[发明专利]一种基于J-W距离的中文域名相似度量方法

说明书

本发明涉及一种基于J‑W距离的中文域名相似度量方法，属于网络安全技术领域。本发明通过Unicode汉字笔画顺序表将汉字编码后映射为一串数字型字符串，同时创新性地引入机器学习领域的Jaro‑Winler Distance算法，与最长公共子串相结合，进而对中文域名进行相似度量。首先获取待检测域名和目标域名，对其初始化生成域名主体；其次根据Unicode汉字笔画顺序表对域名主体进行编码处理，生成数字型字符串，并作为Jaro‑Winler Distance算法的输入生成检测矩阵；然后与数字型字符串最长公共子串相结合，根据相关规则计算数字型字符串的相似度，此数字型字符串的相似度可以有效代表汉字之间的相似度。

技术领域

本发明涉及一种基于J-W距离的中文域名相似度量方法，属于网络安全技术领域。

背景技术

随着互联网的发展和普及，中文域名也逐步成为国际化域名的重要组成部分，与此同时，针对中文域名的域名仿冒攻击日渐增多，域名的仿冒形式也日益复杂。由于中文汉字存在很多形近字，再加上人的快速阅读习惯，难免会在一定程度上造成视觉的错误判断。

传统的域名相似度量方法，只能适用于英文域名的相似度量，而对于中文域名来讲，效果并不显著。而且，目前国内对中文域名相似度量的相关研究还比较欠缺，研究成果也比较少。

目前大多数中文域名相似度量方法，是将中文汉字先按照单字相似，再按照整体相似计算其相似度，那么这类方法不管是从时间复杂度来讲，或是从准确性来讲，都有一定的缺陷，而且对于如何计算其单字相似度或整体相似度也没有具体的实施算法。

发明内容

本发明要解决的技术问题是针对现有技术的局限和不足，提供一种基于J-W距离的中文域名相似度量方法，通过Unicode汉字笔画顺序表将汉字编码后映射为一串数字型字符串，同时创新性地引入机器学习领域的Jaro-Winler Distance算法，与最长公共子串相结合，以适应对数字型字符串的相似度量，此数字型字符串的相似度可以有效代表汉字之间的相似度。本发明相对现阶段中文域名相似度量方法而言，主要解决了现有技术准确性不足、效率差等现象，致力于增加目前中文域名相似度量的准确性和时效问题。

本发明的技术方案是：一种基于J-W距离的中文域名相似度量方法，具体步骤为：

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：