[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

摘要

本发明公开了一种基于朴素贝叶斯算法的网页内容篡改检测方法，用于检测网页是否被恶意篡改。对于同一个网站，虽然网页的结构可能不断变化，但是网站显示内容的关键词总是相似的，因此在网页篡改前与被篡改后的关键词内容发生了较大的变化。根据以上的思想，本发明首先建立正常与被篡改网页的样本关键词库，然后使用朴素贝叶斯算法分别计算该网页被篡改与未被篡改的概率，并判断二者的大小，最后得出网页是否被篡改的概率。本发明提高了检测的准确率与稳定性。

主权项

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。