[发明专利]一种基于J-W距离的中文域名相似度量方法

权利要求书

1.一种基于J-W距离的中文域名相似度量方法，其特征在于：

Step1：获取待检测域名X以及目标域名Y；

Step2：对待检测域名X和目标域名Y以点号“.”或句号“。”分割，忽略网络名、域名后缀，保留域名主体，并生成域名主体的中文字符集合x:{x₁,x₂…x_p}和y:{y₁,y₂…y_q}；

Step3：根据Unicode汉字笔画顺序表，遍历Step2中得到的域名主体中文字符集合x:{x₁,x₂…x_p}和y:{y₁,y₂…y_q}，按照集合字符顺序对每个中文字符x_i,i∈[1,p]或y_i,i∈[1,q]查找其对应汉字笔画顺序，根据相应编码规则进行转换，生成待检测域名X域名主体的编码字符串str_x和目标域名Y域名主体的编码字符串str_y，并获取编码字符串str_x和str_y的长度len_x和len_y；

Step4.1：将待检测域名X和目标域名Y的域名主体编码字符串str_x和str_y作为J-W算法的输入，并生成检测矩阵

Step4.2：根据公式(1)计算匹配窗口值MW：

Step4.3：由检测矩阵及匹配窗口值MW，根据相关规则，计算匹配字符数m和匹配字符换位数n；对于匹配字符数m的计算，若编码字符串str_x和str_y中相同字符相差距离小于匹配窗口值MW，则视为该字符匹配；在匹配过程中，需排除被匹配过的字符，若找到匹配字符，则需跳出此次匹配，进行下一字符的匹配；

对于匹配字符换位数n的计算，则需看编码字符串str_x和str_y中对于匹配字符集的顺序是否一致，若不一致，则换位数目的一半即为匹配字符换位数n；匹配字符数m和匹配字符换位数n应满足以下要求：

Step4.4：由Step4.3计算所得匹配字符数m和匹配字符换位数n，根据公式(2)计算待检测域名X和目标域名Y的域名主体编码字符串str_x和str_y的Jaro Distance：

Step4.5：获取待检测域名X和目标域名Y的域名主体编码字符串str_x和str_y的最长公共子串str_xy，并得到其长度len_xy；

Step4.6：根据公式(3)进一步计算待检测域名X和目标域名Y的域名主体编码字符串str_x和str_y的Jaro-Winkler Distance：

其中，b_t为是否需要进一步计算的阈值，p为缩放因子。

2.根据权利要求1所述的基于J-W距离的中文域名相似度量方法，其特征在于：所述步骤Step1中的待检测域名X以及目标域名Y，可以为一级域名或二级域名。

3.根据权利要求1所述的基于J-W距离的中文域名相似度量方法，其特征在于：所述步骤Step2中如果待检测域名X以及目标域名Y是一级域名，则只需忽略域名后缀。