[发明专利]一种基于朴素贝叶斯算法的网页内容篡改检测方法

权利要求书

1.一种基于朴素贝叶斯算法的网页内容篡改检测方法，其特征在于，包括以下步骤：

步骤1：使用爬虫动态解析、爬取待提取页面内容；

步骤2：除去步骤1里获取到的页面内容中的html标签、css代码、JavaScript代码；

步骤3：分词，即将网站内容中的句子分解为词语；

步骤4：使用TF-IDF根据某个词的词频和该词在文档中出现的次数来对词语的重要程度进行衡量，将所有词语按照TF-IDF指数从大到小排序，按顺序选取一定数量词语作为该文档的特征词；

步骤5：对一定数量网站得到的特征词进行人工标注；即如果该网页为正常网页，则从该网页提取的特征词标注为正常；若该网页已经被篡改，则从篡改页面提取的特征词注为被篡改；

步骤6：将步骤5所得标注的特征词及其标注存入数据库中，作为样本特征词库；

步骤7：根据步骤1至步骤4的方法提取待检测网站的特征词，并使用朴素贝叶斯算法结合步骤6得到的样本特征词库进行分类，判断待检测网站内容是否被篡改。

2.如权利要求1所述的一种基于朴素贝叶斯算法的网页内容篡改检测方法，其特征在于，在步骤1中，使用能模拟浏览器的爬虫技术来获取页面内容。

3.如权利要求1所述的一种基于朴素贝叶斯算法的网页内容篡改检测方法，其特征在于，根据步骤7的检测结果将所提取的特征词分类存入样本特征词库，对样本特征词库进行更新。