发明内容
有鉴于此,本发明实施例提供一种图片型垃圾邮件的识别方法和装置,以解决图片型垃圾邮件的识别准确性不足的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种图片型垃圾邮件的识别方法,包括:
拦截邮件,对所述邮件的内容进行解析,判断所述邮件是否包含图片;若是,则提取出所述图片中的文本;
判断所述文本是否与内容识别策略匹配,从而判断所述邮件是否为垃圾邮件;其中,所述内容识别策略是基于正则模板包文件创建而得到的;
根据判断结果对所述邮件执行对应的动作。
可选地,拦截邮件之前,还包括:
将正则模板包文件导入预置内容识别数据模板中;
新建内容识别策略,将所述内容识别策略与所述预置内容识别数据模板关联,从而将所述正则模板包文件作为匹配条件。
可选地,将所述内容识别策略与所述预置内容识别数据模板关联之后,还包括:
配置所述内容识别策略对应的邮件通道和执行动作。
可选地,将正则模板包文件导入预置内容识别数据模板中之前,还包括:
将至少一个关键字及其对应的正则表达式拼接成正则数据;
通过模板工具创建模板,在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件。
可选地,在模板目录下的配置文件中配置所述正则数据,包括:
将模板名称、所述正则数据、模板标识和模板版本分别填充到模板目录下的json格式的文件中。
可选地,生成正则模板包文件之后,还包括:
根据更新的关键字和/或更新的正则表达式,更新正则数据;
根据更新的正则数据,更新所述模板目录下的json格式的文件,从而生成新的正则模板包文件;
将所述新的正则模板包文件导入所述预置内容识别数据模板中,以更新内容识别策略。
可选地,根据更新的正则数据,更新所述模板目录下的json格式的文件,包括:
根据更新的正则数据,更新所述模板目录下的json格式的文件中的正则字段;
增加所述模板目录下的json格式的文件中的版本字段值。
另外,根据本发明实施例的另一个方面,提供了一种图片型垃圾邮件的识别装置,包括:
提取模块,用于拦截邮件,对所述邮件的内容进行解析,判断所述邮件是否包含图片;若是,则提取出所述图片中的文本;
识别模块,用于判断所述文本是否与内容识别策略匹配,从而判断所述邮件是否为垃圾邮件;其中,所述内容识别策略是基于正则模板包文件创建而得到的;
执行模块,用于根据判断结果对所述邮件执行对应的动作。
可选地,还包括:策略模块,用于:
拦截邮件之前,将正则模板包文件导入预置内容识别数据模板中;
新建内容识别策略,将所述内容识别策略与所述预置内容识别数据模板关联,从而将所述正则模板包文件作为匹配条件。
可选地,所述策略模块还用于:
将所述内容识别策略与所述预置内容识别数据模板关联之后,配置所述内容识别策略对应的邮件通道和执行动作。
可选地,所述策略模块还用于:
将正则模板包文件导入预置内容识别数据模板中之前,将至少一个关键字及其对应的正则表达式拼接成正则数据;
通过模板工具创建模板,在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件。
可选地,所述策略模块还用于:
将模板名称、所述正则数据、模板标识和模板版本分别填充到模板目录下的json格式的文件中。
可选地,所述策略模块还用于:
生成正则模板包文件之后,根据更新的关键字和/或更新的正则表达式,更新正则数据;
根据更新的正则数据,更新所述模板目录下的json格式的文件,从而生成新的正则模板包文件;
将所述新的正则模板包文件导入所述预置内容识别数据模板中,以更新内容识别策略。
可选地,所述策略模块还用于:
根据更新的正则数据,更新所述模板目录下的json格式的文件中的正则字段;
增加所述模板目录下的json格式的文件中的版本字段值。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用基于正则模板包文件创建内容识别策略,提取出邮件中包含的图片的文本,判断文本是否与内容识别策略匹配的技术手段,所以克服了现有技术中图片型垃圾邮件的识别准确性不足的技术问题。本发明实施例基于将关键字和正则表达式的反垃圾规则转换为相应的可更新的内容识别策略,并结合OCR技术、内容识别技术,准确地识别图片型垃圾邮件,极大地提高了对垃圾邮件的检测水平。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的图片型垃圾邮件的识别方法的主要流程的示意图。作为本发明的一个实施例,如图1所示,所述图片型垃圾邮件的识别方法可以包括:
步骤101,拦截邮件,对所述邮件的内容进行解析,判断所述邮件是否包含图片;若是,则提取出所述图片中的文本。
首先,对发送或者接收到的邮件进行拦截,然后对所述邮件的内容进行解析,从而根据解析结果判断所述邮件中是否含有图片,若是,则提取出所述图片中的文本,如否,则结束。可选地,可以采用OCR(Optical Character Recognition,光学字符识别)技术提取出所述图片中的文本。
步骤102,判断所述文本是否与内容识别策略匹配,从而判断所述邮件是否为垃圾邮件。
提取出所述图片中的文本后,判断所述文本是否与内容识别策略(DLP策略)匹配,如果匹配,则将所述邮件识别为垃圾邮件,如果不匹配,则将所述邮件识别为非垃圾邮件。其中,所述内容识别策略基于正则模板包文件创建得到。
DLP:数据泄密(泄露)防护(Data leakage prevention,DLP),是通过一定的技术手段,防止企业的指定数据或信息资产以违反安全策略规定的形式流出企业的一种策略。
可选地,在步骤101之前,还包括:将正则模板包文件导入预置内容识别数据模板中;新建内容识别策略,将所述内容识别策略与所述预置内容识别数据模板关联,从而将所述正则模板包文件作为匹配条件。本发明实施例将正则模板包文件导入预置内容识别数据模板中,然后将内容识别策略与预置内容识别数据模板关联,因此可以以正则模板包文件作为匹配条件来判断拦截的邮件是否为垃圾邮件。
可选地,将所述内容识别策略与所述预置内容识别数据模板关联之后,还包括:配置所述内容识别策略对应的邮件通道和执行动作。例如,邮件通道可以是发送和/或接收,执行动作可以是提醒、拦截或者放行等。如果邮件通道为发送,则在步骤101中拦截发送的邮件,对其进行图片识别;如果邮件通道为发送和接收,则在步骤101中拦截发送的邮件和接收的邮件,对其进行图片识别。如果执行动作为提醒,则向用户发出提醒,如果执行动作为拦截,则对垃圾邮件进行拦截。
可选地,将正则模板包文件导入预置内容识别数据模板中之前,还包括:将至少一个关键字及其对应的正则表达式拼接成正则数据;通过模板工具创建模板,在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件。具体地,使用|符号连接,将至少一个关键字及其对应的正则表达式拼接成正则数据,如:关键字为xxx和yyy,正则表达式为zzz,则拼接后的正则数据为“xxx|yyy|zzz”。其中,中文关键字需要做Unicode编码,关键字中的特殊字符需要转义后再拼接,比如,将“*”转义成“/”,防止“*”与正则表达式中的字符发生冲突。接着在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件。
可选地,在模板目录下的配置文件中配置所述正则数据,包括:将模板名称、所述正则数据、模板标识和模板版本分别填充到模板目录下的json格式的文件中。例如,将模板名称、所述正则数据、模板标识和模板版本分别填充到模板目录下的matcher.json文件中:
"name":"Spam_Matcher",//该模板的名称,和模板目录名相同
"regex":"xxx|yyy|zzz",
"uuid":"9550c439-5b61-463c-ab0a-4debabcbfcca",//唯一标识
"version":1//模板版本
可选地,生成正则模板包文件之后,还包括:根据更新的关键字和/或更新的正则表达式,更新正则数据;根据更新的正则数据,更新所述模板目录下的json格式的文件,从而生成新的正则模板包文件;将所述新的正则模板包文件导入所述预置内容识别数据模板中,以更新内容识别策略。可选地,根据更新的正则数据,更新所述模板目录下的json格式的文件,包括:根据更新的正则数据,更新所述模板目录下的json格式的文件中的正则字段;增加所述模板目录下的json格式的文件中的版本字段值。
如图2所示,关键字和/或正则库更新(比如增加、删除、修改)后,需要更新模板目录下matcher.json文件的regex值,然后增加manifest文件中的版本号(比如模板版本),从而重新生成正则模板包文件(比如spam-version.enc),最后将新的正则模板包文件导入到预置内容识别数据模板中,预置内容识别数据模板通过版本号升级原有的模板。由于内容识别策略与预置内容识别数据模板关联,预置内容识别数据模板更新后,内容识别策略将相应地使用新的预置内容识别数据模板来识别垃圾邮件。
步骤103,根据判断结果对所述邮件执行对应的动作。
根据判断结果和配置的执行动作,对识别结果为垃圾邮件的邮件执行对应的动作。如果配置的执行动作为提醒,则向用户发出提醒,如果配置的执行动作为拦截,则对垃圾邮件进行拦截。
根据上面所述的各种实施例,可以看出本发明实施例通过基于正则模板包文件创建内容识别策略,提取出邮件中包含的图片的文本,判断文本是否与内容识别策略匹配的技术手段,解决了现有技术中图片型垃圾邮件的识别准确性不足的技术问题。本发明实施例基于将关键字和正则表达式的反垃圾规则转换为相应的可更新的内容识别策略,并结合OCR技术、内容识别技术,准确地识别图片型垃圾邮件,极大地提高了对垃圾邮件的检测水平。
图3是根据本发明一个可参考实施例的图片型垃圾邮件的识别方法的主要流程的示意图。作为本发明的又一个实施例,如图3所示,所述图片型垃圾邮件的识别方法可以包括:
首先,将至少一个关键字及其对应的正则表达式拼接成正则数据;然后通过模板工具创建模板,在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件;接着,将正则模板包文件导入预置内容识别数据模板中;最后,新建内容识别策略,将所述内容识别策略与所述预置内容识别数据模板关联,从而将所述正则模板包文件作为匹配条件。
作为本发明的再一个实施例,以下示例性地描述内容识别策略的创建过程。
a.安装SDK模板工具:解压文件dlpserver-template-sdk.tar.gz,执行install_template_tool.sh,成功后执行source/opt/skyguard/ucs/bin/env.sh;
b.创建项目目录:mkdir/opt/spam/template,进入目录,创建项目:template_tool create-project--name=SpamProject,创建好后,会生成ma nifest文件,如果后期更新项目,需要增加该文件中的version值;文件内容示例如下:
c.进入项目目录,创建模板:template_tool create-matcher--name=S pam_Matcher--type=regex;
d.模板创建好后,会在目录下生成matcher.json文件,该文件主要用于配置匹配规则。文件中有些项目已经生成好,有些项还需要手动填写,包括描述信息、关键字和正则配置等;其中type支持perl、regex、dictionary、binary,这里设置为regex,并将正则数据,填充到regex字段,示例如下:
e.打包项目:matcher.json文件配置好后,在项目目录下执行:tem plate_toolpack-project--name=SpamProject,生成enc模板包文件,文件名为:[uuid]_[version].enc,如:6c52201a-166c-4f2e-bbae-5effbc16d9e5_1.enc;
f.通过接口或后台系统,将enc正则模板包文件导入预置内容识别数据模板;
g.新建内容识别策略,在内容检测项中,选择预置的“垃圾邮件匹配”数据模板作为匹配条件,配置好策略的通道和动作,启用内容识别策略,使内容识别策略生效。
内容识别策略生效后,对SMTP协议入向和/或出向的邮件进行拦截,内容识别引擎将启动检测,如果识别出邮件包含图片,则通过调用OCR软件,将邮件中的图片转为文本。如果识别出邮件不包含图片,则结束。
接着调用内容识别策略,基于内容识别策略中的匹配规则,判断所述邮件是否为垃圾邮件,并根据识别结果执行相应的拦截或者放行动作。
如图2所示,关键字和/或正则库更新(比如增加、删除、修改)后,需要更新模板目录下matcher.json文件的regex值,然后增加manifest文件中的版本号,从而重新生成enc正则模板包文件,最后将新的正则模板包文件导入到预置内容识别数据模板中,预置内容识别数据模板通过版本号升级原有的模板。由于内容识别策略与预置内容识别数据模板关联,预置内容识别数据模板更新后,内容识别策略将相应地使用新的预置内容识别数据模板来识别垃圾邮件。
另外,在本发明一个可参考实施例中图片型垃圾邮件的识别方法的具体实施内容,在上面所述图片型垃圾邮件的识别方法中已经详细说明了,故在此重复内容不再说明。
图4是根据本发明实施例的图片型垃圾邮件的识别装置的主要模块的示意图,如图4所示,所述图片型垃圾邮件的识别装置400包括提取模块401、识别模块402和执行模块403;提取模块401用于拦截邮件,对所述邮件的内容进行解析,判断所述邮件是否包含图片;若是,则提取出所述图片中的文本;识别模块402用于判断所述文本是否与内容识别策略匹配,从而判断所述邮件是否为垃圾邮件;其中,所述内容识别策略是基于正则模板包文件创建而得到的;执行模块403用于根据判断结果对所述邮件执行对应的动作。
可选地,还包括:策略模块404,用于:
拦截邮件之前,将正则模板包文件导入预置内容识别数据模板中;
新建内容识别策略,将所述内容识别策略与所述预置内容识别数据模板关联,从而将所述正则模板包文件作为匹配条件。
可选地,所述策略模块404还用于:
将所述内容识别策略与所述预置内容识别数据模板关联之后,配置所述内容识别策略对应的邮件通道和执行动作。
可选地,所述策略模块404还用于:
将正则模板包文件导入预置内容识别数据模板中之前,将至少一个关键字及其对应的正则表达式拼接成正则数据;
通过模板工具创建模板,在模板目录下的配置文件中配置所述正则数据,从而生成正则模板包文件。
可选地,所述策略模块404还用于:
将模板名称、所述正则数据、模板标识和模板版本分别填充到模板目录下的json格式的文件中。
可选地,所述策略模块404还用于:
生成正则模板包文件之后,根据更新的关键字和/或更新的正则表达式,更新正则数据;
根据更新的正则数据,更新所述模板目录下的json格式的文件,从而生成新的正则模板包文件;
将所述新的正则模板包文件导入所述预置内容识别数据模板中,以更新内容识别策略。
可选地,所述策略模块404还用于:
根据更新的正则数据,更新所述模板目录下的json格式的文件中的正则字段;
增加所述模板目录下的json格式的文件中的版本字段值。
根据上面所述的各种实施例,可以看出本发明实施例通过基于正则模板包文件创建内容识别策略,提取出邮件中包含的图片的文本,判断文本是否与内容识别策略匹配的技术手段,解决了现有技术中图片型垃圾邮件的识别准确性不足的技术问题。本发明实施例基于将关键字和正则表达式的反垃圾规则转换为相应的可更新的内容识别策略,并结合OCR技术、内容识别技术,准确地识别图片型垃圾邮件,极大地提高了对垃圾邮件的检测水平。
需要说明的是,在本发明所述图片型垃圾邮件的识别装置的具体实施内容,在上面所述图片型垃圾邮件的识别方法中已经详细说明了,故在此重复内容不再说明。
图5示出了可以应用本发明实施例的图片型垃圾邮件的识别方法或图片型垃圾邮件的识别装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的图片型垃圾邮件的识别方法一般由服务器505执行,相应地,所述图片型垃圾邮件的识别装置一般设置在服务器505中。本发明实施例所提供的图片型垃圾邮件的识别方法也可以由终端设备501、502、503执行,相应地,所述图片型垃圾邮件的识别装置可以设置在终端设备501、502、503中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)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部分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,还存储有系统600操作所需的各种程序和数据。CPU 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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,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,本发明公开的实施例包括一种计算机程序,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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括提取模块、识别模块、执行模块和策略模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,该设备实现如下方法:拦截邮件,对所述邮件的内容进行解析,判断所述邮件是否包含图片;若是,则提取出所述图片中的文本;判断所述文本是否与内容识别策略匹配,从而判断所述邮件是否为垃圾邮件;其中,所述内容识别策略基于正则模板包文件创建得到;根据判断结果对所述邮件执行对应的动作。
根据本发明实施例的技术方案,因为采用基于正则模板包文件创建内容识别策略,提取出邮件中包含的图片的文本,判断文本是否与内容识别策略匹配的技术手段,所以克服了现有技术中图片型垃圾邮件的识别准确性不足的技术问题。本发明实施例基于将关键字和正则表达式的反垃圾规则转换为相应的可更新的内容识别策略,并结合OCR技术、内容识别技术,准确地识别图片型垃圾邮件,极大地提高了对垃圾邮件的检测水平。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。