[发明专利]一种基于特征提取的有效下载链接识别方法与系统

权利要求书

1.一种基于特征提取的有效下载链接识别方法，其特征在于，包括以下步骤：

步骤1：从云服务器获取链接训练数据，并从训练数据中提取链接数据特征向量；

步骤2：在云服务器中，基于链接数据特征向量和链接标签训练机器学习判别器；

步骤3：将待识别的链接按照步骤1的方式提取链接数据特征向量，输入步骤2得到的机器学习判别器中，输出链接标签，完成对链接的识别；

所述机器学习判别器的训练过程如下：

步骤2.1：利用训练数据中的链接数据特征向量和对应的链接标签构建线性回归模型；

h_θ(x)＝θ^Tx

其中，θ表示参数向量，x表示链接数据特征向量，h_θ(x)表示判别结果，n表示连接数据特征向量中的特征值数量；

步骤2.2：以误差函数J(θ)取到最小值为目标，对步骤2.1的线性回归模型进行训练；

其中，x⁽ⁱ⁾和y⁽ⁱ⁾为一组训练数据中的链接特征向量和链接标签，链接标签为真实链接，取值为1，否则为0，m表示训练数据的数量；

步骤2.3：利用梯度法求解误差函数，得到最优θ^*及对应的机器学习判别器z＝θ^*Tx。

2.根据权利要求1所述的方法，其特征在于，利用可信因子对链接识别结果进行评估：

p＝z·u

其中，p表示可信概率，z表示利用机器学习判别器获得判别结果，u表示链接可信因子。

3.根据权利要求2所述的方法，其特征在于，利用数据库记录链接黑名单和被举报次数，按照以下公式设置链接识别结果设置可信因子u：

其中，t表示该链接的举报次数。

4.根据权利要求1所述的方法，其特征在于，所述链接数据特征向量至少包括以下几个：

1)URL是否含有“@”，若含有，则特征值为1，反之为0；

2)URL是否超过5个“.”，若超过，则特征值为1，反之为0；

3)URL是否为IP地址，若为IP地址，则特征值为1，反之为0；

4)URL资源类型是否为网页型，若为网页型，则特征值为1，反之为0；

5)URL资源大小是否超过2M，若超过，则特征值为1，反之为0。

5.根据权利要求4所述的方法，其特征在于，当实时判别的链接数据量达到训练数据的5％时，将实时判别的链接数据作为新的训练数据，用于对机器学习判别器进行再次训练。

6.根据权利要求5所述的方法，其特征在于，将待识别的链接onclick属性指向一个Ctrl按键是否按住判断函数，利用Ctrl按键是否按住判断函数检查当前是否按住Ctrl键，若按住则不跳转到链接所指向的地址，并且将链接信息传给云服务器进行识别；否则跳转进超链接。