由钓鱼网页查找目标网页的方法

摘要

本发明是一种由钓鱼网页查找目标网页的方法，首先从网页文本和网页图片中提取关键词，组成该钓鱼网页的词汇签名，然后在多个搜索引擎上用词汇签名进行检索，综合这些搜索引擎的结果，找出最相近的前K个网页，将这K个网页和钓鱼网页以图片形式保存，提取图像感知哈希序列，最后分别计算这K个网页图片与钓鱼网页图片之间的海明距离，根据距离的大小可以选出该钓鱼网页模仿的一个或者多个合法网页，即目标网页。

主权项

一种由钓鱼网页查找目标网页的方法，其特征在于首先从网页标题、主体和网页图片中提取关键词，组成该钓鱼网页的词汇签名；然后在多个搜索引擎上用词汇签名进行检索，综合这些搜索引擎的结果，找出最相近的前K个网页，K为整数；将这K个网页和钓鱼网页以图片形式保存，提取图像感知哈希序列，最后分别计算这K个网页图片与钓鱼网页图片之间海明距离，根据距离的大小选出该钓鱼网页的一个或者多个目标网页；该方法主要包括词汇签名的生成部分、多个搜索引擎检索部分、图像感知哈希序列的生成及匹配部分；词汇签名的生成部分需要的步骤如下：步骤11)分别从网页标题和主体中提取纯文本文字；步骤12)获取网页中的图片，通过光学字符识别OCR技术提取出嵌在图片中的文字；步骤13)综合网页标题、主体和图片中的文字，计算这些文字的词频‑反文档频率TF‑IDF值，由前5个最高TF‑IDF的词构成一个词汇签名；多个搜索引擎检索部分需要的步骤如下：步骤21)将生成的词汇签名分别在N个搜索引擎上进行检索，N为整数；步骤22)找出至少出现在两个搜索引擎结果中的网页，组成一个网页列表；步骤23)由公式（1）、公式（2）、公式（3）计算网页列表中各个网页的相关度；$\left[\begin{array}{ccccc}{u}_{\mathrm{1,1}}& u_{\mathrm{2,1}}& ··& ··& u_{N,1}\\ u_{\mathrm{1,2}}& u_{\mathrm{2,2}}& ··& ··& ··\\ ··& ··& ··& ··& ··\\ ··& ··& ··& ··& ··\\ u_{1,N_r}& u_{2,N_r}& ··& ··& u_{{N,N}_r}\end{array}\right]$   公式(1)其中，u_i,j表示第i个搜索引擎的检索结果中排名为j的网址，i＝1,2,......,N，j＝1,2,......,N_r，N与N_r均为整数；$W_{i,j}=\left\{\begin{array}{cc}\frac{N_r-(R_{i,j}-1)}{N_r}& u_{i,j}\in \left\{u_p\right|p=\mathrm{1,2},......,M\}\\ 0& \mathrm{else}\end{array}\right.$   公式(2)其中，W_i,j表示第i个搜索引擎中的排名为j的相关度；N_r表示一个搜索引擎所取的搜索结果总数；R_i,j表示第i个搜索引擎中的第j个结果的排名为j，R_i,j＝j；u_i,j表示第i个搜索引擎的检索结果中排名为j的网址，如果u_i,j只在一个搜索引擎中出现，那么W_i,j＝0；u_p表示至少出现在两个搜索引擎结果中的网址，p＝1,2,......,M，M为整数且M＜N*N_r；$\begin{array}{c}{S}_p=\underset{i=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{W}_{i,j}\\ (u_{i,j}=u_p)\end{array},p=\mathrm{1,2},......,M$   公式(3)其中，S_p表示u_p在N个搜索引擎中的相关度之和；u_p表示至少出现在两个搜索引擎结果中的网址，p＝1,2,......,M，M为整数且M＜N*N_r；u_i,j表示第i个搜索引擎的搜索结果中排名为j的网址，如果u_i,j只在一个搜索引擎中出现，那么W_i,j＝0；W_i,j表示第i个搜索引擎中的排名为j的相关度，N与N_r均为整数；步骤24)由公式（3）和公式（4）计算出前K个相关度高的网页，认为这K个网页与该钓鱼网页最相关，作为该钓鱼网页的候选目标网页，K为不大于N*N_r的整数；$\begin{array}{c}{\mathrm{SS}}_p=\underset{i=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{R}_{i,j}\\ (u_{i,j}=u_p)\end{array}$     公式(4)其中，SS_p表示u_p在N个搜索引擎中的排名之和；u_p表示至少出现在两个搜索引擎结果中的网页，p＝1,2,......,M，M＜N*N_r；u_i,j表示第i个搜索引擎的搜索结果中排名为j的网址，R_i,j表示第i个搜索引擎中的第j个结果的排名为j，R_i,j＝j；图像感知哈希序列的生成及匹配部分需要的步骤如下：步骤31)对图片进行规格化处理，将图片统一变为具有255阶的灰度图像，并用双线性插值的方法将分辨率统一变为m*m，m为8的整数倍；步骤32)将m*m的图片分成8*8的小块；步骤33)对每一小块进行离散余弦变换，对于每一小块，保留1个直流分量，9个交流分量，其余的将其置为0；步骤34)用视觉模型对新生成的离散余弦系数矩阵进行处理，去掉信息中的冗余数据，来提高图像压缩的效率；步骤35)用逻辑斯谛Logistic方程作为混沌序列发生器进行加密，由一个密钥生成一个加密矩阵，用此矩阵对离散余弦变换系数矩阵进行加密；步骤36)将得到的浮点型数据通过量化处理变为二值数据，减少冗余；步骤37)用哈夫曼压缩编码进行压缩编码,得到最终的哈希序列；步骤38)分别计算钓鱼网页图片的哈希序列和这K个候选网页图片的哈希序列之间的海明距离，选择距离最小的前L个网页为该钓鱼网页模仿的合法网页，L为不大于K的整数。