[发明专利]一种网页分类方法、系统及一种网页分类设备

说明书

本发明公开了一种网页分类方法包括：获取待分类网页的N维当前特征；其中，N为正整数；将所述N维当前特征输入训练完成的stacking模型中进行特征扩展，得到所述待分类网页的N+n维特征；其中，所述stacking模型为p个基础分类模型经q层堆叠的模型，n为p与q的乘积，n、p、q均为正整数；根据所述N+n维特征利用分类算法得到所述待分类网页的分类结果。本发明公开的网页分类方法，利用stacking模型对待分类网页的N维当前特征进行扩展，在不依赖与搜索引擎或第三方服务的前提下提高了网页分类的准确性。本发明还公开了一种网页分类系统及一种网页分类设备和一种计算机可读存储介质，同样能实现上述技术效果。

技术领域

本发明涉及网络安全技术领域，更具体地说，涉及一种网页分类方法、系统及一种网页分类设备和一种计算机可读存储介质。

背景技术

网络钓鱼是一种网络欺诈行为，指不法分子利用各种手段，仿冒真实网站的URL地址以及页面内容，以此来骗取用户的重要账号、银行或信用卡账号、密码等隐私信息。不法分子通常会把钓鱼网站的页面设计得与真实网站界面完全一致，诱使访问者提交账号和密码。

近年来，不少研究者针对反网络钓鱼问题设计了实际的解决方案。这些解决方案主要有以下几个方面：(1)基于黑名单和白名单的方法；(2)从网页中提取出文本、图像或者URL的特征，利用搜索引擎来帮助检测钓鱼网站；(3)利用钓鱼网页和知名网页的视觉相似性来检测钓鱼网站；(4)利用网页的DNS异常信息来发现钓鱼网站；(5)在HTML中提取出文本、图像或者特殊的URL特征后通过启发式算法或者机器学习算法检测钓鱼网站。上述方法中，基于黑白名单的方法需要不断的人为维护名单；利用搜索引擎的方法经常受限于搜索引擎的性能，不能做到实时检测；基于视觉相似性的方法比较容易受目标识别准确率的影响；利用网页DNS的方法需要第三方服务来提供DNS信息，开发成本较大。

因此，如何在不依赖与搜索引擎或第三方服务的前提下提高网页分类的准确性是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种网页分类方法、系统及一种网页分类设备和一种计算机可读存储介质，在不依赖与搜索引擎或第三方服务的前提下提高了网页分类的准确性。

为实现上述目的，本发明实施例提供了一种网页分类方法，包括：

获取待分类网页的N维当前特征；其中，N为正整数；

将所述N维当前特征输入训练完成的stacking模型中进行特征扩展，得到所述待分类网页的N+n维特征；其中，所述stacking模型为p个基础分类模型经q层堆叠的模型，n为p与q的乘积，n、p、q均为正整数；

根据所述N+n维特征利用分类算法得到所述待分类网页的分类结果。

其中，将所述N维当前特征输入训练完成的stacking模型中进行特征扩展，得到所述待分类网页的N+n维特征，包括：

S1：获取训练集，并将所述训练集划分为m份训练样本；其中，所述训练集中的每一个网页包括N维特征；

S2：选取一份所述训练样本训练所述基础分类模型，利用训练完成的基础分类模型预测所述待分类网页，直至所述m份训练样本全部选取完成，得到m个中间预测结果，并通过对所述m个中间预测结果进行投票表决得到一维增加特征；

S3：重复S2，直至所有的所述基础分类模型全部训练完成得到p维增加特征，并将所述p维增加特征与所述待分类网页的当前特征合并，作为所述待分类网页的当前特征；

S4：重复S2-S3，直至完成所述stacking模型的q层堆叠，得到所述待分类网页的N+n维特征。

其中，若p＝3，则所述基础分类模型包括GBDT分类模型、XGBoost分类模型和lightGBM分类模型。