[發明專利]一種非法網站識別和鎖定方法

在審

• 申請號: 202011247322.8
• 申請日: 2020-11-10
• 公開（公告）號: CN112667943A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 鄧昌智;孫桂川
• 申請（專利權）人: 中科金審（北京）科技有限公司
• 主分類號: G06F16/958
• 分類號: G06F16/958;G06F16/955;G06N3/04;G06N3/08
• 代理公司: 重慶百潤洪知識產權代理有限公司 50219
• 代理人: 陳萬江

1.一種非法網站識別和鎖定方法，其特征在于，包括以下步驟：

S101：關鍵詞監控和采集，根據神經網絡算法建立訓練樣本；

S102：特征詞提取：首先，從訓練樣本中獲取非法網站的類型，使用tf-idf算法計算每一類型非法網站中關鍵詞的權重，然后，對每一類型中關鍵詞的權重進行排序，選取權重較大的N個關鍵詞作為該類型非法網站的特征詞，最后，對N個關鍵詞的權重進行歸一化處理；URL特征提取：首先，從訓練樣本中獲取非法網站的類型，然后，從訓練樣本中獲取與非法網站類型相關的樣本數據，最后，從樣本數據中提取不同非法網站類型的URL信息；

S103：對待識別網站中的關鍵詞進行文本識別：首先，對待識別的文本進行向量化，將文本中的關鍵詞與每一類型的非法網站的關鍵詞通過樸素貝葉斯公式進行匹配計算，分別得到該文本中第i個關鍵詞與每一類型的非法網站的關鍵詞的匹配概率對待識別網站中的關鍵詞進行URL信息對比：通過公式將待識別網站中第i個URL信息與非法網站每一類型中第j個URL信息分別進行相似度計算，得到待識別網站中所有URL信息與非法網站的URL信息指間的相似度，取相似度最大的前5個相似度計算平均值并歸一化，得到待識別網站與每一類型的非法網站之間的相似度其中，s_i,j為待識別網站中第i個URL信息與非法網站每一類型中第j個URL信息的相似度，n為待識別網站中第i個URL信息與非法網站每一類型中第j個URL信息中匹配的字符數；

S104：根據匹配概率和相似度計算待識別網站屬于每一類型的概率p_j，其中，ω₁和ω₂分別為匹配概率和相似度的權重值。

2.根據權利要求1所述的一種非法網站識別和鎖定方法，其特征在于，所述步驟S102中使用tf-idf算法計算每一類型非法網站中關鍵詞權重的過程包括：

S10201：對訓練樣本中的關鍵詞進行去重，刪除停用詞和常用詞；

S10202：針對每一非法網站的類型進行關鍵詞重要性tf_i,j統計，其中，tf_i,j＝n_i,j/∑_kn_i,j，n_i,j是第i個關鍵詞在文件d_j中的出現次數，而分母則是在文件d_j中所有關鍵詞的出現次數之和；

S10203：針對每一非法網站的類型進行關鍵詞普遍重要性idf_i的統計，其中，

S10204：計算每一個關鍵詞i的重要程度tfidf_i,j，其中，tfidf_i,j＝tf_i,j×idf_i，將每一類型中所有關鍵詞的重要程度tfidf_i,j進行累加，選取權重較大的N個關鍵詞作為該類型非法網站中的特征詞。

3.根據權利要求1所述的一種非法網站識別和鎖定方法，其特征在于，所述步驟S102和步驟S103中非法網站的類型包括非法集資和虛擬貨幣類型。

4.根據權利要求2所述的一種非法網站識別和鎖定方法，其特征在于，所述語料庫用于存儲包含關鍵詞的文件。

5.根據權利要求1-4任意一項所述的一種非法網站識別和鎖定方法，其特征在于，包括監控模塊、存儲詞庫、修改模塊、分析模塊和輸出模塊，

所述監控模塊用于對網站中的關鍵詞進行檢測，將檢測到的關鍵詞添加到存儲詞庫中；

所述存儲詞庫用于存儲網站中的關鍵詞并構建訓練樣本，對訓練樣本中的關鍵詞進行去重，關鍵詞的類別包括理財、眾籌、私募、期權、金融創新、網絡借貸、虛擬貨幣、金融互動和愛心慈善；

所述修改模塊用于對存儲詞庫中的關鍵詞進行增加、修改或刪除；

所述分析模塊用于將待識別網站的關鍵詞與存儲詞庫中的關鍵詞進行計算，得到待識別網站屬于每一類型的概率；

所述輸出模塊用于對待識別網站屬于每一類型的概率進行顯示。