字符串；

將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對(duì)應(yīng)的特征向量；

將所述特征向量輸入分類器中，得到所述待分類字符串的分類結(jié)果；

其中，將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對(duì)應(yīng)的特征向量，包括：

將所述待分類字符串輸入所述特征提取器中；

所述特征提取器將所述待分類字符串按照預(yù)先設(shè)定的劃分方式劃分為N個(gè)字符串子段，并從所述N個(gè)字符串子段中選擇M個(gè)字符串子段；其中，N為正整數(shù)，M為不大于N的正整數(shù)；

所述特征提取器將所述M個(gè)字符串子段輸入訓(xùn)練完成的C2V模型中，生成所述M個(gè)字符串子段中每一個(gè)字符串子段對(duì)應(yīng)的特征矩陣，所述特征矩陣的每一行對(duì)應(yīng)所述每一個(gè)字符串子段中的一個(gè)字符的n維特征向量，每一列對(duì)應(yīng)所述n維特征向量的每一個(gè)維度，其中，n為正整數(shù)；

所述特征提取器利用統(tǒng)計(jì)學(xué)方法計(jì)算所述特征矩陣每一列的統(tǒng)計(jì)特征值，得到所述每一個(gè)字符串子段對(duì)應(yīng)的統(tǒng)計(jì)特征向量，并根據(jù)所有的所述統(tǒng)計(jì)特征向量生成所述待分類字符串對(duì)應(yīng)的特征向量；

其中，將所述M個(gè)字符串子段輸入訓(xùn)練完成的C2V模型中之前，還包括：

將訓(xùn)練集中的所有字符串切割為字符，并將所有切割完成的字符加入字符語(yǔ)料庫(kù)中；

利用Word2vec和所述字符語(yǔ)料庫(kù)中的所有字符訓(xùn)練Character Embedding模型得到訓(xùn)練完成的C2V模型。

2.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，所述統(tǒng)計(jì)學(xué)方法至少包括取平均值、取標(biāo)準(zhǔn)差、取中位數(shù)中的任一項(xiàng)。

3.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，所述根據(jù)所有的所述統(tǒng)計(jì)特征向量生成所述待分類字符串對(duì)應(yīng)的特征向量，包括：

將所有的所述統(tǒng)計(jì)特征向量串聯(lián)為所述待分類字符串對(duì)應(yīng)的特征向量。

4.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，若待分類字符串為待檢測(cè)是否為釣魚(yú)網(wǎng)站的URL地址，且N為5，則將所述待分類字符串按照預(yù)先設(shè)定的劃分方式劃分為N個(gè)字符串子段，包括：

將所述URL地址分為網(wǎng)絡(luò)協(xié)議、子域名字段、域名字段、域名后綴和URL路徑五個(gè)字符串子段。

5.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，若待分類字符串為待檢測(cè)是否為惡意請(qǐng)求或網(wǎng)站后門(mén)行為的網(wǎng)絡(luò)請(qǐng)求，且M為2，則將所述待分類字符串按照預(yù)先設(shè)定的劃分方式劃分為N個(gè)字符串子段，并從所述N個(gè)字符串子段中選擇M個(gè)字符串子段，包括：

將所述網(wǎng)絡(luò)請(qǐng)求按照預(yù)先設(shè)定的劃分方式劃分為N個(gè)字符串子段，并從所述N個(gè)字符串子段中選擇請(qǐng)求路徑和請(qǐng)求參數(shù)兩個(gè)字符串子段，其中，N為不小于2的整數(shù)。

6.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，若待分類字符串為待檢測(cè)是否為惡意請(qǐng)求或網(wǎng)站后門(mén)行為的網(wǎng)絡(luò)請(qǐng)求，則將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對(duì)應(yīng)的特征向量，包括：

將所述網(wǎng)絡(luò)請(qǐng)求輸入訓(xùn)練完成的C2V模型中，生成所述網(wǎng)絡(luò)請(qǐng)求對(duì)應(yīng)的特征矩陣。

7.根據(jù)權(quán)利要求1所述字符串分類方法，其特征在于，若待分類字符串為待分類文檔，則將所述待分類字符串輸入特征提取器中，包括：

將所述待分類文檔的所有字符輸入所述特征提取器中。

8.根據(jù)權(quán)利要求7所述字符串分類方法，其特征在于，將所述待分類字符串按照預(yù)先設(shè)定的劃分方式劃分為N個(gè)字符串子段，包括：

將所述所有字符以空格和/或標(biāo)點(diǎn)符號(hào)劃分為N個(gè)字符串子段。

9.根據(jù)權(quán)利要求1-8任一項(xiàng)所述字符串分類方法，其特征在于，所述分類器為通過(guò)機(jī)器學(xué)習(xí)算法訓(xùn)練得到的分類器。

10.根據(jù)權(quán)利要求9所述字符串分類方法，其特征在于，所述機(jī)器學(xué)習(xí)算法至少包括XGBoost算法、GBDT算法或神經(jīng)網(wǎng)絡(luò)算法中的任一項(xiàng)。