CN113204695A - 网站识别方法和装置 - Google Patents

Abstract

本公开公开了网站识别方法和装置，涉及计算机技术领域，具体涉及网站安全技术领域。具体实现方案为：首先从站群网络中确定待识别网站，然后基于站群网络中的引流关系网对网站数据进行采样，获取到待识别网站的采样数据，并将获取到的采样数据输入质量识别模型中，得到待识别网站的质量标签，最后基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果，能够依赖网站之间的导流关系网，识别出低质标签对应的网站，确定出与低质网站关联的其他网站，能够从数据生产源头控制黑灰产业，提高了黑灰产业识别的准确性、及时性和全面性。

Description

网站识别方法和装置

技术领域

本公开涉及计算机技术领域，具体涉及网站安全技术领域，尤其涉及网站识别方法和装置。

背景技术

随着互联网技术的不断发展，互联网领域存在海量的数据，并在持续不断的产生新数据。但这些数据中存在大量黑灰产数据，黑灰产数据生产成本较正常优质数据低很多，强大的生产力下抢占浪费了巨大的数据挖掘资源和配额，这些黑灰产数据严重影响了用户体验并损害用户权益，使得互联网生态恶化。识别并处理黑灰产数据问题成为了亟待解决的事情。

现在通常通过后验识别方式，黑灰生产后发现一个处理一个；或者，通过数据表象识别方式，识别数据本身是黑灰产的数据；再者，通过单页面处理方式，对黑灰产数据进行识别并处理。

发明内容

本公开提供了一种网站识别方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种网站识别方法，该方法包括：从站群网络中确定待识别网站，其中，站群网络包括多个网站和多个网站之间的引流关系网；基于引流关系网获取待识别网站的采样数据，并将采样数据输入质量识别模型中，得到待识别网站的质量标签，其中，质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签包括低质标签；基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果。

根据本公开的另一方面，提供了一种网站识别装置，该装置包括：确定模块，被配置成从站群网络中确定待识别网站，其中，站群网络包括多个网站和多个网站之间的引流关系网；基于引流关系网获取待识别网站的采样数据，并将采样数据输入质量识别模型中，得到待识别网站的质量标签，其中，质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签包括低质标签；关联模块，被配置成基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果。

根据本公开的另一方面，提供了一种电子设备，该电子设备包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述网站识别方法。

根据本公开的另一方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机指令，该计算机指令用于使计算机能够执行上述网站识别方法。

根据本公开的另一方面，本申请实施例提供了一种计算机程序产品，其包括计算机程序，计算机程序在被处理器执行时实现上述网站识别方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的网站识别方法的一个实施例的流程图；

图3是根据本公开的网站识别方法的一个应用场景的示意图；

图4是根据本公开的获取站群网络的一个实施例的流程图；

图5是根据本公开的确定待识别网站的一个实施例的流程图；

图6是根据本公开的获取采样数据的一个实施例的流程图；

图7是根据本公开的网站识别装置的一个实施例的示意图；

图8是用来实现本公开实施例的网站识别方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

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网站识别方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备104、105，网络106，服务器101、102、103。网络106用以在终端设备104、105与服务器101、102、103之间提供通信链路的介质。网络106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104、105可以通过网络106与服务器101、102、103交互，以接收或发送信息等。终端设备104、105上可以安装有各种应用，例如数据采集应用、数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

终端设备104可以是硬件，也可以是软件。当终端设备为硬件时，可以是具有图像采集设备、显示屏并且支持与服务器通信的各种电子设备，包括但不限于智能手机、平板电脑等等。当终端设备为软件时，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，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101、102、103可以是提供各种服务的服务器，例如对与其建立通信连接的终端设备发送的请求进行接收的后台服务器。后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。

服务器101、102、103可以获取到包括多个网站和多个网站之间的引流关系网的站群网络，该引流关系网表征多个网站之间的引流关系组成的网络结构，服务器101、102、103可以从站群网络中确定待识别网站。然后服务器101、102、103可以根据站群网络中的引流关系网对网站数据进行采样，获取到待识别网站的采样数据，并将获取到的采样数据输入质量识别模型中，得到待识别网站的质量标签，该质量标签用于表征待识别网站的质量属性，质量标签可以包括低质标签和优质标签，该质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系。服务器101、102、103可以根据站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果，该低质网站识别结果包括低质标签对应的网站，也包括与低质标签的网站具有引流关系的网站。

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，可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时，可以实现成为为终端设备提供各种服务的多个软件或软件模块，也可以实现成为为终端设备提供各种服务的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网站识别方法可以由服务器101、102、103执行。相应地，网站识别装置可以设置于服务器101、102、103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。

参考图2，图2示出了可以应用于本公开的网站识别方法的实施例的流程示意图200。该网站识别方法包括以下步骤：

步骤210，从站群网络中确定待识别网站。

在本实施例中，网站识别方法的执行主体(例如图1中的服务器101、102、103)可以获取到包括多个网站的站群网络，获取到的站群网络中还可以包括多个网站之间的引流关系网，该引流关系网表征多个网站之间的引流关系组成的网络结构，即网站与网站之间具有引流关系，该引流关系具有方向性，例如A网站为B网站进行引流，则A网站与B网站之间具有引流关系，且引流关系由A网站指向B网站，将网站与网站之间的引流关系依据方向性组成引流关系网。

上述执行主体可以在获取到的站群网络中任选一个网站作为待识别网站，还可以将已识别网站关联的网站作为待识别网站，即将未进行识别且与已识别网站具有引流关系的网站作为待识别网站，本公开对此不做具体限定。

步骤220，基于引流关系网获取待识别网站的采样数据，并将采样数据输入质量识别模型中，得到待识别网站的质量标签。

在本实施例中，上述执行主体获取到站群网络和其中的引流关系网后，可以根据其中的引流关系网，确定出待识别网站的网站数据以及与待识别网站具有引流关系的网站数据，并对这些网站数据进行数据采样和数据筛选，获取到待识别网站的采样数据。作为示例，上述执行主体可以将这些网站数据的一部分数据作为采样数据，例如可以将其中的一半数据作为采样数据等，对此不做具体限定；或者，上述执行主体对这些网站数据进行间隔采样，按照时间间隔或者距离间隔对网站数据进行采样，得到采样数据，对此不做具体限定；再者，上述执行主体可以预设采样条件，根据预设采样条件对网站数据进行筛选，将符合预设采样条件的网站数据作为采样数据，对预设采样条件不做具体限定。

上述执行主体在获取到待识别网站的采样数据后，将采样数据输入至质量识别模型中，质量识别模型对采样数据进行处理分析，输出待识别网站的质量标签，质量识别模型可以用于表征待识别网站的采样数据与质量标签的对应关系，能够输出与输入的采样数据对应的质量标签，该质量标签可以包括低质标签和优质标签，其中，低质标签用于表征网站属于低质网站，用于标识低质网站的网站属性，表征该网站的网站属性为具有违法行为的非正当网站，低质网站可以用于表征利用网络开展违法犯罪活动行为的违法网站，如电信诈骗、钓鱼网站、木马病毒、黑客勒索等利用网络开展违法犯罪活动行为的网站；优质标签用于表征网站属于优质网站，用于标识优质网站的网站属性，表征该网站的网站属性为符合网络安全的正当网站，优质网站可以用于表征利用网络开展符合网络安全的合法网站。

步骤230，基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果。

在本实施例中，上述执行主体基于待识别网站的采样数据和质量识别模型得到待识别网站的质量标签，以此，上述执行主体可以对站群网络中全部未识别的网站进行识别，以确定出站群网络中全部网站的质量标签。上述执行主体可以根据站群网络中每个网站的质量标签，其中可以包括优质标签和低质标签，将其中的全部低质标签进行筛选，得到站群网络中全部的低质标签，并将全部低质标签对应的低质网站进行关联，得到包括全部低质网站的低质网站识别结果。

继续参考图3，图3是根据本实施例的网站识别方法的一个应用场景的示意图。在图3的应用场景中，服务器301获取包括多个网站和多个网站之间的引流关系网的站群网络，并从站群网络中确定待识别网站。服务器301根据站群网络中的引流关系网对网站数据进行采样，获取到待识别网站的采样数据，并将获取到的采样数据输入质量识别模型中，得到待识别网站的质量标签，其中，该质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签可以包括低质标签和优质标签。最后服务器301根据站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果。

本公开的实施例提供的网站识别方法，通过从站群网络中确定待识别网站，然后基于站群网络中的引流关系网对网站数据进行采样，获取到待识别网站的采样数据，并将获取到的采样数据输入质量识别模型中，得到待识别网站的质量标签，该质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签可以包括低质标签和优质标签，最后基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果，能够依赖网站之间的导流关系网，识别出低质标签对应的网站，确定低质网站，并且能够对低质网站进行关联，确定出与低质网站关联的其他网站，能够从数据生产源头控制黑灰产业，提高了黑灰产业识别的准确性、及时性和全面性。

作为一个可选实现方式，进一步参考图4，其示出了站群网络的获取步骤，其可以包括：

步骤410，响应于获取到多个网站，确定网站之间的引流关系。

在本步骤中，上述执行主体通过本地读取和网络爬虫等获取到多个网站，且每个网站之间具有引流关系。上述执行主体分别对每个网站进行判断，分析网站中的链接跳转等确定与其具有引流关系的网站，从而得到每个网站对应的、具有方向性的引流关系。

作为示例，上述执行主体可以获取到三个网站，网站A、网站B、网站C，分别分析网站A中的链接跳转关系，网站B中的链接跳转关系，网站C中的链接跳转关系，确定出网站A能够跳转至网站B，则确定网站A为网站B引流，即网站A与网站B之间引流关系由网站A指向网站B；以及，确定出网站B能够跳转至网站C，则确定网站B为网站C引流，即网站B与网站C之间引流关系由网站B指向网站C；网站A与网站C之间不具有直接引流关系。

步骤420，基于网站之间的引流关系，建立多个网站之间的引流关系网，得到包括多个网站和引流关系网的站群网络。

在本步骤中，上述执行主体在确定出网站之间的引流关系后，可以根据网站之间的引流关系，建立由每个网站的引流关系组成的引流关系网。并且上述执行主体可以将多个网站和引流关系网组合在一起，从而得到包括多个网站和引流关系网的站群网络。

作为示例，上述执行主体确定出网站A与网站B之间引流关系由网站A指向网站B，网站B与网站C之间引流关系由网站B指向网站C，网站A与网站C之间不具有直接引流关系，则可以根据其三者之间的引流关系建立出三者之间的引流关系网，即该引流关系网为网站A指向网站B指向网站C，则站群网络可以是网站A→网站B→网站C，其中的箭头指向表征网站之间的引流关系，其中，网站A与网站C之间不具有直接引流关系，但是依据站群网络中的引流关系网可知，网站A与网站C之间具有间接引流关系。

在本实现方式中，通过引流关系建立站群网络，能够使得站群网络直接体现网站之间的引流关系，且关联性强，实现全面控制，提高了网站之间的关联性。

作为一个可选实现方式，进一步参考图5，其示出了确定待识别网站的步骤，上述待识别网站基于以下步骤确定：

步骤510，响应于得到站群网络，获取站群网络中部分网站的质量属性。

在本步骤中，上述执行主体确定出站群网络后，可以对其中的部分网站进行标签标注，则上述执行主体可以先确定出需要标注的部分网站，可以在站群网络中随机选取预设数量的网站，还可以针对站群网络随机选取预设位置处的部分网站等，本公开对此不做具体限定。

上述执行主体可以对选择的部分网站进行网站内容获取，例如提取网站中的网页内容，或者网站链接等，然后对提取的网站内容进行内容分析，确定该网站的网站内容对应的质量属性，该质量属性可以包括优质属性和低质属性。

作为示例，上述执行主体对某一网站进行网站内容提取，并对网站内容进行分析，确定该网站内容包含违法信息等，则确定该网站属于低质网站，则该网站的质量属性为低质属性。

步骤520，基于部分网站的质量属性确定部分网站的质量标签，并为部分网站进行标签标注，得到具有质量标签的已识别网站和未识别网站。

在本步骤中，上述执行主体确定出部分网站的质量属性后，可以根据质量属性确定出每个网站的质量标签，即低质属性对应低质标签，优质属性对应优质标签，然后为每个网站进行标签标注，得到具有质量标签的已识别网站。在标注完部分网站后，站群网络中剩余的其他网站为未识别网站，即未标注质量标签的网站。

步骤530，从站群网络包括的未识别网站中确定待识别网站。

在本步骤中，上述执行主体对网站进行标签标注后，得到具有质量标签的已识别网站和未识别网站，可以在未识别网站中随机选取出一个未识别网站作为待识别网站；还可以在与具有质量标签的已识别网站关联的未识别网站中选取出一个未识别网站作为待识别网站，即在与已识别网站具有直接引流关系的未识别网站中选取出一个未识别网站作为待识别网站。本公开对确定待识别网站的方式不做具体限定。

在本实现方式中，通过对站群网络中的部分网站进行标签标注，并从未识别网站中确定待识别网站，能够提高确定待识别网站的效率，以使得后续对待识别网站进行数据采样时能够更具针对性和准确性。

作为一个可选实现方式，图6示出了上述步骤220，基于引流关系网获取待识别网站的采样数据，可以包括以下步骤：

步骤610，基于引流关系网，确定与待识别网站关联的多个网站。

在本实现方式中，上述执行主体在获取到包括多个网站和引流关系网的站群网络后，可以根据引流关系网，查找与待识别网络具有直接引流关系和间接引流关系的多个网站，即确定出与待识别网站关联的多个网站。

其中，直接引流关系可以表征直接为待识别网站进行引流，或者待识别网站直接为其他网站进行引流；间接引流关系可以表征间接为待识别网站进行引流，或者待识别网站间接为其他网站进行引流。作为示例，站群网络为网站A→网站B→网站C，则可以确定网站A与网站B之间具有直接引流关系，网站B与网站C之间具有直接引流关系，网站A与网站C之间具有间接引流关系。

步骤620，对多个网站的网站数据进行数据采样，得到待识别网站的采样数据。

在本实现方式中，上述执行主体在确定出与待识别网站关联的多个网站后，对每个网站进行网站数据提取，确定出每个网站的网站数据。上述执行主体可以将网站数据的一部分数据作为采样数据，例如可以将其中的一半数据作为采样数据等，对此不做具体限定；或者，上述执行主体可以对网站数据进行间隔采样，例如可以按照时间间隔或者距离间隔对网站数据进行采样，得到采样数据，对此不做具体限定；再者，上述执行主体可以设置预设采样条件，根据预设采样条件对网站数据进行筛选，将符合预设采样条件的网站数据作为采样数据，对预设采样条件不做具体限定。

作为一个可选实现方式，上述步骤620，对多个网站的网站数据进行数据采样，得到待识别网站的采样数据，可以包括以下至少一项：

(1)基于引流关系网，在多个网站中确定头部节点网站和头部节点网站的头部数据，并对头部数据进行数据去重，得到待识别网站的采样数据。

具体地，上述执行主体可以获取到与待识别网站关联的多个网站后，根据站群网络中的引流关系网，判断多个网站中是否包括作为起始节点的头部节点网站，该头部节点网站可以表征为站群网络中引流关系网的起始节点。若确定多个网站中包括头部节点网站，则上述执行主体获取头部节点网站的网络数据作为头部数据，由于头部节点网站可以向多个网站同时进行引流，则该头部节点网站的头部数据存在数据重叠，上述执行主体可以对该头部节点网站的头部数据进行数据筛选和数据去重，将重叠的网络数据删除，从而将剩下的网络数据作为待识别网站的采样数据。

(2)基于引流关系网，在多个网站中确定长尾数据，并从多个网站的网站数据中删除长尾数据，得到待识别网站的采样数据。

具体地，上述执行主体可以获取到与待识别网站关联的多个网站后，根据站群网络中的引流关系网，对每个网站的引流关系进行判断，判断是否存在引流关系稀疏的网站，引流关系稀疏是指网站与其他网站之间的引流关系数量较少，低于预设数量，对此不做具体限定。若存在引流关系稀疏的网站，则将该网站的网站数据作为长尾数据，上述执行主体将确定的长尾数据从多个网站的网站数据中删除，实现了将低价值、系数关系丢弃，得到待识别网站的采样数据。

(3)基于引流关系网，在多个网站的网站数据中执行随机游走，得到待识别网站的采样数据。

具体地，上述执行主体可以获取到与待识别网站关联的多个网站后，根据站群网络中的引流关系网，对多个网站的网站数据执行随机游走，随机截取一段引流关系，获取部分网站数据，其中，随机游走可以表征任何无规则行走者所带的守恒量都各自对应着一个扩散运输定律，接近于布朗运动，是布朗运动理想的数学状态，现阶段主要应用于互联网链接分析及金融股票市场中。

作为示例，上述执行主体可以获取到与待识别网站关联的多个网站及引流关系，如网站A→网站B→网站C，对多个网站执行随机游走获取到的采样数据可以是网站A→网站B，或者网站B→网站C。

在本实现方式中，由于站群网络建设后的规模庞大，其中存在大量冗余或低价值关系，通过数据采样对冗余或低价值关系进行处理，提高了采样数据的针对性和准确性，提高了采样数据的利用价值。

作为一个可选实现方式，上述质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，其输出结果可以包括低质标签、优质标签。该质量识别模型基于以下步骤获取：

第一步，获取训练样本集，其中，训练样本集中的训练样本包括样本网站的样本采样数据和样本网站的质量标签。实践中，可以人工对样本网站进行标注，得到样本网站的质量标签。

第二步，利用机器学习算法，将样本网站的样本采样数据作为输入数据，将与输入的样本采样数据对应的、样本网站的质量标签作为期望输出数据，训练得到质量识别模型。

需要说明的是，训练步骤的执行主体与网站识别方法的执行主体可以相同，也可以不同。若相同，执行主体可以在训练得到质量识别模型后，将训练后的质量识别模型的网络结构和参数值存储于本地。若不同，训练步骤的执行主体在训练得到质量识别模型后，可以将质量识别模型的网络结构和参数值发送至网站识别方法的执行主体。

在本实现方式中，上述质量识别模型能够保留站群网络中网站之间的引流关系，提高了质量识别模型的准确性和针对性，提高了质量识别的准确性和效率。

作为一个可选实现方式，上述步骤230，基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果，可以包括以下步骤：基于站群网络中每个网站的质量标签和引流关系网，筛选并关联低质标签对应的网站和与低质标签对应网站具有引流关系的网站，得到低质网站识别结果。

具体地，上述执行主体基于待识别网站的采样数据和质量识别模型得到待识别网站的质量标签，以此，上述执行主体可以对站群网络中全部未识别的网站进行识别，以确定出站群网络中全部网站的质量标签。上述执行主体可以根据站群网络中每个网站的质量标签，其中可以包括优质标签和低质标签，将其中的全部低质标签进行筛选，得到站群网络中全部的低质标签，并根据引流关系网，查找与低质标签对应的低质网站具有引流关系的网站。上述执行主体可以将全部低质标签对应的低质网站和与低质网站具有引流关系的网站进行关联，得到包括全部低质网站和与低质网站具有引流关系的网站的低质网站识别结果。

在本实现方式中，通过引流关系网确定出与低质网站关联的其他网站，从而能够从数据生产源头控制黑灰产业，识别黑灰产业的生产链条，能够准确且彻底地识别出黑灰产业，提高了黑灰产业识别的全面性。

作为一个可选实现方式，上述网站识别方法还包括以下步骤：响应于得到低质网站识别结果，对低质网站识别结果中包括的网站进行网络打压。

在本步骤中，上述执行主体得到低质网站识别结果后，可以对低质网站识别结果中包括的各个网站进行网络打压，即可以对低质网站识别结果中包括的各个网站进行数据删除，配额打压，rank调序等打压操作。

在本实现方式中，能够对低质网站进行网络打压，实现了网络安全和对黑灰产业的打压。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种网站识别装置的一个实施例，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7所示，本实施例的网站识别装置700包括：确定模块710和关联模块720。

其中，确定模块710，被配置成从站群网络中确定待识别网站，其中，站群网络包括多个网站和多个网站之间的引流关系网；基于引流关系网获取待识别网站的采样数据，并将采样数据输入质量识别模型中，得到待识别网站的质量标签，其中，质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签包括低质标签；

关联模块720，被配置成基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果。

在本实施例的一些可选的方式中，站群网络基于以下步骤获取：响应于获取到多个网站，确定网站之间的引流关系；基于网站之间的引流关系，建立多个网站之间的引流关系网，得到包括多个网站和引流关系网的站群网络。

在本实施例的一些可选的方式中，待识别网站基于以下步骤确定：响应于得到站群网络，获取站群网络中部分网站的质量属性；基于部分网站的质量属性确定部分网站的质量标签，并为部分网站进行标签标注，得到具有质量标签的已识别网站和未识别网站；从站群网络包括的未识别网站中确定待识别网站。

在本实施例的一些可选的方式中，确定模块，进一步被配置成：基于引流关系网，确定与待识别网站关联的多个网站；对多个网站的网站数据进行数据采样，得到待识别网站的采样数据。

在本实施例的一些可选的方式中，确定模块，进一步被配置成执行以下至少一项：基于引流关系网，在多个网站中确定头部节点网站和头部节点网站的头部数据，并对头部数据进行数据去重，得到待识别网站的采样数据；基于引流关系网，在多个网站中确定长尾数据，并从多个网站的网站数据中删除长尾数据，得到待识别网站的采样数据；基于引流关系网，在多个网站的网站数据中执行随机游走，得到待识别网站的采样数据。

在本实施例的一些可选的方式中，质量识别模型基于以下步骤获取：获取训练样本集，其中，训练样本集中的训练样本包括样本网站的样本采样数据和样本网站的质量标签；利用机器学习算法，将样本网站的样本采样数据作为输入数据，将与输入的样本采样数据对应的、样本网站的质量标签作为期望输出数据，训练得到质量识别模型。

在本实施例的一些可选的方式中，关联模块，进一步被配置成：基于站群网络中每个网站的质量标签和引流关系网，筛选并关联低质标签对应的网站和与低质标签对应网站具有引流关系的网站，得到低质网站识别结果。

在本实施例的一些可选的方式中，该装置还包括：打压模块，被配置成响应于得到低质网站识别结果，对低质网站识别结果中包括的网站进行网络打压。

本公开的实施例提供的网站识别装置，通过从站群网络中确定待识别网站，然后基于站群网络中的引流关系网对网站数据进行采样，获取到待识别网站的采样数据，并将获取到的采样数据输入质量识别模型中，得到待识别网站的质量标签，该质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，质量标签可以包括低质标签和优质标签，最后基于站群网络中每个网站的质量标签，筛选并关联低质标签对应的网站，得到低质网站识别结果，能够依赖网站之间的导流关系网，识别出低质标签对应的网站，确定低质网站，并且能够对低质网站进行关联，确定出与低质网站关联的其他网站，能够从数据生产源头控制黑灰产业，提高了黑灰产业识别的准确性、及时性和全面性。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如网站识别方法。例如，在一些实施例中，网站识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的网站识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网站识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种网站识别方法，包括：

从站群网络中确定待识别网站，其中，所述站群网络包括多个网站和多个网站之间的引流关系网；

基于所述引流关系网获取所述待识别网站的采样数据，并将所述采样数据输入质量识别模型中，得到所述待识别网站的质量标签，其中，所述质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，所述质量标签包括低质标签；

基于所述站群网络中每个网站的质量标签，筛选并关联所述低质标签对应的网站，得到低质网站识别结果。

2.根据权利要求1所述的方法，其中，所述站群网络基于以下步骤获取：

响应于获取到多个网站，确定网站之间的引流关系；

基于所述网站之间的引流关系，建立多个网站之间的引流关系网，得到包括多个网站和所述引流关系网的站群网络。

3.根据权利要求2所述的方法，其中，所述待识别网站基于以下步骤确定：

响应于得到所述站群网络，获取所述站群网络中部分网站的质量属性；

基于所述部分网站的质量属性确定所述部分网站的质量标签，并为所述部分网站进行标签标注，得到具有质量标签的已识别网站和未识别网站；

从站群网络包括的未识别网站中确定所述待识别网站。

4.根据权利要求1所述的方法，其中，所述基于所述引流关系网获取所述待识别网站的采样数据，包括：

基于所述引流关系网，确定与所述待识别网站关联的多个网站；

对所述多个网站的网站数据进行数据采样，得到所述待识别网站的采样数据。

5.根据权利要求4所述的方法，其中，对所述多个网站的网站数据进行数据采样，得到所述待识别网站的采样数据，包括以下至少一项：

基于所述引流关系网，在所述多个网站中确定头部节点网站和头部节点网站的头部数据，并对所述头部数据进行数据去重，得到所述待识别网站的采样数据；

基于所述引流关系网，在所述多个网站中确定长尾数据，并从多个网站的网站数据中删除所述长尾数据，得到所述待识别网站的采样数据；

基于所述引流关系网，在所述多个网站的网站数据中执行随机游走，得到所述待识别网站的采样数据。

6.根据权利要求1所述的方法，其中，所述质量识别模型基于以下步骤获取：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本网站的样本采样数据和所述样本网站的质量标签；

利用机器学习算法，将所述样本网站的样本采样数据作为输入数据，将与输入的样本采样数据对应的、所述样本网站的质量标签作为期望输出数据，训练得到所述质量识别模型。

7.根据权利要求1所述的方法，其中，所述基于所述站群网络中每个网站的质量标签，筛选并关联所述低质标签对应的网站，得到低质网站识别结果，包括：

基于所述站群网络中每个网站的质量标签和所述引流关系网，筛选并关联所述低质标签对应的网站和与所述低质标签对应网站具有引流关系的网站，得到低质网站识别结果。

8.根据权利要求1-7任意一项所述的方法，其中，所述方法还包括：

响应于得到低质网站识别结果，对所述低质网站识别结果中包括的网站进行网络打压。

9.一种网站识别装置，包括：

确定模块，被配置成从站群网络中确定待识别网站，其中，所述站群网络包括多个网站和多个网站之间的引流关系网；基于所述引流关系网获取所述待识别网站的采样数据，并将所述采样数据输入质量识别模型中，得到所述待识别网站的质量标签，其中，所述质量识别模型用于表征待识别网站的采样数据与质量标签的对应关系，所述质量标签包括低质标签；

关联模块，被配置成基于所述站群网络中每个网站的质量标签，筛选并关联所述低质标签对应的网站，得到低质网站识别结果。

10.根据权利要求9所述的装置，其中，所述站群网络基于以下步骤获取：

响应于获取到多个网站，确定网站之间的引流关系；

基于所述网站之间的引流关系，建立多个网站之间的引流关系网，得到包括多个网站和所述引流关系网的站群网络。

11.根据权利要求10所述的装置，其中，所述待识别网站基于以下步骤确定：

响应于得到所述站群网络，获取所述站群网络中部分网站的质量属性；

基于所述部分网站的质量属性确定所述部分网站的质量标签，并为所述部分网站进行标签标注，得到具有质量标签的已识别网站和未识别网站；

从站群网络包括的未识别网站中确定所述待识别网站。

12.根据权利要求9所述的装置，其中，所述确定模块，进一步被配置成：

基于所述引流关系网，确定与所述待识别网站关联的多个网站；

对所述多个网站的网站数据进行数据采样，得到所述待识别网站的采样数据。

13.根据权利要求12所述的装置，其中，所述确定模块，进一步被配置成执行以下至少一项：

基于所述引流关系网，在所述多个网站中确定头部节点网站和头部节点网站的头部数据，并对所述头部数据进行数据去重，得到所述待识别网站的采样数据；

基于所述引流关系网，在所述多个网站中确定长尾数据，并从多个网站的网站数据中删除所述长尾数据，得到所述待识别网站的采样数据；

基于所述引流关系网，在所述多个网站的网站数据中执行随机游走，得到所述待识别网站的采样数据。

14.根据权利要求9所述的装置，其中，所述质量识别模型基于以下步骤获取：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本网站的样本采样数据和所述样本网站的质量标签；

利用机器学习算法，将所述样本网站的样本采样数据作为输入数据，将与输入的样本采样数据对应的、所述样本网站的质量标签作为期望输出数据，训练得到所述质量识别模型。

15.根据权利要求9所述的装置，其中，所述关联模块，进一步被配置成：

基于所述站群网络中每个网站的质量标签和所述引流关系网，筛选并关联所述低质标签对应的网站和与所述低质标签对应网站具有引流关系的网站，得到低质网站识别结果。

16.根据权利要求9-15任意一项所述的装置，其中，所述装置还包括：

打压模块，被配置成响应于得到低质网站识别结果，对所述低质网站识别结果中包括的网站进行网络打压。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images