[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

本發明屬于網站識別和鎖定技術領域，提供了一種非法網站識別和鎖定方法，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；S103：對待識別網站中的關鍵詞進行文本識別；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。本發明的一種非法網站識別和鎖定方法，提高目標鎖定的準確度。

技術領域

本發明涉及網站識別和鎖定技術領域，具體涉及一種非法網站識別和鎖定 方法及系統。

背景技術

隨著互聯網的高速發展，網站自身的開放性以及電子支付的普遍性使得網 站安全問題日益突出，通過各類網站平臺非法從事多種金融交易的活動增多， 帶來了較大的金融和社會風險隱患，涉及的經濟犯罪日益增多。網站違法交易 行為性質多樣化，當前發現的網絡交易違法行為主要集中在網上非法集資和虛 擬貨幣交易網站等方面。

這些非法的互聯網及移動互聯網軟件往往具有合法的形式與外觀，具有較 強的迷惑性和欺騙性，大大超出了普通網民及互聯網金融消費者的辨識能力， 導致互聯網經濟犯罪大、要案件頻發，造成公私財產損失巨大且難以挽回。通 過技術手段主動識別非法的平臺軟件，促使工作中心前移，及時化解互聯網經 濟犯罪風險，精準打擊互聯網經濟犯罪顯得尤為重要。非法軟件識別鎖定技術， 就是依托互聯網與大數據，總結提煉非法平臺軟件的表現特征，構建非法網站 軟件的識別特征庫，采用主動學習算法對其進行自動識別；并采用IP地址識別、 路由跟蹤等技術對其進行鎖定，以實現涉案線索自動識別與發現，涉案電子數 據的智能鎖定，主動、提前進行犯罪防控。

但是，現有的非法軟件識別技術在進行目標鎖定時，對非法網站中的信息 提取有局限性，目標鎖定的精確度不高。

發明內容

針對現有技術中的缺陷，本發明提供的一種非法網站識別和鎖定方法，提 高目標鎖定的準確度。

為了解決上述技術問題，本發明提供以下技術方案：

一種非法網站識別和鎖定方法，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?。菏紫?，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。

進一步地，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；