CN113553487B - 网址类型的检测方法、装置、电子设备及存储介质 - Google Patents
网址类型的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113553487B CN113553487B CN202110859771.6A CN202110859771A CN113553487B CN 113553487 B CN113553487 B CN 113553487B CN 202110859771 A CN202110859771 A CN 202110859771A CN 113553487 B CN113553487 B CN 113553487B
- Authority
- CN
- China
- Prior art keywords
- website
- result
- feature data
- detected
- sub
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 102100032202 Cornulin Human genes 0.000 description 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种网址类型的检测方法、装置、电子设备及存储介质。该方法包括：获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据；将网址特征数据输入至预先训练完成的Deep模型中，得到待检测网址的网址类型的第一输出结果；将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果；根据第一输出结果和第二输出结果得到目标输出结果，根据目标输出结果确定待检测网址的网址类型，本发明实施例的技术方案，解决了传统网址类型的检测方法存在网址类型的检测能力较低的技术问题。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种网址类型的检测方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展，由于网络攻击事件频发，互联网上的木马、钓鱼以及其他恶意软件的层次不穷，这对网络安全形成了严重的威胁。网络攻击常常以恶意网址作为攻击行为，给用户的生成带来诸多困扰，如，导致用户的计算机被感染，面临用户的隐私信息丢失的危险。
传统网址类型的检测方法是黑名单检测法，其具体是，通过将已知的风险网址存储至黑名单库中，从而可以根据黑名单库对待检测网址的网址类型进行检测，进而可以确定待检测网址的网址类型是否为风险网址。然而，由于黑名单检测方法无法检测黑名单库中未存储的风险网址，因此，传统网址类型的检测方法存在网址类型的检测能力较低的问题，导致用户体验不好。
发明内容
本发明实施例提供了一种网址类型的检测方法、装置、电子设备及存储介质，以实现对更加快速、全面的对网址的网址类型进行检测，从而达到有效提高网址类型的检测能力，以及提高用户体验的技术效果。
第一方面，本发明实施例提供了一种网址类型的检测方法，该方法包括：
获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；
将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；
将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；
根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型。
第二方面，本发明实施例还提供了一种网址类型的检测装置，该装置包括：
网址特征数据得到模块，用于获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；
第一输出结果得到模块，用于将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；
第二输出结果得到模块，将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；
网址类型确定模块，用于根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述程序被所述处理器执行，使得所述处理器实现如本发明任意实施例所提供的网址类型的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的网址类型的检测方法。
本发明实施例的技术方案，通过获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据。将网址特征数据输入至预先训练完成的Deep模型中，得到待检测网址的网址类型的第一输出结果。将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。本发明通过预先训练完成的Deep模型和Wide模型对待检测网址的网址类型进行检测，可以更加准确的确定待检测网址的网址类型。根据第一输出结果和第二输出结果得到目标输出结果，根据目标输出结果确定待检测网址的网址类型，实现对更加快速、全面的对网址的网址类型进行检测，解决了传统网址类型的检测方法存在网址类型的检测能力较低的技术问题，从而达到有效提高网址类型的检测能力，以及提高用户体验的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的一种网址类型的检测方法流程示意图；
图2是本发明实施例二提供的一种网址类型的检测方法流程示意图；
图3是本发明实施例二提供的一种网址类型的检测方法的结构框图；
图4是本发明实施例三提供的一种网址类型的检测装置模块示意图；
图5是本发明实施例四提供的一种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发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种网址类型的检测方法流程示意图，本实施例可适用于通过预先训练完成的Wide&Deep模型对待检测网址的网址类型进行检测，从而可以得到待检测网址的网址类型的情况，该方法可以由网址类型的检测装置来执行，网址类型的检测装置可通过软件和/或硬件方式实现，该网址类型的检测装置可集成于诸如计算机或者服务器等的电子设备中。
如图1所示，本实施例的方法包括：
S110、获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据。
其中，待检测网址可以是当前时刻需要检测的网址。目标检测网址可以理解为对待检测网址进行预处理之后得到的网址。目标检测网址可以由以下几个部分组成：域名部分、资源虚拟路径部分、子目录部分、文件名部分、文件扩展名部分、参数部分。其中，网址特征数据可以是通过对目标网址进行特征提取得到的特征数据。
其中，提取得到的网址特征数据至少可以包括以下特征中的一个或多个：长度特征、网址的每个部分的占比特征、字母计数特征、数字计数特征、数字占比特征数据、特殊字符计数特征、域名计数特征、最长字符串计数特征、数字占比特征、是否包含预设字符串缩写的特征、是否包含预设敏感字符串的特征、域名是否采用IP格式的特征、是否使用默认端口号特征、是否是可执行文件特征、分隔符计数特征、熵值特征以及连续性特征。其中，连续性特征可以是字符、数字和字母的连续性特征。
具体的，获取待检测网址。根据网址组成部分，对待检测网址进行预处理，可以得到预处理后的待检测网址。将预处理后的待检测网址作为目标检测网址，即，可以得到目标检测网址。在得到目标检测网址后，可以对目标检测网址进行网址特征提取，进而，可以得到目标检测网址的目标特征数据。
可选的，获取待检测网址的方式可以有多种，具体获取方式在此不做限定。例如，可以通过网络爬虫技术获取网址作为待检测网址，或者，可以接收用户输入的网址作为待检测网址，可以拦截用户访问的网址作为待检测网址。
可选的，可以通过下述方式将待检测网址进行预处理得到目标检测网址：
将待检测网址中预设位置所对应的预设字符串进行删除，得到目标检测网址。其中，预设位置可以是待检测网址的前缀位置和后缀位置。若预设位置为待检测网址的前缀位置，则待检测网址的前缀位置所对应的预设字符串至少可以是www.、http://或https://。若预设位置为待检测网址的后缀位置，则待检测网址的后缀位置所对应的预设字符串至少可以为.html。
示例性的，待检测网址为:
https://aneisig.es/vx/hstart.php？id＝664&logon＝141.html
将待检测网址中前缀位置对应的字符串https://和待检测网址中后缀位置对应的字符串.html进行删除，
那么，目标检测网址为aneisig.es/vx/hstart.php？id＝664&logon＝141。
需要说明的是，预设位置所对应的预设字符串可以是根据实际需求设置的，在此不做具体限定。
可选的，可以通过下述方式对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据：
可以通过现有的特征提取算法，对目标检测网址进行网址特征提取，进而，可以得到目标检测网址的网址特征数据。其中，现有的特征提取算法可以是TF-IDF(词频－逆向文件频率)、Word2Vec或CountVectorizer等算法。
S120、将网址特征数据输入至预先训练完成的Deep模型中，得到待检测网址的网址类型的第一输出结果。
其中，网址类型可以包括安全网址和风险网址。第一输出结果可以是将待检测网址输入至预先训练完成的Deep模型中得到的输出结果。可选的，Deep模型的特征提取层的网络结构可以是CNN网络结构、RNN网络结构或CRNN网络结构。
具体的，预先训练Deep模型，得到训练完成的Deep模型。将待检测网址的网址特征数据输入至训练完成的Deep模型中。进而，可以得到Deep模型的输出结果。
S130、将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。
其中，离散特征数据至少可以包括以下特征中的一个或多个：是否包含预设字符串缩写的特征、是否包含预设敏感字符串的特征、域名是否采用IP格式的特征、是否使用默认端口号特征、是否是可执行文件特征。第二输出结果可以是将待检测网址输入至预先训练完成的Wide模型中得到的输出结果。
具体的，可以对网址特征数据进行分类，得到离散类型的特征数据，即得到离散特征数据。将离散特征数据输入至预先训练完成的Wide模型中，进而，可以得到Wide模型的输出结果。
可选的，可以通过下述方式得到训练完成的Deep模型和Wide模型：
将训练样本中的网址输入至预先构建的Wide&Deep网络模型中，可以得到与训练样本中网址对应的Wide&Deep网络模型的实际输出。将与训练样本中网址对应的网址类型作为Wide&Deep网络模型的期望输出。基于实际输出和期望输出，对预先构建的Wide&Deep网络模型的网络参数进行参数调整。具体地，可以根据Wide&Deep网络模型的实际输出和期望输出，确定Wide&Deep网络模型的损失函数(如，损失函数可以是sigmoid函数)。当损失函数达到收敛时，可以得到训练完成的Wide&Deep模型。进而，可以得到训练完成的Deep模型和训练完成的Wide模型。其中，可以以网址和网址对应的网址类型作为训练样本。
可选的，可以通过Early Stopping(早停法)对Wide&Deep网络模型的训练进行停止训练的控制。
进一步，为了保证训练完成的Wide&Deep网络模型的准确度，可以通过下述方式对训练完成的Wide&Deep网络模型进行测试：
将测试样本网址输入至训练完成的Wide&Deep网络模型中，得到与测试样本网址相对应的实际输出结果。根据测试样本网址对应的预期输出结果以及与测试样本网址相对应的实际输出结果，确定训练完成的Wide&Deep网络模型的准确率。当准确率低于预设准确率阈值，则对训练的超参数、训练样本或网络结构进行优化，基于优化后的训练的超参数、训练样本或网络结构，对Wide&Deep网络模型重新进行训练，直至Wide&Deep网络模型输出结果的准确率高于预设准确率阈值。
可选的，预先构建的Wide&Deep网络模型的超参数可以是Deep模型的Dropout为0.3，Wide模型的Dropout为0.3，Embedding(嵌入层)的维度为32，Adam优化器的参数为lr＝0.001,beta_1＝0.9,beta_2＝0.999，Batch Size(一次训练所选取的样本数)为128，训练epoch数目为5，最长字符序列长度为100。
S140、根据第一输出结果和第二输出结果得到目标输出结果，根据目标输出结果确定待检测网址的网址类型。
其中，目标输出结果可以理解为将待检测网址输入至预先训练完成的Deep模型和预先训练完成的Wide模型得到的输出结果。
具体的，在得到第一输出结果和第二输出结果后，可以根据第一输出结果和第二输出结果可以得到目标输出结果。进而，可以根据目标输出结果，确定待检测网址的网址类型。
可选的，可以通过下述方式根据目标输出结果确定待检测网址的网址类型：
如果目标输出结果中待检测网址为风险网址的概率值大于预设概率阈值时，则将待检测网址的网址类型确定为风险网址。
其中，预设概率阈值可以是待检测网址为风险网址的概率阈值。
具体的，预先设置待检测网址为风险网址的概率阈值。将目标输出结果中的待检测网址为风险网址的概率与预设的概率阈值进行比较。如果目标输出结果中的待检测网址为风险网址的概率大于预设的概率阈值，那么，可以将待检测网址的网址类型确定为风险网址。
本发明实施例的技术方案，通过获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据。将网址特征数据输入至预先训练完成的Deep模型中，得到待检测网址的网址类型的第一输出结果。将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。本发明通过预先训练完成的Deep模型和Wide模型对待检测网址的网址类型进行检测，可以更加准确的确定待检测网址的网址类型。根据第一输出结果和第二输出结果得到目标输出结果，根据目标输出结果确定待检测网址的网址类型，实现对更加快速、全面的对网址的网址类型进行检测，解决了传统网址类型的检测方法存在网址类型的检测能力较低的技术问题，从而达到有效提高网址类型的检测能力，以及提高用户体验的技术效果。
实施例二
图2是本发明实施例二提供的一种网址类型的检测方法流程示意图，在前述实施例的基础上，可选的，所述网址特征数据包括文本特征数据和人工特征数据，所述Deep模型包括第一Deep子模型和第二Deep子模型；所述将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果，包括：将所述文本特征数据输入至所述第一Deep子模型中，得到所述待检测网址的网址类型的第一输出子结果；将所述人工特征数据输入至所述第二Deep子模型中，得到所述待检测网址的网址类型的第二输出子结果；所述根据所述第一输出结果和所述第二输出结果得到目标输出结果，包括：根据所述第一输出子结果、所述第二输出子结果和所述第二输出结果，得到目标输出结果。
可选的，所述将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果，包括：将所述网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据；将所述交叉特征数据输入至所述Wide模型中的嵌入层，得到与所述交叉特征数据对应的交叉特征稠密矩阵；将所述交叉特征稠密矩阵输入至所述Wide模型中的拼接层，得到所述待检测网址的网址类型的第二输出结果。
其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示，本实施例的方法具体可包括：
S210、获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的文本特征数据和人工特征数据。
其中，文本特征数据可以是待检测网址的文本词汇特征数据。人工特征数据可以是人工设置的特征数据，如，预设敏感词汇特征数据等。
具体的，获取待检测网址，通过对待检测到网址进行预处理，可以得到目标检测网址。在得到目标检测网址后，可以对目标检测网址进行网址特征提取。进而可以得到目标网址的文本特征数据和人工特征数据。
S220、将文本特征数据输入至第一Deep子模型中，得到待检测网址的网址类型的第一输出子结果。
其中，第一Deep子模型可以是用于对待检测网址的文本词汇特征进行学习的模型。第一输出子结果可以是将文本特征数据输入至第一Deep子模型得到的输出结果。
其中，将文本数据特征数据输入至第一Deep模型的好处在于：可以得到待检测网址中包含的字符特征数据。
具体的，将文本特征数据输入至第一Deep子模型中，可以得到待检测网址的网址类型的第一输出子结果。
可选的，参见图3，可以通过下述步骤介绍将文本特征数据输入至第一Deep子模型中，得到待检测网址的网址类型的第一输出子结果：
步骤一、将文本特征数据输入至第一Deep子模型的嵌入层，得到与文本特征数据对应的文本特征稠密矩阵。
具体的，将文本特征数据输入至第一Deep子模型的嵌入层，以使第一Deep子模型的嵌入层对文本特征数据进行降维，进而，可以得到与文本特征数据对应的稠密矩阵。将得到的与文本特征数据对应的稠密矩阵作为文本特征稠密矩阵。
可选的，可以通过下述方式将文本特征数据输入至第一Deep子模型的嵌入层：以one-hot编码格式对文本特征数据进行编码，可以得到与文本特征数据对应的one-hot矩阵。将与文本特征数据对应的one-hot矩阵输入至第一Deep子模型的嵌入层，进而，可以得到与文本特征数据对应的文本特征稠密矩阵。
步骤二、将文本特征稠密矩阵输入至第一Deep子模型的特征提取层，得到文本特征提取数据。
具体的，在得到文本特征稠密矩阵后，为了提取待检测网址的语义特征数据，可以将文本特征稠密矩阵输入至第一Deep子模型的特征提取层，进而，可以得到文本特征提取数据。
可选的，第一Deep子模型的特征提取层可以是至少以下网络层次中的一个：CNN、RNN(LSTM或者GRU)、CRNN。
步骤三、将文本特征提取数据输入至第一Deep子模型的全连接层，得到待检测网址的网址类型的第一输出子结果。
具体的，在得到文本特征提取数据后，可以将文本特征提取数据输入至第一Deep子模型的全连接层，进而，可以到待检测网址的网址类型的第一输出子结果。
S230、将人工特征数据输入至第二Deep子模型中，得到待检测网址的网址类型的第二输出子结果。
其中，第二Deep子模型可以是用于对待检测网址的人工特征进行学习的模型。第二输出子结果可以是将人工特征数据输入至第二Deep子模型中得到的输出结果。
其中，将人工特征数据输入至第二Deep子模型中的好处在于：可以学习到新的特征数据，从而可以增强模型的泛化性。
具体的，将待检测网址的人工特征数据输入至第二Deep子模型中，进而，可以得到待检测网址的网址类型的第二输出子结果。
可选的，参见图3，可以通过下述步骤介绍将人工特征数据输入至第二Deep子模型，得到待检测网址的网址类型的第二输出子结果：
步骤一、将人工特征数据中的离散特征数据输入至第二Deep子模型的嵌入层，得到离散特征数据的离散特征稠密矩阵。
具体的，可以根据人工特征数据的分类，确定人工特征数据中的离散特征数据。在确定离散型特征数据后，可以将离散型特征数据输入至第二Deep子模型的嵌入层，可以得到离散特征数据的离散特征稠密矩阵。
可选的，可以通过下述方式将人工特征数据中的离散特征数据输入至第二Deep子模型的嵌入层，得到离散特征数据的离散特征稠密矩阵：
以one-hot编码格式对人工特征数据中的离散特征数据进行编码，得到与离散特征数据对应的one-hot矩阵。将与离散特征数据对应的one-hot矩阵输入至第二Deep子模型的嵌入层，得到离散特征数据的离散特征稠密矩阵。
步骤二、将人工特征数据中的连续特征数据和离散特征稠密矩阵输入至第二Deep子模型的拼接层，得到拼接特征数据。
其中，连续特征数据至少可以包括以下特征中的一个或多个：长度特征、网址的每个部分的占比特征、连续性特征、分隔符计数特征、字母计数特征、数字计数特征、域名计数特征、最长字符串计数特征、特殊字符计数特征、熵值特征和数字占比特征。
具体的，根据人工特征数据的分类，确定人工特征数据中的连续特征数据。在确定连续特征数据后，将连续特征数据和离散特征稠密矩阵输入至第二Deep子模型的拼接层，进而，可以得到拼接特征数据。
步骤三、将拼接特征数据输入至第二Deep子模型的全连接层，得到待检测网址的网址类型的第二输出子结果。
具体的，在得到拼接特征数据后，可以将拼接特征数据输入至第二Deep子模型的全连接层，进而可以得到待检测网址的网址类型的第二输出子结果。
S240、将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。
其中，将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中的好处在于可以增强模型的记忆能力。
可选的，参见图3，可以通过下述步骤介绍将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果：
步骤一、将网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据。
其中，交叉特征数据可以是网址特征数据中的离散特征数据进行交叉特征变换得到的特征数据。可选的，交叉特征数据可以是非线性的交叉特征数据。
具体的，可以根据网址特征数据的分类，确定网址特征数据中的离散特征数据。在确定网址特征数据中的离散特征数据后，可以对离散特征数据进行交叉特征变换。在交叉特征变换后，可以得到交叉特征数据。
可选的，可以按照如下公式将网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据：
其中，φk(x)表示将离散特征数据进行交叉特征变换得到的交叉特征数据，xi表示第i个离散特征数据，cki是一个布尔值，当第i个离散特征是第k个离散特征变换得到的的离散特征，那么cki为1，否则，cki为0。
步骤二、将交叉特征数据输入至Wide模型中的嵌入层，得到与交叉特征数据对应的交叉特征稠密矩阵。
具体的，在得到交叉特征数据之后，可以将交叉特征数据输入至Wide模型中的嵌入层，进而，可以得到与交叉特征数据对应的交叉特征稠密矩阵。
步骤三、将交叉特征稠密矩阵输入至Wide模型中的拼接层，得到待检测网址的网址类型的第二输出结果。
具体的，在得到交叉特征稠密矩阵之后，可以将交叉特征稠密矩阵输入至Wide模型中的拼接层，进而，可以得到待检测网址的网址类型的第二输出结果。
S250、根据第一输出子结果、第二输出子结果和第二输出结果，得到目标输出结果。
具体的，在得到第一输出子结果、第二输出子结果和第二输出结果后，可以对第一输出子结果、第二输出子结果和第二输出结果进行计算，进而，可以得到目标输出结果。
可选的，可以通过下述方式根据第一输出子结果、第二输出子结果和第二输出结果，得到目标输出结果：
对第一输出子结果、第二输出子结果和第二输出结果进行加权求和，得到目标输出结果。
具体的，可以预先设置第一输出子结果、第二输出子结果和第二输出结果的权值。根据预先设置第一输出子结果、第二输出子结果和第二输出结果的权值，对第一输出子结果、第二输出子结果和第二输出结果进行加权求和，得到计算结果。将得到的计算结果作为目标输出结果。
可选的，可以按照如下公式计算目标输出结果：
其中，pred(Y＝1|x)表示将待检测网址输入至预先训练完成的Deep模型和Wide模型得到的目标输出结果，σ表示损失函数，x表示离散特征数据，φ(x)表示将离散特征数据x进行交叉特征变换得到的交叉特征数据，awide[x，φ(x)]表示将离散特征数据输入至预先训练完成的Wide模型得到的第二输出结果，adeepText表示将人工特征数据输入至第一Deep子模型中得到的第一输出子结果，adeepArtFeat表示将文本特征数据输入至第二Deep子模型中得到的第二输出子结果，表示第二输出结果的加权系数，/>表示第一输出子结果的加权系数，/>表示第二输出子结果的加权系数。
可选的，损失函数可以是
本实施例的技术方案，通过将文本特征数据输入至第一Deep子模型中，得到待检测网址的网址类型的第一输出子结果。通过将人工特征数据输入至第二Deep子模型中，得到待检测网址的网址类型的第二输出子结果。通过将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。根据第一输出子结果、第二输出子结果和第二输出结果，得到目标输出结果，实现对更加快速、全面的对网址的网址类型进行检测，解决了传统网址类型的检测方法存在网址类型的检测能力较低的技术问题，从而达到有效提高网址类型的检测能力，以及提高用户体验的技术效果。
实施例三
图4是本发明实施例三提供的一种网址类型的检测装置模块示意图，本发明提供了一种网址类型的检测装置，该装置包括：网址特征数据得到模块310、第一输出结果得到模块320、第二输出结果得到模块330以及网址类型确定模块340。
其中，网址特征数据得到模块310，用于获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；第一输出结果得到模块320，用于将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；第二输出结果得到模块330，将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；网址类型确定模块340，用于根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型。
本发明实施例的技术方案，通过网址特征数据得到模块，获取待检测网址，将待检测网址进行预处理，得到目标检测网址，对目标检测网址进行网址特征提取，得到目标检测网址的网址特征数据。通过第一输出结果得到模块，将网址特征数据输入至预先训练完成的Deep模型中，得到待检测网址的网址类型的第一输出结果。通过第二输出结果得到模块，将网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到待检测网址的网址类型的第二输出结果。通过网址类型确定模块，根据第一输出结果和第二输出结果得到目标输出结果，根据目标输出结果确定待检测网址的网址类型，实现对更加快速、全面的对网址的网址类型进行检测，解决了传统网址类型的检测方法存在网址类型的检测能力较低的技术问题，从而达到有效提高网址类型的检测能力，以及提高用户体验的技术效果。
可选的，所述网址特征数据包括文本特征数据和人工特征数据，所述Deep模型包括第一Deep子模型和第二Deep子模型；第一输出结果得到模块320包括：第一输出子结果得到子模块和第二输出子结果得到模块。其中，第一输出子结果得到子模块，用于将所述文本特征数据输入至所述第一Deep子模型中，得到所述待检测网址的网址类型的第一输出子结果；第二输出子结果得到模块，用于将所述人工特征数据输入至所述第二Deep子模型中，得到所述待检测网址的网址类型的第二输出子结果；网址类型确定模块340，用于根据所述第一输出子结果、所述第二输出子结果和所述第二输出结果，得到目标输出结果。
可选的，第一输出子结果得到子模块，用于将所述文本特征数据输入至所述第一Deep子模型的嵌入层，得到与所述文本特征数据对应的文本特征稠密矩阵；将所述文本特征稠密矩阵输入至所述第一Deep子模型的特征提取层，得到文本特征提取数据；将所述文本特征提取数据输入至所述第一Deep子模型的全连接层，得到所述待检测网址的网址类型的第一输出子结果。
可选的，第二输出子结果得到模块，用于将所述人工特征数据中的离散特征数据输入至所述第二Deep子模型的嵌入层，得到所述离散特征数据的离散特征稠密矩阵；将所述人工特征数据中的连续特征数据和所述离散特征稠密矩阵输入至所述第二Deep子模型的拼接层，得到拼接特征数据；将所述拼接特征数据输入至所述第二Deep子模型的全连接层，得到所述待检测网址的网址类型的第二输出子结果。
可选的，第二输出结果得到模块330，用于将所述网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据；将所述交叉特征数据输入至所述Wide模型中的嵌入层，得到与所述交叉特征数据对应的交叉特征稠密矩阵；将所述交叉特征稠密矩阵输入至所述Wide模型中的拼接层，得到所述待检测网址的网址类型的第二输出结果。
可选的，网址类型确定模块340，用于对所述第一输出子结果、所述第二输出子结果和所述第二输出结果进行加权求和，得到目标输出结果。
可选的，所述网址类型包括风险网址；网址类型确定模块340，用于如果所述目标输出结果中所述待检测网址为风险网址的概率值大于预设概率阈值时，则将所述待检测网址的网址类型确定为风险网址。
上述装置可执行本发明任意实施例所提供的网址类型的检测方法，具备执行网址类型的检测方法相应的功能模块和有益效果。
值得注意的是，上述网址类型的检测装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例四
图5是本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明任一实施方式的示例性电子设备12的框图。图5显示的电子设备12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。设备12典型的是承担配置信息的处理的电子设备。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网WideArea Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的网址类型的检测方法，该方法包括：
获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型。
当然，本领域技术人员可以理解，处理器还可以实现本发明任一实施例所提供的网址类型的检测方法。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，特征在于，该程序被处理器执行时，例如本发明上述实施例所提供的网址类型的检测方法，该方法包括：
获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；
将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；
将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；
根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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。
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发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种网址类型的检测方法，其特征在于，包括：
获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；
将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；
将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；
根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型；
其中，所述网址特征数据包括文本特征数据和人工特征数据，所述Deep模型包括第一Deep子模型和第二Deep子模型；所述将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果，包括：将所述文本特征数据输入至所述第一Deep子模型中，得到所述待检测网址的网址类型的第一输出子结果；将所述人工特征数据输入至所述第二Deep子模型中，得到所述待检测网址的网址类型的第二输出子结果；所述根据所述第一输出结果和所述第二输出结果得到目标输出结果，包括：根据所述第一输出子结果、所述第二输出子结果和所述第二输出结果，得到目标输出结果；
其中，所述将所述文本特征数据输入至所述第一Deep子模型中，得到所述待检测网址的网址类型的第一输出子结果，包括：将所述文本特征数据输入至所述第一Deep子模型的嵌入层，得到与所述文本特征数据对应的文本特征稠密矩阵；将所述文本特征稠密矩阵输入至所述第一Deep子模型的特征提取层，得到文本特征提取数据；将所述文本特征提取数据输入至所述第一Deep子模型的全连接层，得到所述待检测网址的网址类型的第一输出子结果；
其中，所述将所述人工特征数据输入至所述第二Deep子模型，得到所述待检测网址的网址类型的第二输出子结果，包括：将所述人工特征数据中的离散特征数据输入至所述第二Deep子模型的嵌入层，得到所述离散特征数据的离散特征稠密矩阵；将所述人工特征数据中的连续特征数据和所述离散特征稠密矩阵输入至所述第二Deep子模型的拼接层，得到拼接特征数据；将所述拼接特征数据输入至所述第二Deep子模型的全连接层，得到所述待检测网址的网址类型的第二输出子结果；
其中，所述将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果，包括：将所述网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据；将所述交叉特征数据输入至所述Wide模型中的嵌入层，得到与所述交叉特征数据对应的交叉特征稠密矩阵；将所述交叉特征稠密矩阵输入至所述Wide模型中的拼接层，得到所述待检测网址的网址类型的第二输出结果；
其中，离散特征数据至少包括以下特征中的一个或多个：是否包含预设字符串缩写的特征、是否包含预设敏感字符串的特征、域名是否采用IP格式的特征、是否使用默认端口号特征、是否是可执行文件特征；人工特征数据是人工设置的特征数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一输出子结果、所述第二输出子结果和所述第二输出结果，得到目标输出结果，包括：
对所述第一输出子结果、所述第二输出子结果和所述第二输出结果进行加权求和，得到目标输出结果。
3.根据权利要求1所述的方法，其特征在于，所述网址类型包括风险网址；所述根据所述目标输出结果确定所述待检测网址的网址类型，包括：
如果所述目标输出结果中所述待检测网址为风险网址的概率值大于预设概率阈值时，则将所述待检测网址的网址类型确定为风险网址。
4.一种网址类型的检测装置，其特征在于，包括：
网址特征数据得到模块，用于获取待检测网址，将所述待检测网址进行预处理，得到目标检测网址，对所述目标检测网址进行网址特征提取，得到所述目标检测网址的网址特征数据；
第一输出结果得到模块，用于将所述网址特征数据输入至预先训练完成的Deep模型中，得到所述待检测网址的网址类型的第一输出结果；
第二输出结果得到模块，将所述网址特征数据中的离散特征数据输入至预先训练完成的Wide模型中，得到所述待检测网址的网址类型的第二输出结果；
网址类型确定模块，用于根据所述第一输出结果和所述第二输出结果得到目标输出结果，根据所述目标输出结果确定所述待检测网址的网址类型；
其中，所述网址特征数据包括文本特征数据和人工特征数据，所述Deep模型包括第一Deep子模型和第二Deep子模型；第一输出结果得到模块包括：第一输出子结果得到子模块和第二输出子结果得到模块；其中，第一输出子结果得到子模块，用于将所述文本特征数据输入至所述第一Deep子模型中，得到所述待检测网址的网址类型的第一输出子结果；第二输出子结果得到模块，用于将所述人工特征数据输入至所述第二Deep子模型中，得到所述待检测网址的网址类型的第二输出子结果；网址类型确定模块，用于根据所述第一输出子结果、所述第二输出子结果和所述第二输出结果，得到目标输出结果；
其中，第一输出子结果得到子模块，用于将所述文本特征数据输入至所述第一Deep子模型的嵌入层，得到与所述文本特征数据对应的文本特征稠密矩阵；将所述文本特征稠密矩阵输入至所述第一Deep子模型的特征提取层，得到文本特征提取数据；将所述文本特征提取数据输入至所述第一Deep子模型的全连接层，得到所述待检测网址的网址类型的第一输出子结果；
其中，第二输出子结果得到模块，用于将所述人工特征数据中的离散特征数据输入至所述第二Deep子模型的嵌入层，得到所述离散特征数据的离散特征稠密矩阵；将所述人工特征数据中的连续特征数据和所述离散特征稠密矩阵输入至所述第二Deep子模型的拼接层，得到拼接特征数据；将所述拼接特征数据输入至所述第二Deep子模型的全连接层，得到所述待检测网址的网址类型的第二输出子结果。
其中，第二输出结果得到模块，用于将所述网址特征数据中的离散特征数据进行交叉特征变换，生成至少一个交叉特征数据；将所述交叉特征数据输入至所述Wide模型中的嵌入层，得到与所述交叉特征数据对应的交叉特征稠密矩阵；将所述交叉特征稠密矩阵输入至所述Wide模型中的拼接层，得到所述待检测网址的网址类型的第二输出结果；
其中，离散特征数据至少包括以下特征中的一个或多个：是否包含预设字符串缩写的特征、是否包含预设敏感字符串的特征、域名是否采用IP格式的特征、是否使用默认端口号特征、是否是可执行文件特征；人工特征数据是人工设置的特征数据。
5.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述程序被所述处理器执行，使得所述处理器实现如权利要求1-3中任一所述的网址类型的检测方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的网址类型的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859771.6A CN113553487B (zh) | 2021-07-28 | 2021-07-28 | 网址类型的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859771.6A CN113553487B (zh) | 2021-07-28 | 2021-07-28 | 网址类型的检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553487A CN113553487A (zh) | 2021-10-26 |
| CN113553487B true CN113553487B (zh) | 2024-04-09 |
Family
ID=78104797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859771.6A Active CN113553487B (zh) | 2021-07-28 | 2021-07-28 | 网址类型的检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553487B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100875636B1 (ko) * | 2007-09-19 | 2008-12-26 | 한국과학기술정보연구원 | 그리드 컴퓨팅 기반 웹 크롤러 시스템 및 그 방법 |
| WO2017113973A1 (zh) * | 2015-12-29 | 2017-07-06 | 北京搜狗科技发展有限公司 | 一种音频识别方法和装置 |
| CN108109049A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 服饰搭配预测方法、装置、计算机设备及存储介质 |
| CN110111311A (zh) * | 2019-04-18 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种图像质量评价方法和装置 |
| CN111881282A (zh) * | 2020-08-03 | 2020-11-03 | 青岛科技大学 | 回答者推荐模型的训练方法、推荐方法及电子设备 |
| CN112019569A (zh) * | 2020-10-20 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 恶意域名检测方法、装置及存储介质 |
| CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
| CN112866023A (zh) * | 2021-01-13 | 2021-05-28 | 恒安嘉新（北京）科技股份公司 | 网络检测、模型训练方法、装置、设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110859771.6A patent/CN113553487B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100875636B1 (ko) * | 2007-09-19 | 2008-12-26 | 한국과학기술정보연구원 | 그리드 컴퓨팅 기반 웹 크롤러 시스템 및 그 방법 |
| WO2017113973A1 (zh) * | 2015-12-29 | 2017-07-06 | 北京搜狗科技发展有限公司 | 一种音频识别方法和装置 |
| CN108109049A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 服饰搭配预测方法、装置、计算机设备及存储介质 |
| CN110111311A (zh) * | 2019-04-18 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种图像质量评价方法和装置 |
| CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
| CN111881282A (zh) * | 2020-08-03 | 2020-11-03 | 青岛科技大学 | 回答者推荐模型的训练方法、推荐方法及电子设备 |
| CN112019569A (zh) * | 2020-10-20 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 恶意域名检测方法、装置及存储介质 |
| CN112866023A (zh) * | 2021-01-13 | 2021-05-28 | 恒安嘉新（北京）科技股份公司 | 网络检测、模型训练方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| phishing website detection based on multidimentional features driven by deep learning;Peng Yang等;IEEE Access;20190111;第7卷;15196-15209 * |
| 基于改进神经协同过滤模型的电影推荐系统;王骏;虞歌;;计算机工程与设计;20200716;第41卷(第07期);2069-2075 * |
| 非刚性三维模型检索特征提取技术研究;李海生;孙莉;武玉娟;吴晓群;蔡强;杜军平;;软件学报;20171009;第29卷(第02期);483-505 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553487A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111371806B (zh) | 一种Web攻击检测方法及装置 | |
| US9356941B1 (en) | Systems and methods for detecting suspicious web pages | |
| US8631498B1 (en) | Techniques for identifying potential malware domain names | |
| US9083729B1 (en) | Systems and methods for determining that uniform resource locators are malicious | |
| EP2977928B1 (en) | Malicious code detection | |
| CN107463844B (zh) | Web木马检测方法及系统 | |
| CN111526136A (zh) | 基于云waf的恶意攻击检测方法、系统、设备和介质 | |
| CN110941827B (zh) | 应用程序异常行为检测方法及装置 | |
| CN113141360A (zh) | 网络恶意攻击的检测方法和装置 | |
| CN112003834B (zh) | 异常行为检测方法和装置 | |
| CN115766184A (zh) | 一种网页数据处理方法、装置、电子设备及存储介质 | |
| CN113297525B (zh) | 网页分类方法、装置、电子设备、及存储介质 | |
| US9436669B1 (en) | Systems and methods for interfacing with dynamic web forms | |
| CN110674497B (zh) | 一种恶意程序相似度计算的方法和装置 | |
| CN117294510A (zh) | Web注入攻击分类检测方法及检测系统 | |
| CN113553487B (zh) | 网址类型的检测方法、装置、电子设备及存储介质 | |
| CN117254946A (zh) | 异常流量检测方法、装置及相关设备 | |
| CN116702143A (zh) | 基于api特征的恶意软件智能检测方法 | |
| CN115344563A (zh) | 数据去重方法及装置、存储介质、电子设备 | |
| Santoso et al. | Malware Detection using Hybrid Autoencoder Approach for Better Security in Educational Institutions | |
| CN117278322B (zh) | Web入侵检测方法、装置、终端设备及存储介质 | |
| CN113316786A (zh) | 漏洞利用工具包检测 | |
| CN117932607B (zh) | 一种勒索软件检测方法、系统、介质及设备 | |
| CN115758368B (zh) | 恶意破解软件的预测方法、装置、电子设备和存储介质 | |
| CN114238976B (zh) | 文件的检测方法、装置、可读介质和电子设备 |
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 |