[发明专利]一种网页识别方法、装置、电子设备和存储介质

说明书

本申请涉及计算机技术领域，尤其涉及一种网页识别方法、装置、电子设备和存储介质，用以提高网页的识别准确率。其中，方法包括：获取待检测网页的目标URL，以及对应的目标HTML文件；基于目标URL以及目标HTML文件，将待检测网页与指定类别样本库进行特征匹配；若匹配失败，则提取目标URL的URL特征以及目标HTML文件的HTML特征，并将URL特征以及HTML特征进行特征融合，获得待检测网页对应的网页融合特征；基于网页融合特征，对待检测网页进行分类预测，获得待检测网页的分类识别结果。由于本申请结合待检测网页的URL特征和HTML特征，兼顾足够丰富的信息量及较低的复杂度，有效提升了网页识别的准确率。

技术领域

本申请涉及计算机技术领域，尤其涉及一种网页识别方法、装置、电子设备和存储介质。

背景技术

随着互联网行业不断发展，网络已经成为了人们生活中不可缺少的一部分。但与此同时，恶意网页数量在逐年快速增长。如何快速有效的识别恶意网页，已经成为有待解决的网络空间安全问题之一。

相关技术中，仅使用统一资源定位符(Uniform Resource Locator，URL)特征的方案信息量有限。仅使用网页静态特征的方案，没有有效的挖掘网页静态特征中的其他信息，容易造成误判。仅使用网页动态特征的恶意网页识别方案，需要模拟浏览器的渲染行为，不适合在后台大规模应用。

综上，相关技术中的方案存在特征信息量不足或复杂度过高的问题，网页识别准确率不高。

发明内容

本申请实施例提供一种网页识别方法、装置、电子设备和存储介质，用以提高网页的识别准确率。

本申请实施例提供的一种网页识别方法，包括：

获取待检测网页的目标URL，以及对应的目标超文本标记语言(HyperText MarkupLanguage，HTML)文件；

基于所述目标URL以及所述目标HTML文件，将所述待检测网页与指定类别样本库进行特征匹配；

若匹配失败，则提取所述目标URL的URL特征以及所述目标HTML文件的HTML特征，并将所述URL特征以及所述HTML特征进行特征融合，获得所述待检测网页对应的网页融合特征；

基于所述网页融合特征，对所述待检测网页进行分类预测，获得所述待检测网页的分类识别结果。

本申请实施例提供的一种网页识别装置，包括：

获取单元，用于获取待检测网页的目标URL，以及对应的目标HTML文件；

匹配单元，用于基于所述目标URL以及所述目标HTML文件，将所述待检测网页与指定类别样本库进行特征匹配；

特征融合单元，用于若匹配失败，则提取所述目标URL的URL特征以及所述目标HTML文件的HTML特征，并将所述URL特征以及所述HTML特征进行特征融合，获得所述待检测网页对应的网页融合特征；

识别单元，用于基于所述网页融合特征，对所述待检测网页进行分类预测，获得所述待检测网页的分类识别结果。

可选的，所述指定类别样本库包括URL样本库与HTML样本库；所述匹配单元具体用于：

将所述目标URL的前缀信息与所述URL样本库中的各个候选URL的前缀信息进行比对；

若所述URL样本库中不存在与所述目标URL具有相同前缀信息的候选URL，则将所述待检测网页的目标HTML文件与所述HTML样本库中的各个候选HTML文件进行相似度比对，获取所述各个候选HTML文件对应的文件相似度。

可选的，所述匹配单元还用于：