[发明专利]一种仿冒网站监测识别方法及系统

说明书

技术领域

本发明涉及仿冒网站识别领域，特别涉及一种仿冒网站监测识别方法及系统。

背景技术

随着计算机网络的迅速发展和广泛应用，对科学技术、经济发展和文化活动带来了巨大的推动作用，但同时计算机网络安全问题也变得日益复杂和突出。特别是政府和金融行业网站，一直是不法分子攻击的重点目标。《网络安全监测数据分析—2016年8月》显示，2016年8月针对境内网站的仿冒页面数量31046个，较7月增长4.2％。仿冒网站层出不穷，也引起了国内外专家学者的广泛关注，如何快速有效的检测出仿冒网站，成为当前网络安全领域研究的热点问题。

现有的仿冒网站识别方法是通过在用户浏览器中维护一个仿冒网站url的黑名单，并对这个黑名单进行实时更新，若用户访问页面在黑名单中则可阻止用户访问，但黑名单更新有一定的滞后性。现有技术还利用仿冒网站与被仿冒网站页面较为相似这一特性，通过提取网页内容特征，采用机器学习算法判断待检测网站是否是仿冒网站，但该方法对于仿冒网站中使用图片代替文本，构造虚假文本等类型的网站判断效果不佳，并不能准确识别仿冒网站。

发明内容

本发明提供了一种仿冒网站监测识别方法及系统，解决了现有技术中不能准确识别仿冒网站的技术问题。

本发明解决上述技术问题的技术方案如下：一种仿冒网站监测识别方法，包括：

S1、分别对被仿冒网站和待检测网站进行页面解析，得到解析后的被仿冒网页和待检测网页；

S2、分别对解析后的所述被仿冒网页和所述待检测网页进行特征提取，得到所述被仿冒网页的网页特征和所述待检测网页的网页特征，其中，所述网页特征包括：网页URL、网页内容和网页截图；

S3、计算所述被仿冒网页的网页特征与所述待检测网页的网页特征的相似性，得到对应于所述网页特征中所有特征的所有计算结果；

S4、对所有所述计算结果进行集成汇总，得到集成汇总结果；

S5、将所述集成汇总结果与预设阈值进行比较，如果所述集成汇总结果大于所述预设阈值，则所述待检测网站为仿冒网站。

本发明的有益效果是：本技术方案在鉴别仿冒网站时，综合考虑了网页URL相似性、网页内容相似性以及网页图像相似性，通过对三个相似性结果进行集成汇总，从而提高对仿冒网站进行识别的准确性。

在上述技术方案的基础上，本发明还可以做如下改进。

优选地，步骤S3包括：

S31、计算所述被仿冒网页的网页URL与所述待检测网页的网页URL的相似性，得到第一计算结果；

S32、计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性，得到第二计算结果；

S33、计算所述被仿冒网页的网页截图与所述待检测网页的网页截图的相似性，得到第三计算结果。

优选地，步骤S4具体通过线性组合方式对所述第一计算结果、所述第二计算结果和所述第三计算结果进行集成汇总，得到集成汇总结果。

优选地，步骤S2中，分别对解析后的所述被仿冒网页和所述待检测网页进行特征提取，得到所述被仿冒网页和所述待检测网页的网页内容的过程具体包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行JavaScript解析，得到所述被仿冒网页和所述待检测网页的网页源码；

分别将所述被仿冒网页的网页源码和所述待检测网页的网页源码输入文档解析器中，得到所述被仿冒网页的文档对象模型和所述待检测网页的文档对象模型；

根据预先配置的XPath规则分别提取所述被仿冒网页的文档对象模型和所述待检测网页的文档对象模型中的网页内容。

优选地，步骤S32中，在计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性之前，还包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行特征提取，得到所述被仿冒网页的网页内容的特征词和所述待检测网页的网页内容的特征词；

其中，计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性，包括：

根据所述特征词，计算所述被仿冒网页的网页内容和所述待检测网页的网页内容的相似性。

优选地，分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行特征提取，具体包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行分词；