CN109582854A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109582854A CN109582854A CN201811625934.9A CN201811625934A CN109582854A CN 109582854 A CN109582854 A CN 109582854A CN 201811625934 A CN201811625934 A CN 201811625934A CN 109582854 A CN109582854 A CN 109582854A
- Authority
- CN
- China
- Prior art keywords
- request
- information
- sample
- feature vector
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开的实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取页面请求;基于从该页面请求中提取的请求信息,生成请求特征向量;将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。该实施方式实现了生成表征所获取的页面请求是否属于预定类型的识别结果。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及生成信息的方法和装置。
背景技术
随着互联网技术的飞速发展,网站的访问频次不断增加。在搜索技术领域,网络爬虫(web crawler)的使用也愈加广泛。由网络爬虫等非真实用户所带来的激增的访问量对后端服务器带来不小的压力。以由于网络爬虫的使用而产生的HTTP(Hyper Text TransferProtocol,超文本传输协议)请求为代表的页面请求需要耗费大量的网络资源,除了造成服务器资源的浪费,也给系统可用性带来了不可预期的风险。
相关的方式通常是依赖日志源与人为制定的识别策略来生成识别词典,将在上述词典中的访问请求判定为预定类型的请求。
发明内容
本公开的实施例提出了用于生成信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成信息的方法,该方法包括:获取页面请求;基于从页面请求中提取的请求信息,生成请求特征向量;将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。
在一些实施例中,上述基于从页面请求中提取的请求信息,生成请求特征向量,包括:从页面请求中提取请求信息,其中,请求信息包括发送页面请求的客户端的至少一个客户端标识信息;对于至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值;将所生成的至少一个元素值组成请求特征向量。
在一些实施例中,上述请求类型在线识别模型通过如下步骤训练得到:获取训练样本集合,训练样本包括样本请求特征向量和样本标注信息,其中,样本标注信息用于表征样本请求特征向量对应的样本页面请求是否属于预定类型;将训练样本集合中的训练样本的样本请求特征向量作为输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到请求类型在线识别模型。
在一些实施例中,上述训练样本集合中的训练样本通过如下步骤得到:获取样本页面请求;基于从样本页面请求中提取的样本请求信息,生成样本请求特征向量,其中,样本请求信息包括样本页面请求对应的客户端的标识信息;根据样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与样本请求特征向量对应的样本标注信息;将样本请求特征向量和与样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
在一些实施例中,上述预定请求类型标识信息集合通过如下步骤生成:获取历史页面请求;基于从历史页面请求中提取的历史请求信息,生成历史请求特征向量,其中,历史请求信息包括历史页面请求对应的客户端的标识信息;将历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息,其中,请求类型离线识别模型用于表征历史请求特征向量和历史请求类型信息之间的对应关系,历史请求类型信息用于表征历史请求特征向量对应的历史页面请求是否属于预定类型;响应于确定所得到的历史请求类型信息为表征历史请求特征向量对应的历史页面请求属于预定类型的信息,基于历史请求信息所包括的标识信息,生成预定请求类型标识信息集合。
在一些实施例中,该方法还包括:响应于确定所得到的请求类型信息为表征请求特征向量对应的页面请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息。
第二方面,本公开的实施例提供了一种用于生成信息的装置,该装置包括:获取单元,被配置成获取页面请求;生成单元,被配置成基于从页面请求中提取的请求信息,生成请求特征向量;识别单元,被配置成将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。
在一些实施例中,上述生成单元包括:提取模块,被配置成从面请求中提取请求信息,其中,请求信息包括发送页面请求的客户端的至少一个客户端标识信息;元素生成模块,被配置成对于至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值;向量生成模块,被配置成将所生成的至少一个元素值组成请求特征向量。
在一些实施例中,上述请求类型在线识别模型通过如下步骤训练得到:获取训练样本集合,训练样本包括样本请求特征向量和样本标注信息,其中,样本标注信息用于表征样本请求特征向量对应的样本页面请求是否属于预定类型;将训练样本集合中的训练样本的样本请求特征向量作为输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到请求类型在线识别模型。
在一些实施例中,上述训练样本集合中的训练样本通过如下步骤得到:获取样本页面请求;基于从样本页面请求中提取的样本请求信息,生成样本请求特征向量,其中,样本请求信息包括样本页面请求对应的客户端的标识信息;根据样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与样本请求特征向量对应的样本标注信息;将样本请求特征向量和与样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
在一些实施例中,上述预定请求类型标识信息集合通过如下步骤生成:获取历史页面请求;基于从历史页面请求中提取的历史请求信息,生成历史请求特征向量,其中,历史请求信息包括历史页面请求对应的客户端的标识信息;将历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息,其中,请求类型离线识别模型用于表征历史请求特征向量和历史请求类型信息之间的对应关系,历史请求类型信息用于表征历史请求特征向量对应的历史页面请求是否属于预定类型;响应于确定所得到的历史请求类型信息为表征历史请求特征向量对应的历史页面请求属于预定类型的信息,基于历史请求信息所包括的标识信息,生成预定请求类型标识信息集合。
在一些实施例中,该装置还包括:发送单元,被配置成响应于确定所得到的请求类型信息为表征请求特征向量对应的页面请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息。
第三方面,本公开的实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于生成信息的方法和装置,首先获取页面请求;然后,基于从所获取的页面请求中提取的请求信息,生成请求特征向量;之后,将所生成的请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。从而实现了生成表征所获取的页面请求是否属于预定类型的识别结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成信息的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、文本编辑类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持网页浏览功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上显示的网页提供支持的后台网页服务器。后台网页服务器可以对接收到的网页请求等数据进行分析等处理,并生成处理结果或将根据处理结果而生成的响应信息反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于生成信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法包括以下步骤:
步骤201,获取页面请求。
在本实施例中,用于生成信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取页面请求。其中,页面请求可以包括各种基于网页传输协议的请求。例如,上述页面请求可以包括HTTP请求,还可以包括HTTPS(Hyper TextTransferProtocol over Secure Socket Layer,超文本传输安全协议)请求。
需要说明的是,上述执行主体所接收的页面请求,可以是直接来自于发送页面请求的客户端,也可以是来自其他对上述页面请求进行转发的网络设备(例如代理服务器等)。本公开对此不作限定。
步骤202,基于从页面请求中提取的请求信息,生成请求特征向量。
在本实施例中,上述执行主体可以首先从步骤201所获取的页面请求中提取请求信息。其中,请求信息可以包括用于表征发送请求的客户端的各种信息。作为示例,页面请求可以是HTTP请求报文。那么,上述执行主体所提取的请求信息可以包括上述请求报文中的请求行(request line)包括的所请求的资源的URL(Uniform Resource Locator,统一资源定位符)。上述请求信息还可以包括请求报文中包括的请求首部(header)所指示的以下至少一项:发送请求的客户端的用户代理(user agent)的标识,发送请求的客户端的主机名(host),发送请求的客户端的浏览器缓存(cookie)的标识。作为又一示例,上述页面请求还可以包括HTTP请求报文对应的IP(Internet Protocol,因特网互联协议)报文。那么,上述执行主体所提取的请求信息可以包括上述IP报文所包括的发送请求的客户端的IP地址。
之后,上述执行主体可以基于上述所提取的请求信息,通过各种方式生成请求特征向量。其中,上述请求特征向量中的元素用于表征所提取的请求信息。作为示例,上述执行主体可以直接将所提取的请求信息组成请求特征向量。通常,请求特征向量中的元素排列方式可以不受限制。例如,请求特征向量可以是“IP地址,客户端的浏览器缓存的标识,所请求的资源的URL”,也可以是“客户端的浏览器缓存的标识,IP地址,所请求的资源的URL”。但需要注意,所有请求特征向量中的元素排列方式通常需要一致。
在本实施例的一些可选的实现方式中,上述执行主体还可以通过如下步骤生成请求特征向量:
第一步,从页面请求中提取请求信息。
在这些实现方式中,上述请求信息可以包括发送页面请求的客户端的至少一个客户端标识信息。作为示例,上述请求信息可以包括3个客户端标识信息,分别为IP地址、浏览器缓存的标识和用户代理的标识。上述执行主体可以按照前述方式提取上述请求信息,此处不再赘述。
第二步,对于至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值。
在这些实现方式中,上述历史标识信息可以是记录有客户端标识信息是否曾经被标注为预定类型的信息。例如,客户端标识信息是IP地址,则与该客户端标识信息对应的历史标识信息可以是记录有该IP地址曾经两次被标注为预定类型的信息。其中,上述历史标识信息可以通过网络日志和人工标注得到。例如,该IP地址对应的客户端发送过的网页请求被确定为属于预定类型,则添加一条该IP地址被标注为预定类型的记录信息。上述元素值可以是根据实际应用需求而预先设置的数值。作为示例,如果某客户端标识信息对应的历史标识信息指示该客户端标识信息曾经被标注为预定类型,那么将该客户端标识信息的元素值设置为1;否则设置为0。可选地,也可以根据客户端标识信息在历史标识信息中被标注为预定类型的频次将该客户端标识信息的元素值设置为0~1之间的浮点数。本公开对此不作限定。
第三步,将所生成的至少一个元素值组成请求特征向量。
在这些实现方式中,上述执行主体可以将上述第二步所生成的至少一个元素值组成请求特征向量。需要说明的是,上述请求特征向量中的元素排列方式可以不受限制。但所有请求特征向量中的元素排列方式通常需要一致。
步骤203,将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息。
在本实施例中,上述执行主体可以将通过步骤202生成的请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息。其中,上述请求类型在线识别模型可以用于表征请求特征向量和请求类型信息之间的对应关系。上述请求类型信息可以用于表征请求特征向量对应的页面请求是否属于预定类型。上述预定类型可以包括表征通过作弊、非主动点击等方式产生的页面请求(例如爬虫等通过计算机程序而产生页面请求)所属于的类型。上述请求类型信息可以是各种形式的信息,例如:数字、字母、标点符号等等。作为示例,可以用“1”来表示请求特征向量对应的页面请求属于预定类型,用“0”来表示请求特征向量对应的页面请求不属于预定类型。
作为示例,上述请求类型在线识别模型可以是技术人员基于对大量的请求特征向量和请求类型信息的统计而预先制定的、存储有多个请求特征向量与请求类型信息的对应关系的对应关系表。也可以是技术人员基于对大量数据的统计而预先设置并存储至上述执行主体中的、对请求特征向量中的一个或多个数值进行数值计算以得到请求类型信息的计算公式。例如,对于由0~1的数值作为元素所组成的请求特征向量,上述计算公式可以是求解请求特征向量中所包括的元素的平均值,再用所得到的平均值与预设阈值进行比较,最终得到请求类型信息。上述预设阈值可以是技术人员根据大量的数据统计而预先设置的数值。若所得到的平均值大于或等于预设阈值,则请求类型信息可以为表征请求特征向量对应的页面请求属于预定类型的信息。若所得到的平均值小于预设阈值,则请求类型信息可以为表征请求特征向量对应的页面请求不属于预定类型的信息。
在本实施例的一些可选的实现方式中,上述执行主体还可以响应于确定所得到的请求类型信息为表征请求特征向量对应的页面请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息。
在这些实现方式中,上述响应信息可以是与页面请求对应的信息。作为示例,上述页面请求可以是表征获取某网页的HTTP请求报文,则与之对应的响应信息可以是服务端发送的、包含上述网页信息的HTTP响应报文。上述降级处理可以包括通过各种技术手段减少对后端服务器资源的访问次数,还可以包括延长后端服务器对上述页面请求的响应时间。作为示例,上述页面请求对应于搜索请求,上述降级处理可以包括减少搜索结果页(Searchengine results page,SERP)中包括的搜索结果的数目。作为又一示例,上述页面请求对应于网站访问请求,上述降级处理可以包括从缓存中返回上述请求访问的网页而不对网页的时效性进行检查。
继续参见图3,图3是根据本公开的实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,后台服务器301从终端302获取HTTP请求报文303。HTTP请求报文303中包括缓存标识(Cookie ID)“12345”和用户代理(User-Agent)的标识“XX/5.1”。然后,后台服务器301从HTTP请求报文303中提取缓存标识“12345”和用户代理的标识“XX/5.1”以及根据HTTP报文303从对应的IP报文中提取终端302的IP地址“123.123.123.1”作为请求信息3041。根据历史记录确定上述缓存标识和IP地址都曾经被标注为预定类型,且上述用户代理的标识未被标注为预定类型。后台服务器301可以生成请求特征向量(1,0,1)3042。之后,后台服务器301计算上述请求特征向量中所包括的元素的平均值为0.67。由于0.67大于预设阈值0.5,则后台服务器301得到表征上述请求特征向量对应的页面请求属于预定类型的信息“1”305。
本公开的上述实施例提供的方法,首先获取页面请求;然后,基于从所获取的页面请求中提取的请求信息,生成请求特征向量;之后,将所生成的请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。从而可以对所获取的页面请求是否属于预定类型进行识别,进而生成识别结果,以便于接收页面请求的服务器根据页面请求的类型进行有针对性的响应,有助于提高页面响应的效率。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取页面请求。
步骤402,基于从页面请求中提取的请求信息,生成请求特征向量。
上述步骤401和步骤402分别与前述实施例中的步骤201和步骤202一致,上文针对步骤201和步骤202的描述也适用于步骤401和步骤402,此处不再赘述。
步骤403,将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息。
在本实施例中,请求类型在线识别模型可以是CART(Classification andregression tree,分类与回归树),也可以是SVM(Support Vector Machine,支持向量机)。作为示例,上述请求类型在线识别模型可以通过以下步骤训练得到:
第一步,获取初始请求类型在线识别模型。初始请求类型在线识别模型可以是各种分类器。例如,对应于请求类型在线识别模型为CART,初始请求类型在线识别模型可以是RF(Random forest,随机森林),Boosted Trees(提升树)等等。
第二步,获取训练样本集合。训练样本集合中的每个训练样本可以包括样本请求特征向量和样本标注信息。其中,样本标注信息可以用于表征样本请求特征向量对应的样本页面请求是否属于预定类型。实践中,可以通过多种方式得到上述训练样本。
作为示例,可以从网络日志中选择利用计算机程序发送的页面请求,将从所选择的页面请求中提取的请求信息进行如前述实施例中的步骤202的加工,得到上述页面请求对应的样本请求特征向量,并将其样本标注信息设置为表征页面请求属于预定类型的信息。又如,可以从网络日志中选择出于正常访问而产生的页面请求,将从所选择的页面请求中提取的请求信息进行如前述实施例中的步骤202的加工,得到上述页面请求对应的样本请求特征向量,并将其样本标注信息设置为表征样本页面请求不属于预定类型的信息。需要说明的是,上述通过网络日志识别页面请求是否属于上述预定类型的技术是目前广泛研究和应用的公知技术,在此不再赘述。
上述样本标注信息可以是多种形式的信息。作为示例,可以将表征样本页面请求属于预定类型的标注信息设置为1,将表征样本页面请求不属于预定类型的标注信息设置为0。可以理解,数值越接近1,样本页面请求属于预定类型的概率越大。
在本实施例的一些可选的实现方式中,上述训练样本集合中的训练样本还可以通过如下步骤得到:
第1步,获取样本页面请求。
在这些实现方式中,用于生成训练样本的执行主体可以通过有线连接方式或者无线连接方式获取样本页面请求。作为示例,上述执行主体可以从发送请求的客户端获取上述样本页面请求。上述执行主体也可以从本地或数据库服务器获取上述样本页面请求。
第2步,基于从样本页面请求中提取的样本请求信息,生成样本请求特征向量。
在这些实现方式中,上述执行主体首先可以通过与前述实施例中的步骤202类似的方式提取样本请求信息。其中,样本请求信息可以包括样本页面请求对应的客户端的标识信息。上述客户端的标识信息可以包括但不限于以下至少一项:客户端的浏览器缓存的标识,客户端的IP地址。然后,上述执行主体还可以通过与前述实施例中的步骤202类似的方式生成样本请求特征向量。此处不再赘述。
第3步,根据样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与样本请求特征向量对应的样本标注信息。
在这些实现方式中,上述执行主体可以将从上述第2步获取的样本页面请求中提取的标识信息与预定请求类型标识信息集合进行匹配。其中,上述预定请求类型标识信息集合可以是预先存储于用于生成训练样本的方法的执行主体的本地,也可以是上述执行主体从存储有上述预定请求类型标识信息集合的数据库服务器所获取的。根据所得到的匹配结果,上述执行主体可以生成样本标注信息。作为示例,响应于确定上述预定请求类型标识信息集合中存在上述请求信息所包括的标识信息,上述执行主体可以生成表征样本页面请求属于预定类型的样本标注信息。响应于确定上述预定请求类型标识信息集合中不存在上述请求信息所包括的标识信息,上述执行主体可以生成表征样本页面请求不属于预定类型的样本标注信息。其中,样本标注信息也可以有各种表示形式,此处不再赘述。
在这些实现方式中,上述预定请求类型标识信息集合所包括的预定请求类型标识信息可以根据历史日志和经验而预先确定的。作为示例,响应于确定某客户端在预设时间段内发送的请求次数超过预设的次数阈值(例如1小时内发送1000次),则可以将该客户端的IP地址和浏览器缓存的标识存入上述预定请求类型标识信息集合。需要说明的是,上述预定请求类型标识信息集合是全局的,其中包括的预定请求类型标识信息是可以动态更新的。
可选地,上述预定请求类型标识信息集合还可以通过如下步骤生成:
S1、获取历史页面请求。
在这些实现方式中,用于生成预定请求类型标识信息集合的执行主体可以通过有线连接方式或者无线连接方式获取历史页面请求。作为示例,上述执行主体可以从本地或数据库服务器获取上述历史页面请求。
S2、基于从历史页面请求中提取的历史请求信息,生成历史请求特征向量。
在这些实现方式中,上述执行主体首先可以通过与前述实施例中的步骤202类似的方式提取历史请求信息。其中,历史请求信息可以包括历史页面请求对应的客户端的标识信息。上述客户端的标识信息可以包括但不限于以下至少一项:客户端的浏览器缓存的标识,客户端的IP地址。然后,上述执行主体还可以通过与前述实施例中的步骤202类似的方式生成历史请求特征向量。此处不再赘述。
S3、将历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息。
在这些实现方式中,上述执行主体可以将步骤S3所生成的历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息。其中,上述请求类型离线识别模型可以用于表征历史请求特征向量和历史请求类型信息之间的对应关系。上述历史请求类型信息可以用于表征历史请求特征向量对应的历史页面请求是否属于预定类型。上述历史请求类型信息也可以是各种形式的信息,此处不再赘述。
在这些实现方式中,作为示例,上述请求类型离线识别模型可以是技术人员基于对大量的历史请求特征向量和历史请求类型信息的统计而预先制定的、存储有多个历史请求特征向量与历史请求类型信息的对应关系的对应关系表。由此,当历史请求特征向量输入后,可以将输入的历史请求特征向量与对应关系表中的历史请求特征向量进行比较,如果对应关系表中某一个历史请求特征向量与输入的历史请求特征向量相匹配(例如,相同或相似),则将对应关系表中的该历史请求特征向量对应的历史请求类型信息作为输入的历史请求特征向量的历史请求类型信息。
可选地,上述请求类型离线识别模型也可以通过如下步骤训练得到:
首先,获取初始请求类型离线识别模型。在这些实现方式中,上述初始请求类型离线识别模型可以是各种DNN(Deep Neural Networks,深度神经网络)。
然后,获取离线训练样本集合。离线训练样本集合中的每个离线训练样本可以包括样本历史请求特征向量和样本历史请求类型信息。其中,样本历史请求类型信息可以用于表征样本历史请求特征向量对应的页面请求是否属于预定类型。实践中,离线训练样本可以通过多种方式得到。作为示例,可以由技术人员通过与前述请求类型在线识别模型的训练样本的加工方式类似的方式得到,此处不再赘述。
之后,利用机器学习的方法,将离线训练样本集合中的离线训练样本的样本历史请求特征向量作为初始请求类型离线识别模型的输入,将与输入的样本历史请求特征向量对应的样本历史请求类型信息作为期望输出,训练得到上述请求类型离线识别模型。
具体地,上述训练步骤的执行主体可以将离线训练样本集合中的离线训练样本的样本历史请求特征向量输入至初始请求类型离线识别模型,得到该离线训练样本的历史请求类型信息。然后,可以利用预设的损失函数计算所得到的历史请求类型信息与该离线训练样本的样本历史请求类型信息之间的差异程度。接下来,可以利用正则化项计算模型的复杂度。之后,基于计算所得的差异程度和模型的复杂度,调整初始请求类型离线识别模型的结构参数,并在满足预设的训练结束条件的情况下,结束训练。最后,将训练得到的初始请求类型离线识别模型确定为请求类型离线识别模型。
需要说明的是,上述损失函数可以采用对数损失函数,上述正则化项可以采用L2范数。上述预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异程度小于预设的差异阈值;测试集上的准确率达到预设的准确率阈值;测试集上的覆盖率达到预设的覆盖率阈值。
还需要说明的是,基于所得到的离线训练样本的历史请求类型信息与该离线训练样本的样本历史请求类型信息之间的差异程度,可以采用各种方式调整初始请求类型离线识别模型的结构参数。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始请求类型离线识别模型的网络参数。
值得注意的是,上述训练请求类型离线识别模型的执行主体可以与用于生成预定请求类型标识信息集合的方法的执行主体相同或者不同。如果相同,则上述训练步骤的执行主体可以在训练得到请求类型离线识别模型后将训练好的请求类型离线识别模型的结构信息和参数值存储在本地。如果不同,则上述训练步骤的执行主体可以在训练得到请求类型离线识别模型后将训练好的请求类型离线识别模型的结构信息和参数值发送给用于生成预定请求类型标识信息集合的方法的执行主体。还需要说明的是,上述用于生成预定请求类型标识信息集合的方法的执行主体、用于生成训练样本的执行主体和用于生成信息的执行主体也可以相同或者不同,在此不作限定。
S4、响应于确定所得到的历史请求类型信息为表征历史请求特征向量对应的历史页面请求属于预定类型的信息,基于历史请求信息所包括的标识信息,生成预定请求类型标识信息集合。
在这些实现方式中,上述执行主体响应于确定所得到的历史请求类型信息为表征历史请求特征向量对应的历史页面请求属于预定类型的信息,可以将历史请求信息所包括的标识信息进行存储。可选地,通过多次执行上述步骤S1至步骤S4,将存储的大量标识信息组成上述预定请求类型标识信息集合。
第4步,将样本请求特征向量和与样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
上述执行主体可以将样本请求特征向量和与样本请求特征向量对应的样本标注信息进行关联存储,得到训练样本。可选地,通过多次执行上述第1步至第4步,将存储的大量训练样本组成上述训练样本集合。
第三步,利用机器学习的方法,将训练样本集合中的训练样本的样本请求特征向量作为初始请求类型在线识别模型的输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到上述请求类型在线识别模型。
具体地,上述训练步骤的执行主体可以将训练样本集合中的训练样本的样本请求特征向量输入初始请求类型在线识别模型,得到该训练样本的样本页面请求属于预定类型的概率。然后,可以利用预设的损失函数计算所得到的样本页面请求属于预定类型的概率与该训练样本的样本标注信息之间的差异程度。接下来,可以利用正则化项计算模型的复杂度。之后,基于计算所得的差异程度和模型的复杂度,调整初始请求类型在线识别模型的结构参数,并在满足预设的训练结束条件的情况下,结束训练。最后,将训练得到的初始请求类型在线识别模型确定为请求类型在线识别模型。
需要说明的是,上述损失函数可以采用对数损失函数,上述正则化项可以采用L2范数。上述预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异程度小于预设的差异阈值;测试集上的准确率达到预设的准确率阈值;测试集上的覆盖率达到预设的覆盖率阈值。
还需要说明的是,基于所生成的样本页面请求属于预定类型的概率与该训练样本的样本标注信息之间的差异程度,可以采用各种方式调整初始请求类型在线识别模型的结构参数。例如,可以采用XGBoost算法或者GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法来调整初始请求类型在线识别模型的结构参数。
值得注意的是,上述用于训练请求类型在线识别模型的执行主体可以与用于生成信息的方法的执行主体相同或者不同。如果相同,则上述用于训练请求类型在线识别模型的执行主体可以在训练得到请求类型在线识别模型后将训练好的请求类型在线识别模型的结构信息和参数值存储在本地。如果不同,则上述用于训练请求类型在线识别模型的执行主体可以在训练得到请求类型在线识别模型后将训练好的请求类型在线识别模型的结构信息和参数值发送给用于生成信息的方法的执行主体。
步骤404,响应于确定所得到的请求类型信息为表征请求特征向量对应的请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息。
上述步骤404与前述实施例中的步骤204一致,上文针对步骤204的描述也适用于步骤404,此处不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400体现了通过机器学习方法训练请求类型在线识别模型的步骤,以及响应于确定所得到的请求类型信息为表征请求特征向量对应的请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息的步骤。由此,本实施例描述的方案可以利用机器学习算法对所获取的页面请求是否属于预定类型进行识别,进而向发送页面请求的终端反馈经过降级处理的响应信息,从而实现了节省后端服务器的资源。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于生成信息的装置500包括获取单元501、生成单元502和识别单元503。其中,获取单元501,被配置成获取页面请求;生成单元502,被配置成基于从页面请求中提取的请求信息,生成请求特征向量;识别单元503,被配置成将请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,请求类型信息用于表征请求特征向量对应的页面请求是否属于预定类型。
在本实施例中,用于生成信息的装置500中:获取单元501、生成单元502和识别单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述生成单元502可以包括:提取模块(图中未示出)、元素生成模块(图中未示出)和向量生成模块(图中未示出)。其中,上述提取模块,可以被配置成从页面请求中提取请求信息,其中,请求信息包括发送页面请求的客户端的至少一个客户端标识信息;上述元素生成模块,可以被配置成对于至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值;上述向量生成模块,可以被配置成将所生成的至少一个元素值组成请求特征向量。
在本实施例的一些可选的实现方式中,上述请求类型在线识别模型可以通过如下步骤训练得到:获取训练样本集合,训练样本包括样本请求特征向量和样本标注信息,其中,样本标注信息用于表征样本请求特征向量对应的样本页面请求是否属于预定类型;将训练样本集合中的训练样本的样本请求特征向量作为输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到请求类型在线识别模型。
在本实施例的一些可选的实现方式中,上述训练样本集合中的训练样本可以通过如下步骤得到:获取样本页面请求;基于从样本页面请求中提取的样本请求信息,生成样本请求特征向量,其中,样本请求信息包括样本页面请求对应的客户端的标识信息;根据样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与样本请求特征向量对应的样本标注信息;将样本请求特征向量和与样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
在本实施例的一些可选的实现方式中,上述预定请求类型标识信息集合可以通过如下步骤生成:获取历史页面请求;基于从历史页面请求中提取的历史请求信息,生成历史请求特征向量,其中,历史请求信息包括历史页面请求对应的客户端的标识信息;将历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息,其中,请求类型离线识别模型用于表征历史请求特征向量和历史请求类型信息之间的对应关系,历史请求类型信息用于表征历史请求特征向量对应的历史页面请求是否属于预定类型;响应于确定所得到的历史请求类型信息为表征历史请求特征向量对应的历史页面请求属于预定类型的信息,基于历史请求信息所包括的标识信息,生成预定请求类型标识信息集合。
在本实施例的一些可选的实现方式中,该用于生成信息的装置500还可以包括发送单元(图中未示出)。上述发送单元可以被进一步配置成:响应于确定所得到的请求类型信息为表征请求特征向量对应的页面请求属于预定类型的信息,发送与页面请求对应的、经过降级处理的响应信息。
本公开的上述实施例提供的装置,通过获取单元501获取页面请求。然后,生成单元502基于从获取单元501所获取的页面请求中提取的请求信息,可以生成请求特征向量。之后,识别单元503将生成单元502所生成的请求特征向量输入至预先训练的请求类型在线识别模型,得到表征请求特征向量对应的页面请求是否属于预定类型的请求类型信息。从而实现了生成表征所获取的页面请求是否属于预定类型的识别结果。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如键盘、鼠标、等的输入装置606;包括例如液晶显示器(LCD)、扬声器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取页面请求;基于从该页面请求中提取的请求信息,生成请求特征向量;将请求特征向量输入至预先训练的请求类型在线识别模型,得到用于表征请求特征向量对应的页面请求是否属于预定类型的请求类型信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、生成单元和识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取页面请求的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于生成信息的方法,包括:
获取页面请求;
基于从所述页面请求中提取的请求信息,生成请求特征向量;
将所述请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,所述请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,所述请求类型信息用于表征所述请求特征向量对应的页面请求是否属于预定类型。
2.根据权利要求1所述的方法,其中,所述基于从所述页面请求中提取的请求信息,生成请求特征向量,包括:
从所述页面请求中提取请求信息,其中,所述请求信息包括发送所述页面请求的客户端的至少一个客户端标识信息;
对于所述至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值;
将所生成的至少一个元素值组成请求特征向量。
3.根据权利要求1所述的方法,其中,请求类型在线识别模型通过如下步骤训练得到:
获取训练样本集合,训练样本包括样本请求特征向量和样本标注信息,其中,样本标注信息用于表征样本请求特征向量对应的样本页面请求是否属于预定类型;
将所述训练样本集合中的训练样本的样本请求特征向量作为输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到所述请求类型在线识别模型。
4.根据权利要求3所述的方法,其中,所述训练样本集合中的训练样本通过如下步骤得到:
获取样本页面请求;
基于从所述样本页面请求中提取的样本请求信息,生成样本请求特征向量,其中,所述样本请求信息包括所述样本页面请求对应的客户端的标识信息;
根据所述样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与所述样本请求特征向量对应的样本标注信息;
将所述样本请求特征向量和所述与所述样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
5.根据权利要求4所述的方法,其中,所述预定请求类型标识信息集合通过如下步骤生成:
获取历史页面请求;
基于从所述历史页面请求中提取的历史请求信息,生成历史请求特征向量,其中,所述历史请求信息包括所述历史页面请求对应的客户端的标识信息;
将所述历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息,其中,所述请求类型离线识别模型用于表征历史请求特征向量和历史请求类型信息之间的对应关系,所述历史请求类型信息用于表征所述历史请求特征向量对应的历史页面请求是否属于预定类型;
响应于确定所得到的历史请求类型信息为表征所述历史请求特征向量对应的历史页面请求属于预定类型的信息,基于所述历史请求信息所包括的标识信息,生成所述预定请求类型标识信息集合。
6.根据权利要求1-5之一所述的方法,其中,所述方法还包括:
响应于确定所得到的请求类型信息为表征所述请求特征向量对应的页面请求属于预定类型的信息,发送与所述页面请求对应的、经过降级处理的响应信息。
7.一种用于生成信息的装置,包括:
获取单元,被配置成获取页面请求;
生成单元,被配置成基于从所述页面请求中提取的请求信息,生成请求特征向量;
识别单元,被配置成将所述请求特征向量输入至预先训练的请求类型在线识别模型,得到请求类型信息,其中,所述请求类型在线识别模型用于表征请求特征向量和请求类型信息之间的对应关系,所述请求类型信息用于表征所述请求特征向量对应的页面请求是否属于预定类型。
8.根据权利要求7所述的装置,其中,所述生成单元包括:
提取模块,被配置成从所述页面请求中提取请求信息,其中,所述请求信息包括发送所述页面请求的客户端的至少一个客户端标识信息;
元素生成模块,被配置成对于所述至少一个客户端标识信息中的客户端标识信息,根据该客户端标识信息和与该客户端标识信息对应的历史标识信息,生成该客户端标识信息的元素值;
向量生成模块,被配置成将所生成的至少一个元素值组成请求特征向量。
9.根据权利要求7所述的装置,其中,所述请求类型在线识别模型通过如下步骤训练得到:
获取训练样本集合,训练样本包括样本请求特征向量和样本标注信息,其中,样本标注信息用于表征样本请求特征向量对应的样本页面请求是否属于预定类型;
将所述训练样本集合中的训练样本的样本请求特征向量作为输入,将与输入的样本请求特征向量对应的样本标注信息作为期望输出,训练得到所述请求类型在线识别模型。
10.根据权利要求9所述的装置,其中,所述训练样本集合中的训练样本通过如下步骤得到:
获取样本页面请求;
基于从所述样本页面请求中提取的样本请求信息,生成样本请求特征向量,其中,所述样本请求信息包括所述样本页面请求对应的客户端的标识信息;
根据所述样本请求信息所包括的标识信息与预定请求类型标识信息集合的匹配,生成与所述样本请求特征向量对应的样本标注信息;
将所述样本请求特征向量和所述与所述样本请求特征向量对应的样本标注信息关联存储,组成训练样本。
11.根据权利要求10所述的装置,其中,所述预定请求类型标识信息集合通过如下步骤生成:
获取历史页面请求;
基于从所述历史页面请求中提取的历史请求信息,生成历史请求特征向量,其中,所述历史请求信息包括所述历史页面请求对应的客户端的标识信息;
将所述历史请求特征向量输入至预先训练的请求类型离线识别模型,得到历史请求类型信息,其中,所述请求类型离线识别模型用于表征历史请求特征向量和历史请求类型信息之间的对应关系,所述历史请求类型信息用于表征所述历史请求特征向量对应的历史页面请求是否属于预定类型;
响应于确定所得到的历史请求类型信息为表征所述历史请求特征向量对应的历史页面请求属于预定类型的信息,基于所述历史请求信息所包括的标识信息,生成所述预定请求类型标识信息集合。
12.根据权利要求7-11之一所述的装置,其中,所述装置还包括:
发送单元,被配置成响应于确定所得到的请求类型信息为表征所述请求特征向量对应的页面请求属于预定类型的信息,发送与所述页面请求对应的、经过降级处理的响应信息。
13.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625934.9A CN109582854B (zh) | 2018-12-28 | 2018-12-28 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625934.9A CN109582854B (zh) | 2018-12-28 | 2018-12-28 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109582854A true CN109582854A (zh) | 2019-04-05 |
CN109582854B CN109582854B (zh) | 2022-05-03 |
Family
ID=65933395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625934.9A Active CN109582854B (zh) | 2018-12-28 | 2018-12-28 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109582854B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198309A (zh) * | 2019-05-14 | 2019-09-03 | 北京墨云科技有限公司 | 一种Web服务器识别方法、装置、终端及存储介质 |
CN111611457A (zh) * | 2020-05-20 | 2020-09-01 | 北京金山云网络技术有限公司 | 一种页面分类方法、装置、设备及存储介质 |
CN111859078A (zh) * | 2019-04-29 | 2020-10-30 | 百度在线网络技术(北京)有限公司 | 一种信息识别方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956469A (zh) * | 2016-04-27 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 文件安全性识别方法和装置 |
US10007786B1 (en) * | 2015-11-28 | 2018-06-26 | Symantec Corporation | Systems and methods for detecting malware |
CN108573146A (zh) * | 2017-03-07 | 2018-09-25 | 华为技术有限公司 | 一种恶意url检测方法及装置 |
CN109409049A (zh) * | 2018-10-10 | 2019-03-01 | 北京京东金融科技控股有限公司 | 用于识别交互操作的方法和装置 |
CN111147431A (zh) * | 2018-11-06 | 2020-05-12 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
-
2018
- 2018-12-28 CN CN201811625934.9A patent/CN109582854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10007786B1 (en) * | 2015-11-28 | 2018-06-26 | Symantec Corporation | Systems and methods for detecting malware |
CN105956469A (zh) * | 2016-04-27 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 文件安全性识别方法和装置 |
CN108573146A (zh) * | 2017-03-07 | 2018-09-25 | 华为技术有限公司 | 一种恶意url检测方法及装置 |
CN109409049A (zh) * | 2018-10-10 | 2019-03-01 | 北京京东金融科技控股有限公司 | 用于识别交互操作的方法和装置 |
CN111147431A (zh) * | 2018-11-06 | 2020-05-12 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859078A (zh) * | 2019-04-29 | 2020-10-30 | 百度在线网络技术(北京)有限公司 | 一种信息识别方法、装置及电子设备 |
CN111859078B (zh) * | 2019-04-29 | 2024-04-12 | 百度在线网络技术(北京)有限公司 | 一种信息识别方法、装置及电子设备 |
CN110198309A (zh) * | 2019-05-14 | 2019-09-03 | 北京墨云科技有限公司 | 一种Web服务器识别方法、装置、终端及存储介质 |
CN111611457A (zh) * | 2020-05-20 | 2020-09-01 | 北京金山云网络技术有限公司 | 一种页面分类方法、装置、设备及存储介质 |
CN111611457B (zh) * | 2020-05-20 | 2024-01-02 | 北京金山云网络技术有限公司 | 一种页面分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109582854B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11620532B2 (en) | Method and apparatus for generating neural network | |
CN108335696A (zh) | 语音唤醒方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
US20200410732A1 (en) | Method and apparatus for generating information | |
CN110555714A (zh) | 用于输出信息的方法和装置 | |
CN107491534A (zh) | 信息处理方法和装置 | |
CN109582982A (zh) | 用于翻译语音的方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN107516090A (zh) | 一体化人脸识别方法和系统 | |
CN107480277B (zh) | 用于网站日志采集的方法及装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108920717B (zh) | 用于显示信息的方法及装置 | |
CN109582854A (zh) | 用于生成信息的方法和装置 | |
CN107679897A (zh) | 一种安全风险控制方法和装置 | |
CN107741976A (zh) | 智能应答方法、装置、介质和电子设备 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
US11232560B2 (en) | Method and apparatus for processing fundus image | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN109766418A (zh) | 用于输出信息的方法和装置 | |
CN109063190A (zh) | 用于处理数据序列的方法和装置 | |
CN110457476A (zh) | 用于生成分类模型的方法和装置 | |
CN108629011A (zh) | 用于发送反馈信息的方法和装置 | |
CN109992406A (zh) | 图片请求方法、响应图片请求的方法及客户端 | |
CN110400029A (zh) | 一种标注管理的方法和系统 | |
CN110399465A (zh) | 用于处理信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |