CN113259199A - 一种域名信用监控方法及装置 - Google Patents
一种域名信用监控方法及装置 Download PDFInfo
- Publication number
- CN113259199A CN113259199A CN202110539435.3A CN202110539435A CN113259199A CN 113259199 A CN113259199 A CN 113259199A CN 202110539435 A CN202110539435 A CN 202110539435A CN 113259199 A CN113259199 A CN 113259199A
- Authority
- CN
- China
- Prior art keywords
- domain name
- processed
- credit rating
- obtaining
- domain
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/45—Network directories; Name-to-address mapping
- H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
- H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种域名信用监控方法及装置,获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系;获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息;基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率;基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,加深域名信用评价基于的维度,提高域名信用评级的准确度,错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率间的差距,使得结果向正确域名信用评级靠近,提高准确度。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种域名信用监控方法及装置。
背景技术
域名作为互联网基础资源的核心部分之一,域名服务不仅用于解决地址对应问题,也是各种应用网站建设的基础,对于任一域名其安全性越高访问量也越高越安全,其中域名的安全性可通过域名信用评级体现,域名信用评级能加深网民对企业网站的诚信认知,有效防范网络不良应用,相对应的域名信用评级越高其安全性越高,域名信用评级越低其安全性也越低。目前域名信用评级可基于图像质量及Web内容质量等维度获得,但是域名信用评级所基于的维度有限,降低域名信用评级的准确度。
发明内容
本申请提供一种域名信用监控方法及装置。
一方面,本申请提供一种域名信用监控方法,所述方法包括:
获得待处理域名的域名关系图谱,基于所述域名关系图谱得到所述待处理域名的邻接矩阵,所述邻接矩阵至少用于表征所述待处理域名与所述域名关系图谱中其他域名之间的连接关系;
获得所述待处理域名的特征矩阵,所述特征矩阵用于表征所述待处理域名自身的属性信息;
基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率,所述错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距;
基于所述待处理域名在各个域名信用评级的概率,确定所述待处理域名的域名信用评级,所述待处理域名的域名信用评级至少用于表征所述待处理域名的安全性。
可选的,所述基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率包括:
基于所述待处理域名的邻接矩阵,从所述域名关系图谱选择目标节点,所述目标节点为所述域名关系图谱的各层级中与所述待处理域名具有连接关系的节点;
获得所述目标节点的特征矩阵,基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和所述目标节点的特征矩阵,获得所述待处理域名的嵌入表示和所述目标节点的嵌入表示;
对所述待处理域名的嵌入表示和所述目标节点的嵌入表示进行聚合,得到所述待处理域名的特征数据;
基于所述待处理域名的特征数据和错误率参数,获得所述待处理域名在各个域名信用评级的概率。
可选的,所述获得所述待处理域名的特征矩阵包括:
获得所述待处理域名的域名注册信息、域名解析信息和站点内容信息;
对所述域名注册信息、域名解析信息和站点内容信息进行级别标记,得到所述域名注册信息、域名解析信息和站点内容信息各自的等级;
编码所述域名注册信息、域名解析信息和站点内容信息各自的等级,以得到所述待处理域名的特征矩阵。
可选的,所述域名注册信息包括:域名名称特征、域名注册时间、域名过期时间和域名状态;所述域名解析信息包括:域名稳定度、域名活跃度和域名是否关联不良域名;所述站点内容信息包括域名是否涉及不良内容、站点世界排名、网页等级;
所述对所述域名注册信息、域名解析信息和站点内容信息进行级别标记,得到所述域名注册信息、域名解析信息和站点内容信息各自的等级包括:
获得所述域名注册信息、域名解析信息和站点内容信息中的各个指标的分值;根据所述各个指标的分值,得到所述各个指标的等级。
可选的,所述基于所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵,获得所述待处理域名在各个域名信用评级的概率包括:
调用域名信用评级预测模型对所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵进行处理,得到所述域名信用评级预测模型输出的所述待处理域名在各个域名信用评级的概率,所述域名信用评级预测模型是基于历史域名关系图谱中各历史域名的邻接矩阵、各历史域名的特征矩阵和各历史域名的域名信用评级进行训练得到,且在训练所述域名信用评级预测模型过程中引入错误率参数。
可选的,所述域名信用评级预测模型的训练过程包括:
从所述各历史域名中选择至少一个目标域名和与所述目标域名具有连接关系的历史目标节点;
基于所述历史域名关系图谱,获得所述目标域名的邻接矩阵;获得所述目标域名和所述历史目标节点各自的属性信息,基于所述目标域名和所述历史目标节点各自的属性信息,得到所述目标域名和所述历史目标节点各自的特征矩阵;
基于所述目标域名的邻接矩阵、所述目标域名的特征矩阵和所述历史目标节点的特征矩阵,获得所述目标域名的嵌入表示和所述历史目标节点的嵌入表示,对所述目标域名的嵌入表示和所述历史目标节点的嵌入表示进行聚合,得到所述目标域名的特征数据;
基于所述目标域名的特征数据,获得所述目标域名在各个域名信用评级的概率和所述错误率参数,基于所述目标域名在各个域名信用评级的概率得到所述域名信用评级预测模型的损失值;
利用所述域名信用评级预测模型的损失值,对所述域名信用评级预测模型的模型参数进行调整直至得到的所有损失值中出现最小值,以所述最小值对应的域名信用评级预测模型对所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵进行处理。
另一方面,本申请提供一种域名信用监控装置,所述装置包括:
第一获得单元,用于获得待处理域名的域名关系图谱,基于所述域名关系图谱得到所述待处理域名的邻接矩阵,所述邻接矩阵至少用于表征所述待处理域名与所述域名关系图谱中其他域名之间的连接关系;
第二获得单元,用于获得所述待处理域名的特征矩阵,所述特征矩阵用于表征所述待处理域名自身的属性信息;
第三获得单元,用于基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率,所述错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距;
确定单元,用于基于所述待处理域名在各个域名信用评级的概率,确定所述待处理域名的域名信用评级,所述待处理域名的域名信用评级至少用于表征所述待处理域名的安全性。
可选的,所述第三获得单元包括:
选择子单元,用于基于所述待处理域名的邻接矩阵,从所述域名关系图谱选择目标节点,所述目标节点为所述域名关系图谱的各层级中与所述待处理域名具有连接关系的节点;
第一获得子单元,用于获得所述目标节点的特征矩阵,基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和所述目标节点的特征矩阵,获得所述待处理域名的嵌入表示和所述目标节点的嵌入表示;
聚合子单元,用于对所述待处理域名的嵌入表示和所述目标节点的嵌入表示进行聚合,得到所述待处理域名的特征数据;
第二获得子单元,用于基于所述待处理域名的特征数据和错误率参数,获得所述待处理域名在各个域名信用评级的概率。
再一方面,本申请提供一种设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述域名信用监控方法。
再一方面,本申请提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由处理器执行时,使得处理器能够执行上述域名信用监控方法。
上述域名信用监控方法及装置,获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系;获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息;基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率;基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,待处理域名的域名信用评级至少用于表征待处理域名的安全性,实现从待处理域名自身的属性信息和与其他域名之间的连接关系对待处理域名的域名信用评级的确定,从多个维度来清晰地刻画域名之间的关联关系,在待处理域名自身的属性信息基础上结合与待处理域名相关的其他域名的域名信用评级对待处理域名的影响,加深域名信用评价基于的维度,使基于的维度全面和准确,提高域名信用评级的准确度,其中错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距,使得待处理域名的概率结果向正确域名信用评级靠近,降低过拟合风险,进一步提高域名信用评级的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种域名信用监控方法的流程图;
图2是本申请实施例提供的一种获得域名信用评级预测模型的流程图;
图3是本申请实施例提供的一种获得概率的流程图;
图4是本申请实施例提供的一种域名信用监控装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参见图1,其示出了本申请实施例提供的一种域名信用监控方法的流程图,可以包括以下步骤:
101:获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系。
其中,待处理域名的域名关系图谱以待处理域名和其他域名分别作为节点,且通过待处理域名和其他域名之间的连接关系连接各节点。待处理域名的域名关系图谱表明待处理域名是域名关系图谱中的一个节点,对于待处理域名,获得待处理域名的域名关系图谱的方式包括但不限于如下方式,:
一种获得方式:将待处理域名作为一个已知的域名关系图谱的节点,基于待处理域名自身的属性信息和已知的域名关系图谱中各域名自身的属性信息,确定与待处理域名存在关联的域名,将与待处理域名存在关联的域名和待处理域名之间建立连接关系,以得到待处理域名的域名关系图谱。
另一种获得方式:基于待处理域名自身的属性信息,获得与待处理域名存在关联的域名,以待处理域名和与待处理域名存在关联的域名作为节点,以域名之间的关联连接各节点,得到待处理域名的域名关系图谱。
在获得待处理域名的域名关系图谱过程中,可基于至少两个待处理域名自身的属性信息得到域名关系图谱,使得一个域名关系图谱中包含至少两个待处理域名,同时得到至少两个待处理域名的域名关系图谱,提高处理效率。
在获得待处理域名的域名关系图谱后,基于域名关系图谱中待处理域名和与其存在关联的其他域名之间的连接关系,得到待处理域名的邻接矩阵,使得待处理域名的邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系,或者基于域名关系图谱中各节点(域名)之间的连接关系,得到待处理域名的邻接矩阵,使得待处理域名的邻接矩阵表征域名关系图谱中各节点之间的连接关系。
102:获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息。待处理域名的特征矩阵为了能够表征待处理域名自身的属性信息,待处理域名的特征矩阵可基于待处理域名自身的属性信息得到,待处理域名自身的属性信息是待处理域名自身具备的一些属性,与其他域名无关。
在本实施例中,待处理域名自身的属性信息包括至少一个维度,每个维度包含至少一个指标,如待处理域名自身的属性信息包括:域名注册信息、域名解析信息和站点内容信息。域名注册信息包括:域名名称特征、域名注册时间、域名过期时间和域名状态;域名解析信息包括:域名稳定度、域名活跃度和域名是否关联不良域名;站点内容信息包括域名是否涉及不良内容、站点世界排名(Alexa排名)、网页等级(PageRank值)。相对应的获得待处理域名的特征矩阵的一种可行方式是:确定待处理域名的各维度的等级,编码待处理域名的各维度的等级,以得到待处理域名的特征矩阵。
例如获得待处理域名的域名注册信息、域名解析信息和站点内容信息;对域名注册信息、域名解析信息和站点内容信息进行级别标记,得到域名注册信息、域名解析信息和站点内容信息各自的等级;编码域名注册信息、域名解析信息和站点内容信息各自的等级,以得到待处理域名的特征矩阵。
其中,域名注册信息、域名解析信息和站点内容信息各自的等级可基于域名注册信息、域名解析信息和站点内容信息中各个指标的分值得到;例如一种形式是:获得域名注册信息、域名解析信息和站点内容信息中的各个指标的分值;根据各个指标的分值,得到各个指标的等级,以通过各个指标的等级表征域名注册信息、域名解析信息和站点内容信息各自的等级。如域名注册信息、域名解析信息和站点内容信息中任一维度的等级包括该维度中各个指标的等级,或者将该维度中各个指标的等级进行融合得到该维度的等级。
在本实施例中,待处理域名的域名注册信息、域名解析信息和站点内容信息中各个指标的分值和等级如表1所示。
表1不同维度中各个指标的分值和等级
其中,Y表示关联到不良域名或涉及不良内容,对应分值为0;N表示没有关联到不良域名或没有涉及不良内容,对应分值为100;其他指标对应的分值越大,等级越高;如对于Alexa排名、PageRank值、域名活跃度和域名稳定度来说,Alexa排名越高、PageRank值越大、域名活跃度和域名稳定度表征域名越活跃和稳定,则对应分值越大;域名名称特征含有的信息越全对应的分值越大;域名注册时间越早对应的分值越大,域名过期时间和当前时间越远,说明域名过期还有较长时间,对应的分值越大;域名状态可包括至少一种状态,如正常状态、非激活状态、禁止删除等等状态,域名状态可在查看域名whois时从“域名状态”栏中得到,域名状态包括的状态越多对应的分值越大。
上述是以表1所示为例并对表1所示各个指标的分值确定方式进行说明,但是本实施例不限定表1所示形式和上述表1中各个指标的分值确定方式,本实施例不对各种形式的分值确定方式和各种类型维度的指标进行一一说明。
在本实施例中,待处理域名的特征矩阵基于待处理域名自身的属性信息得到,可以作为域名关系图谱中待处理域名的局部特征;待处理域名的邻接矩阵基于待处理域名与其他域名的连接关系得到,可以作为域名关系图谱中待处理域名的全局特征,将局部特征与全局特征紧密结合,从多个维度来清晰地刻画域名之间的关联关系,待处理域名自身的属性信息基础上结合与待处理域名相关的其他域名的域名信用评级对待处理域名的影响,加深域名信用评价基于的维度,使基于的维度全面和准确,提高域名信用评级的准确度。
103:基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率,错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距,使得待处理域名的概率结果向正确域名信用评级靠近。
其中,获得待处理域名在各个域名信用评级的概率的一种可行方式是:调用域名信用评级预测模型对待处理域名的邻接矩阵和待处理域名的特征矩阵进行处理,得到域名信用评级预测模型输出的待处理域名在各个域名信用评级的概率,域名信用评级预测模型是基于历史域名关系图谱中各历史域名的邻接矩阵、各历史域名的特征矩阵和各历史域名的域名信用评级进行训练得到,且在训练域名信用评级预测模型过程中引入错误率参数。
即在训练域名信用评级预测模型过程中引入错误率参数,以对训练过程中对历史域名的域名信用评级中加入一个反应错误率的错误率参数,这样即便历史域名的域名信用评级存在错误可境地其对域名信用评级预测模型的影响,降低过拟合风险。
在得到域名信用评级预测模型中,将待处理域名的邻接矩阵和待处理域名的特征矩阵输入到域名信用评级预测模型中,得到域名信用评级预测模型输出的待处理域名在各个域名信用评级的概率。
其中,获得待处理域名在各个域名信用评级的概率的另一种可行方式是:预先获得一个含有错误率参数的处理算法,处理算法用于实现待处理域名的邻接矩阵和待处理域名的特征矩阵到各个域名信用评级的概率的转换,以通过处理算法对待处理域名的邻接矩阵和待处理域名的特征矩阵进行计算,得到待处理域名在各个域名信用评级的概率,本实施例对处理算法的获得过程不再详述。
104:基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,待处理域名的域名信用评级至少用于表征待处理域名的安全性。
在本实施例中,待处理域名在一个域名信用评级的概率用于表征待处理域名是否属于该域名信用评级,如待处理域名在一个域名信用评级的概率可通过[A,B]中的取值表示,A的取值可以是但不限于是0,B的取值可以是但不限于是10,取值越大待处理域名属于其对应的域名信用评级的可能性越大,因此从待处理域名在各个域名信用评级的概率中,选取取值最大的概率对应的域名信用评级作为待处理域名的域名信用评级。域名信用评级越高说明待处理域名的安全性也越高,从而可通过域名信用评级表征待处理域名的安全性,对于域名信用评级采用多少等级进行划分,本实施例不进行限定。
上述域名信用监控方法,获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系;获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息;基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率;基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,待处理域名的域名信用评级至少用于表征待处理域名的安全性,实现从待处理域名自身的属性信息和与其他域名之间的连接关系对待处理域名的域名信用评级的确定,从多个维度来清晰地刻画域名之间的关联关系,在待处理域名自身的属性信息基础上结合与待处理域名相关的其他域名的域名信用评级对待处理域名的影响,加深域名信用评价基于的维度,使基于的维度全面和准确,提高域名信用评级的准确度,其中错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距,使得待处理域名的概率结果向正确域名信用评级靠近,降低过拟合风险,进一步提高域名信用评级的准确度。
在本实施例中,上述域名信用评级预测模型的训练过程如图2所示,可以包括以下步骤:
201:从各历史域名中选择至少一个目标域名和与目标域名具有连接关系的历史目标节点。其中,目标域名可以是历史域名关系图谱中随机的一个历史域名,和/或基于各历史域名的连接关系选择目标域名,如选取连接关系最多的历史域名为目标域名,和/或基于各历史域名自身的属性信息选择目标域名,如按照上述方式获得各历史域名不同维度的等级,根据等级选择目标域名。
在本实施例中,历史域名关系图谱中各历史域名标记有自身的属性信息,以基于历史域名关系图谱中各历史域名的属性信息得到特征矩阵。此外本实施例可将各历史域名分别作为目标域名,获得历史域名关系图谱的邻接矩阵和各历史域名的特征矩阵,从历史域名关系图谱整体出发训练域名信用评级预测模型。
202:基于历史域名关系图谱,获得目标域名的邻接矩阵;获得目标域名和历史目标节点各自的属性信息,基于目标域名和历史目标节点各自的属性信息,得到目标域名和历史目标节点各自的特征矩阵,其中目标域名和历史目标节点各自的特征矩阵的得到方式请参见上述实施例,此处不再赘述。
203:基于目标域名的邻接矩阵、目标域名的特征矩阵和历史目标节点的特征矩阵,获得目标域名的嵌入表示和历史目标节点的嵌入表示,对目标域名的嵌入表示和历史目标节点的嵌入表示进行聚合,得到目标域名的特征数据。
目标域名的嵌入表示为目标域名的特征表示,历史目标节点的嵌入表示为历史目标节点的特征表示,对于目标域名和历史目标节点的嵌入表示的获得过程本实施例不再阐述。通过将目标域名的嵌入表示和历史目标节点的嵌入表示进行聚合能够将与目标域名关联的历史目标节点的特征更新到目标域名的嵌入表示中,以完善目标域名的特征数据。
其中对目标域名的嵌入表示和历史目标节点的嵌入表示进行聚合的一种方式是:归纳式聚合方式,对目标域名的嵌入表示和历史目标节点的嵌入表示进行平均处理后再进行非线性转换,如公式1所示:
204:基于目标域名的特征数据,获得目标域名在各个域名信用评级的概率,基于目标域名在各个域名信用评级的概率和错误率参数得到域名信用评级预测模型的损失值。
在得到损失值过程中引入错误率参数,以对损失函数中的交叉熵进行补充,这样在训练时即使历史域名的域名信用评级存在错误,也可以较好地避免其对模型训练结果的影响,同时降低过拟合风险。其中损失值计算公式如下:
y′i=ε(1-yi)+(1-ε)yi;
Li=-∑itilog(y′i)+(1-ti)log(1-y′i)。
其中,ε为错误率参数,yi为历史域名的域名信用评级,y′i为引入错误率参数后修正的域名信用评级(作为损失函数Li中的交叉熵),ti表示对应历史域名的域名信用评级所属等级为第i等级。
205:利用域名信用评级预测模型的损失值,对域名信用评级预测模型的模型参数进行调整直至得到的所有损失值中出现最小值,以最小值对应的域名信用评级预测模型对待处理域名的邻接矩阵和待处理域名的特征矩阵进行处理。
域名信用评级预测模型能够预测待处理域名的域名信用评级所属等级,将域名信用评级问题转换成分类问题,并且在训练过程中以邻接矩阵和特征矩阵为输入,使得域名信用评级预测模型能够从多方面多维度对待处理域名的域名信用评级进行预测。其中在训练过程中还引入了错误率参数,以对损失函数中的交叉熵进行补充,这样在训练时即使历史域名的域名信用评级存在错误,也可以较好地避免其对模型训练结果的影响,同时降低过拟合风险,提高域名信用评级预测模型的准确度。
在本实施例中,图3示出了本申请实施例提供的获得待处理域名在各个域名信用评级的概率的再一种可行方式,可以包括以下步骤:
301:基于待处理域名的邻接矩阵,从域名关系图谱选择目标节点,目标节点为域名关系图谱的各层级中与待处理域名具有连接关系的节点。
302:获得目标节点的特征矩阵,基于待处理域名的邻接矩阵、待处理域名的特征矩阵和目标节点的特征矩阵,获得待处理域名的嵌入表示和目标节点的嵌入表示。如获得目标节点自身的属性信息,基于目标节点自身的属性信息,得到目标节点的特征矩阵,其过程请参见上述实施例,待处理域名的嵌入表示为待处理域名的特征表示,目标节点的嵌入表示为目标节点的特征表示,对于待处理域名和目标节点的嵌入表示的获得过程本实施例不再阐述。
303:对待处理域名的嵌入表示和目标节点的嵌入表示进行聚合,得到待处理域名的特征数据。通过将待处理域名的嵌入表示和目标节点的嵌入表示进行聚合能够将与待处理域名关联的目标节点的特征更新到待处理域名的嵌入表示中,以完善待处理域名的特征数据。
其中对待处理域名的嵌入表示和目标节点的嵌入表示进行聚合的一种方式是:归纳式聚合方式,对待处理域名的嵌入表示和目标节点的嵌入表示进行平均处理后再进行非线性转换,具体请参见上述实施例。
304:基于待处理域名的特征数据和错误率参数,获得待处理域名在各个域名信用评级的概率。如预先获得一个含有错误率参数的处理算法,处理算法用于实现待处理域名的特征数据到各个域名信用评级的概率的转换,以通过处理算法对待处理域名的特征数据进行计算,得到待处理域名在各个域名信用评级的概率,本实施例对处理算法的获得过程不再详述,其他可行方式可参见上述实施例,此处不再赘述。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
请参见图4,其示出了本申请实施例提供的一种域名信用监控装置的可选结构,可以包括:第一获得单元10、第二获得单元20、第三获得单元30和确定单元40。
第一获得单元10,用于获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系。其中,待处理域名的域名关系图谱以待处理域名和其他域名分别作为节点,且通过待处理域名和其他域名之间的连接关系连接各节点。待处理域名的域名关系图谱表明待处理域名是域名关系图谱中的一个节点,对于待处理域名,获得待处理域名的域名关系图谱的方式请参见方法实施例中的说明。同样的邻接矩阵的获得过程也请参见上述方法实施例。
第二获得单元20,用于获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息。待处理域名的特征矩阵为了能够表征待处理域名自身的属性信息,待处理域名的特征矩阵可基于待处理域名自身的属性信息得到,待处理域名自身的属性信息是待处理域名自身具备的一些属性,与其他域名无关。其中第二获得单元20获得特征矩阵的方式如下:
获得待处理域名的域名注册信息、域名解析信息和站点内容信息;对域名注册信息、域名解析信息和站点内容信息进行级别标记,得到域名注册信息、域名解析信息和站点内容信息各自的等级;编码域名注册信息、域名解析信息和站点内容信息各自的等级,以得到待处理域名的特征矩阵。
域名注册信息包括:域名名称特征、域名注册时间、域名过期时间和域名状态;域名解析信息包括:域名稳定度、域名活跃度和域名是否关联不良域名;站点内容信息包括域名是否涉及不良内容、站点世界排名、网页等级;相对应的对域名注册信息、域名解析信息和站点内容信息进行级别标记,得到域名注册信息、域名解析信息和站点内容信息各自的等级的一种方式可以是:获得域名注册信息、域名解析信息和站点内容信息中的各个指标的分值;根据各个指标的分值,得到各个指标的等级,过程请参见方法实施例。
在本实施例中,待处理域名的特征矩阵基于待处理域名自身的属性信息得到,可以作为域名关系图谱中待处理域名的局部特征;待处理域名的邻接矩阵基于待处理域名与其他域名的连接关系得到,可以作为域名关系图谱中待处理域名的全局特征,将局部特征与全局特征紧密结合,从多个维度来清晰地刻画域名之间的关联关系,待处理域名自身的属性信息基础上结合与待处理域名相关的其他域名的域名信用评级对待处理域名的影响,加深域名信用评价基于的维度,使基于的维度全面和准确,提高域名信用评级的准确度。
第三获得单元30,用于基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率,错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距。
其中,获得待处理域名在各个域名信用评级的概率的一种可行方式是:调用域名信用评级预测模型对待处理域名的邻接矩阵和待处理域名的特征矩阵进行处理,得到域名信用评级预测模型输出的待处理域名在各个域名信用评级的概率,域名信用评级预测模型是基于历史域名关系图谱中各历史域名的邻接矩阵、各历史域名的特征矩阵和各历史域名的域名信用评级进行训练得到,且在训练域名信用评级预测模型过程中引入错误率参数。
即在训练域名信用评级预测模型过程中引入错误率参数,以对训练过程中对历史域名的域名信用评级中加入一个反应错误率的错误率参数,这样即便历史域名的域名信用评级存在错误可境地其对域名信用评级预测模型的影响,降低过拟合风险。
相对应的域名信用监控装置还可以包括训练单元,用于得到上述域名信用评级预测模型,训练单元得到域名信用评级预测模型的过程如下:
1)从各历史域名中选择至少一个目标域名和与目标域名具有连接关系的历史目标节点;
2)基于历史域名关系图谱,获得目标域名的邻接矩阵;获得目标域名和历史目标节点各自的属性信息,基于目标域名和历史目标节点各自的属性信息,得到目标域名和历史目标节点各自的特征矩阵;
3)基于目标域名的邻接矩阵、目标域名的特征矩阵和历史目标节点的特征矩阵,获得目标域名的嵌入表示和历史目标节点的嵌入表示,对目标域名的嵌入表示和历史目标节点的嵌入表示进行聚合,得到目标域名的特征数据;
4)基于目标域名的特征数据,获得目标域名在各个域名信用评级的概率和错误率参数,基于目标域名在各个域名信用评级的概率得到域名信用评级预测模型的损失值;
5)利用域名信用评级预测模型的损失值,对域名信用评级预测模型的模型参数进行调整直至得到的所有损失值中出现最小值,以最小值对应的域名信用评级预测模型对待处理域名的邻接矩阵和待处理域名的特征矩阵进行处理。
上述训练单元得到域名信用评级预测模型的过程请参见方法实施例,此处不再赘述。
可选的,上述第三获得单元30的一种可选结构是:第三获得单元包括:选择子单元、第一获得子单元、聚合子单元和第二获得子单元。选择子单元,用于基于待处理域名的邻接矩阵,从域名关系图谱选择目标节点,目标节点为域名关系图谱的各层级中与待处理域名具有连接关系的节点。
第一获得子单元,用于获得目标节点的特征矩阵,基于待处理域名的邻接矩阵、待处理域名的特征矩阵和目标节点的特征矩阵,获得待处理域名的嵌入表示和目标节点的嵌入表示。如获得目标节点自身的属性信息,基于目标节点自身的属性信息,得到目标节点的特征矩阵,其过程请参见上述实施例,待处理域名的嵌入表示为待处理域名的特征表示,目标节点的嵌入表示为目标节点的特征表示,对于待处理域名和目标节点的嵌入表示的获得过程本实施例不再阐述。
聚合子单元,用于对待处理域名的嵌入表示和目标节点的嵌入表示进行聚合,得到待处理域名的特征数据。通过将待处理域名的嵌入表示和目标节点的嵌入表示进行聚合能够将与待处理域名关联的目标节点的特征更新到待处理域名的嵌入表示中,以完善待处理域名的特征数据。
其中对待处理域名的嵌入表示和目标节点的嵌入表示进行聚合的一种方式是:归纳式聚合方式,对待处理域名的嵌入表示和目标节点的嵌入表示进行平均处理后再进行非线性转换,如基于公式1所示:
第二获得子单元,用于基于待处理域名的特征数据和错误率参数,获得待处理域名在各个域名信用评级的概率。
选择子单元、第一获得子单元、聚合子单元和第二获得子单元的执行过程请参见上述方法实施例中相关部分,其处理过程中可以结合上述域名信用评级预测模型,此处不再赘述。
确定单元40,用于基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,待处理域名的域名信用评级至少用于表征待处理域名的安全性。
在本实施例中,待处理域名在一个域名信用评级的概率用于表征待处理域名是否属于该域名信用评级,如待处理域名在一个域名信用评级的概率可通过[A,B]中的取值表示,A的取值可以是但不限于是0,B的取值可以是但不限于是10,取值越大待处理域名属于其对应的域名信用评级的可能性越大,因此从待处理域名在各个域名信用评级的概率中,选取取值最大的概率对应的域名信用评级作为待处理域名的域名信用评级。域名信用评级越高说明待处理域名的安全性也越高,从而可通过域名信用评级表征待处理域名的安全性,对于域名信用评级采用多少等级进行划分,本实施例不进行限定。
上述域名信用监控装置,获得待处理域名的域名关系图谱,基于域名关系图谱得到待处理域名的邻接矩阵,邻接矩阵至少用于表征待处理域名与域名关系图谱中其他域名之间的连接关系;获得待处理域名的特征矩阵,特征矩阵用于表征待处理域名自身的属性信息;基于待处理域名的邻接矩阵、待处理域名的特征矩阵和错误率参数,获得待处理域名在各个域名信用评级的概率;基于待处理域名在各个域名信用评级的概率,确定待处理域名的域名信用评级,待处理域名的域名信用评级至少用于表征待处理域名的安全性,实现从待处理域名自身的属性信息和与其他域名之间的连接关系对待处理域名的域名信用评级的确定,从多个维度来清晰地刻画域名之间的关联关系,在待处理域名自身的属性信息基础上结合与待处理域名相关的其他域名的域名信用评级对待处理域名的影响,加深域名信用评价基于的维度,使基于的维度全面和准确,提高域名信用评级的准确度,其中错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距,使得待处理域名的概率结果向正确域名信用评级靠近,降低过拟合风险,进一步提高域名信用评级的准确度。
本申请实施例还提供一种设备,包括:处理器和用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现上述域名信用监控方法。
本申请实施例还提供一种计算机可读存储介质,当计算机可读存储介质中的指令由处理器执行时,使得处理器能够执行上述域名信用监控方法。
需要说明的是,本说明书中的各个实施例可以采用递进的方式描述、本说明书中各实施例中记载的特征可以相互替换或者组合,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种域名信用监控方法,其特征在于,所述方法包括:
获得待处理域名的域名关系图谱,基于所述域名关系图谱得到所述待处理域名的邻接矩阵,所述邻接矩阵至少用于表征所述待处理域名与所述域名关系图谱中其他域名之间的连接关系;
获得所述待处理域名的特征矩阵,所述特征矩阵用于表征所述待处理域名自身的属性信息;
基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率,所述错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距;
基于所述待处理域名在各个域名信用评级的概率,确定所述待处理域名的域名信用评级,所述待处理域名的域名信用评级至少用于表征所述待处理域名的安全性。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率包括:
基于所述待处理域名的邻接矩阵,从所述域名关系图谱选择目标节点,所述目标节点为所述域名关系图谱的各层级中与所述待处理域名具有连接关系的节点;
获得所述目标节点的特征矩阵,基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和所述目标节点的特征矩阵,获得所述待处理域名的嵌入表示和所述目标节点的嵌入表示;
对所述待处理域名的嵌入表示和所述目标节点的嵌入表示进行聚合,得到所述待处理域名的特征数据;
基于所述待处理域名的特征数据和错误率参数,获得所述待处理域名在各个域名信用评级的概率。
3.根据权利要求1所述的方法,其特征在于,所述获得所述待处理域名的特征矩阵包括:
获得所述待处理域名的域名注册信息、域名解析信息和站点内容信息;
对所述域名注册信息、域名解析信息和站点内容信息进行级别标记,得到所述域名注册信息、域名解析信息和站点内容信息各自的等级;
编码所述域名注册信息、域名解析信息和站点内容信息各自的等级,以得到所述待处理域名的特征矩阵。
4.根据权利要求3所述的方法,其特征在于,所述域名注册信息包括:域名名称特征、域名注册时间、域名过期时间和域名状态;所述域名解析信息包括:域名稳定度、域名活跃度和域名是否关联不良域名;所述站点内容信息包括域名是否涉及不良内容、站点世界排名、网页等级;
所述对所述域名注册信息、域名解析信息和站点内容信息进行级别标记,得到所述域名注册信息、域名解析信息和站点内容信息各自的等级包括:
获得所述域名注册信息、域名解析信息和站点内容信息中的各个指标的分值;根据所述各个指标的分值,得到所述各个指标的等级。
5.根据权利要求1或2所述的方法,其特征在于,所述基于所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵,获得所述待处理域名在各个域名信用评级的概率包括:
调用域名信用评级预测模型对所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵进行处理,得到所述域名信用评级预测模型输出的所述待处理域名在各个域名信用评级的概率,所述域名信用评级预测模型是基于历史域名关系图谱中各历史域名的邻接矩阵、各历史域名的特征矩阵和各历史域名的域名信用评级进行训练得到,且在训练所述域名信用评级预测模型过程中引入错误率参数。
6.根据权利要求5所述的方法,其特征在于,所述域名信用评级预测模型的训练过程包括:
从所述各历史域名中选择至少一个目标域名和与所述目标域名具有连接关系的历史目标节点;
基于所述历史域名关系图谱,获得所述目标域名的邻接矩阵;获得所述目标域名和所述历史目标节点各自的属性信息,基于所述目标域名和所述历史目标节点各自的属性信息,得到所述目标域名和所述历史目标节点各自的特征矩阵;
基于所述目标域名的邻接矩阵、所述目标域名的特征矩阵和所述历史目标节点的特征矩阵,获得所述目标域名的嵌入表示和所述历史目标节点的嵌入表示,对所述目标域名的嵌入表示和所述历史目标节点的嵌入表示进行聚合,得到所述目标域名的特征数据;
基于所述目标域名的特征数据,获得所述目标域名在各个域名信用评级的概率和所述错误率参数,基于所述目标域名在各个域名信用评级的概率得到所述域名信用评级预测模型的损失值;
利用所述域名信用评级预测模型的损失值,对所述域名信用评级预测模型的模型参数进行调整直至得到的所有损失值中出现最小值,以所述最小值对应的域名信用评级预测模型对所述待处理域名的邻接矩阵和所述待处理域名的特征矩阵进行处理。
7.一种域名信用监控装置,其特征在于,所述装置包括:
第一获得单元,用于获得待处理域名的域名关系图谱,基于所述域名关系图谱得到所述待处理域名的邻接矩阵,所述邻接矩阵至少用于表征所述待处理域名与所述域名关系图谱中其他域名之间的连接关系;
第二获得单元,用于获得所述待处理域名的特征矩阵,所述特征矩阵用于表征所述待处理域名自身的属性信息;
第三获得单元,用于基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和错误率参数,获得所述待处理域名在各个域名信用评级的概率,所述错误率参数用于增大指向错误域名信用评级的概率和指向正确域名信用评级的概率之间的差距;
确定单元,用于基于所述待处理域名在各个域名信用评级的概率,确定所述待处理域名的域名信用评级,所述待处理域名的域名信用评级至少用于表征所述待处理域名的安全性。
8.根据权利要求7所述的装置,其特征在于,所述第三获得单元包括:
选择子单元,用于基于所述待处理域名的邻接矩阵,从所述域名关系图谱选择目标节点,所述目标节点为所述域名关系图谱的各层级中与所述待处理域名具有连接关系的节点;
第一获得子单元,用于获得所述目标节点的特征矩阵,基于所述待处理域名的邻接矩阵、所述待处理域名的特征矩阵和所述目标节点的特征矩阵,获得所述待处理域名的嵌入表示和所述目标节点的嵌入表示;
聚合子单元,用于对所述待处理域名的嵌入表示和所述目标节点的嵌入表示进行聚合,得到所述待处理域名的特征数据;
第二获得子单元,用于基于所述待处理域名的特征数据和错误率参数,获得所述待处理域名在各个域名信用评级的概率。
9.一种设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的域名信用监控方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由处理器执行时,使得处理器能够执行如权利要求1至6中任一项所述的域名信用监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539435.3A CN113259199B (zh) | 2021-05-18 | 2021-05-18 | 一种域名信用监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539435.3A CN113259199B (zh) | 2021-05-18 | 2021-05-18 | 一种域名信用监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259199A true CN113259199A (zh) | 2021-08-13 |
CN113259199B CN113259199B (zh) | 2022-08-12 |
Family
ID=77183373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539435.3A Active CN113259199B (zh) | 2021-05-18 | 2021-05-18 | 一种域名信用监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259199B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180026862A1 (en) * | 2015-02-17 | 2018-01-25 | Nippon Telegraph And Telephone Corporation | Estimation device, estimation method, and recording medium |
CN108510332A (zh) * | 2018-04-17 | 2018-09-07 | 中国互联网络信息中心 | 一种域名信誉评定方法及装置 |
CN110012122A (zh) * | 2019-03-21 | 2019-07-12 | 东南大学 | 一种基于词嵌入技术的域名相似性分析方法 |
CN110138599A (zh) * | 2019-04-24 | 2019-08-16 | 北京字节跳动网络技术有限公司 | 基于域名关联度的dns查询方法、装置、介质和电子设备 |
CN110198292A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 域名识别方法和装置、存储介质及电子装置 |
CN111224941A (zh) * | 2019-11-19 | 2020-06-02 | 北京邮电大学 | 一种威胁类型识别方法及装置 |
CN111400504A (zh) * | 2020-03-12 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 企业关键人的识别方法和装置 |
-
2021
- 2021-05-18 CN CN202110539435.3A patent/CN113259199B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180026862A1 (en) * | 2015-02-17 | 2018-01-25 | Nippon Telegraph And Telephone Corporation | Estimation device, estimation method, and recording medium |
CN110198292A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 域名识别方法和装置、存储介质及电子装置 |
CN108510332A (zh) * | 2018-04-17 | 2018-09-07 | 中国互联网络信息中心 | 一种域名信誉评定方法及装置 |
CN110012122A (zh) * | 2019-03-21 | 2019-07-12 | 东南大学 | 一种基于词嵌入技术的域名相似性分析方法 |
CN110138599A (zh) * | 2019-04-24 | 2019-08-16 | 北京字节跳动网络技术有限公司 | 基于域名关联度的dns查询方法、装置、介质和电子设备 |
CN111224941A (zh) * | 2019-11-19 | 2020-06-02 | 北京邮电大学 | 一种威胁类型识别方法及装置 |
CN111400504A (zh) * | 2020-03-12 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 企业关键人的识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
周昌令等: "基于深度学习的域名查询行为向量空间嵌入", 《通 信 学 报》 * |
周昌令等: "基于深度学习的域名查询行为向量空间嵌入", 《通 信 学 报》, 31 March 2016 (2016-03-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN113259199B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moundigbaye et al. | Which panel data estimator should I use?: A corrigendum and extension | |
JP5805188B2 (ja) | 照会結果をソートするための方法および装置 | |
Liu et al. | Who is. com? Learning to parse WHOIS records | |
CN107547552B (zh) | 一种基于网站特征识别和关系拓扑的网站信誉度评估方法及装置 | |
CN109062914B (zh) | 用户推荐方法和装置,存储介质和服务器 | |
US20170032322A1 (en) | Member to job posting score calculation | |
US11748426B2 (en) | Personalized comment recommendation method based on link prediction model of graph bidirectional aggregation network | |
US20160027129A1 (en) | Method and system for rating entities within a peer network | |
CN113259199B (zh) | 一种域名信用监控方法及装置 | |
US10387509B2 (en) | Behavior influenced search ranking | |
CN111553401B (zh) | 一种应用在云服务推荐中基于图模型的QoS预测方法 | |
CN113254864A (zh) | 基于节点特征和回复路径的动态子图生成方法、争议性检测方法 | |
CN109582802B (zh) | 一种实体嵌入方法、装置、介质及设备 | |
CN112396188A (zh) | 自动化机器学习、训练方法、装置及存储介质 | |
CN111104600B (zh) | 一种web站点网页推荐方法、装置、设备、介质 | |
CN116361546A (zh) | 搜索请求的处理方法、装置、电子设备和存储介质 | |
CN104519141B (zh) | 社会关系网络中基于关系评价传递的量化模型与方法 | |
CN110633804A (zh) | 金融产品进件评价方法、服务器和存储介质 | |
CN114997621A (zh) | 基于信任和意见相似度综合关系的方案筛选方法及系统 | |
CN111914165B (zh) | 一种目标对象推荐方法、装置、设备和存储介质 | |
Baraki et al. | Context-aware prediction of qos and qoe properties for web services | |
de Carvalho et al. | Dynamic threshold modelling and the US business cycle | |
EP3743823B1 (en) | Re-computing pre-computed query results | |
CN104038539B (zh) | 一种动态的移动p2p信任管理模型系统和方法 | |
Sullivan et al. | Web service recommendation system using history and quality of service |
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 |