[发明专利]一种网站识别方法、装置、设备及存储介质

说明书

本申请公开了一种网站识别方法、装置、设备及存储介质。该网站识别方法包括：获取待识别网站的网页；获取网页的第一文本内容和待识别网页截图；提取待识别网页截图的第二文本内容；提取第一文本内容的第一特征向量和第二文本内容的第二特征向量；将第一特征向量输入至第一预设识别模型，得到待识别网站的第一网站识别类型；将第二特征向量输入至第二预设识别模型，得到待识别网站的第二网站识别类型；根据第一网站识别类型和第二网站识别类型，得到待识别网站的目标网站识别类型。采用本申请提供的网站识别方法、装置、设备及存储介质，能够有效提高网站识别结果的准确性，提高网站识别结果的成功率。

技术领域

本申请涉及互联网安全技术领域，具体涉及一种网站识别方法、装置、设备及存储介质。

背景技术

钓鱼网站作为一种欺骗用户的虚假网站，可以仿冒真实网站欺骗用户或者窃取访问者提交的账号、密码、资金等私密信息和财产。故而，为了提高用户的私密信息和财产的安全性，如何识别钓鱼网站也变得尤为重要。

现阶段，通常获取待识别网站的网页文本内容，基于该待识别网站的文本内容识别该网站是否是钓鱼网站。但是，现在很多钓鱼网站的网页文本内容会被用JS(JavaScript)加密技术进行加密、或者网站的网页文本内容中会包含有大量正常文本的隐藏DIV(DIVision，图层)。这样，会导致钓鱼网站的一些文本内容无法被获取到，如此，会导致网站识别结果的准确性较低。

发明内容

本申请实施例的目的是提供一种网站识别方法、装置、设备及存储介质，能够解决现有技术中网站识别结果的准确性较低的技术问题。

本申请的技术方案如下：

第一方面，提供一种网站识别方法，包括：

获取待识别网站的网页；

获取网页的第一文本内容和待识别网页截图；

提取待识别网页截图的第二文本内容；

提取第一文本内容的第一特征向量和第二文本内容的第二特征向量；

将第一特征向量输入至第一预设识别模型，得到待识别网站的第一网站识别类型；第一预设识别模型基于网站类型和网站网页的文本内容的特征向量训练得到；

将第二特征向量输入至第二预设识别模型，得到待识别网站的第二网站识别类型；第二预设识别模型基于网站类型和网站网页的网页截图中的文本内容的特征向量训练得到；

根据第一网站识别类型和第二网站识别类型，得到待识别网站的目标网站识别类型。

在一些实施例中，获取待识别网站的网页之前，还包括：

提取用户上网日志中的网站域名；

确定网站域名是否属于预设已识别域名集合；

在网站域名不属于预设已识别域名集合的情况下，将网站域名确定为待识别网站；

获取待识别网站的网页，包括：

控制模拟客户端访问待识别网站的网页。

在一些实施例中，获取网页的第一文本内容，包括：

获取网页的超文本标记语言HTML文件；

将HTML文件确定为第一文本内容。

在一些实施例中，第一预设识别模型包括第一预设子识别模型、第二预设子识别模型中的至少一个；

提取第一文本内容的第一特征向量之前，还包括：

对HTML文件进行分词处理，得到HTML文件的第一词集；

提取第一文本内容的第一特征向量，包括如下至少一项：