CN113742627A - 不良网站识别方法、装置、电子设备和介质 - Google Patents
不良网站识别方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113742627A CN113742627A CN202111049017.2A CN202111049017A CN113742627A CN 113742627 A CN113742627 A CN 113742627A CN 202111049017 A CN202111049017 A CN 202111049017A CN 113742627 A CN113742627 A CN 113742627A
- Authority
- CN
- China
- Prior art keywords
- website
- websites
- bad
- condition
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 15
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种不良网站识别方法、装置、电子设备和介质,涉及数据处理领域,尤其涉及网页处理与搜索引擎领域。一种不良网站识别方法,包括:确定多个网站中的满足引流目标条件的第一网站;根据多个网站之间的指向关系,从多个网站中确定第一网站的关联网站集,关联网站集中的每个网站具有指向第一网站的链接;并且响应于确定第一网站满足不良网站条件,将关联网站集中的网站识别为不良网站。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及网页处理与搜索引擎,具体涉及一种不良网站识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
互联网由大量网站组成,其中网站质量良莠不齐。尤其是,其中存在一些不良作弊网站,通过网站或网页中的链接为其他网站进行引流,从而影响搜索排名等。尤其是,在被引流的网站涉及不良内容或黑灰产业的情况下,这样的不良网站对互联网生态环境的影响格外恶劣。需要对这些网站进行识别和打压提升互联网生态环境。
因此,需要一种能够有效地从大量网站中识别出不良网站的方法。
发明内容
本公开提供了一种不良网站识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种不良网站识别方法,包括:确定多个网站中的满足引流目标条件的第一网站;根据所述多个网站之间的指向关系,从所述多个网站中确定所述第一网站的关联网站集,所述关联网站集中的每个网站具有指向所述第一网站的链接;并且响应于确定所述第一网站满足不良网站条件,将所述关联网站集中的网站识别为不良网站。
根据本公开的另一方面,提供了一种不良网站识别装置,包括:引流目标确定单元,用于确定多个网站中的满足引流目标条件的第一网站;关联网站确定单元,用于根据所述多个网站之间的指向关系,从所述多个网站中确定所述第一网站的关联网站集,所述关联网站集中的每个网站具有指向所述第一网站的链接;并且不良网站识别单元,用于响应于确定所述第一网站满足不良网站条件,将所述关联网站集中的网站识别为不良网站。
根据本公开的另一方面,提供了一种电子设备,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根据本公开的实施例的不良网站识别方法。
根据本公开的另一方面,提供了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本公开的实施例的不良网站识别方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例的不良网站识别方法。
根据本公开的一个或多个实施例,可以有效识别网络中的不良网站。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的不良网站识别方法的流程图;
图3示出了根据本公开的实施例的网站间关系的示意图;
图4A和图4B示出了根据本公开的实施例的不良网站识别方法的一些可选步骤的流程图;
图5示出了根据本公开的实施例的不良网站识别装置的结构框图;
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行不良网站识别方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来控制服务器进行不良网站识别和不良网站处理、查看识别结果和处理结果等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
下面参考图2来描述根据本公开的实施例的不良网站识别方法200。
在步骤210处,确定多个网站中的满足引流目标条件的第一网站。
在步骤220处,根据多个网站之间的指向关系,从多个网站中确定第一网站的关联网站集,关联网站集中的每个网站具有指向第一网站的链接。
在步骤230处,响应于确定第一网站满足不良网站条件,将关联网站集中的网站识别为不良网站。
通过方法200,能够有效识别网络中的不良网站。
在黑灰产业中,经常存在这样的模式:一个人或一个团队操作多个网站,以通过搜索引擎获得大量流量,或者是将链接指向同一个网站,以提高搜索排名。方法200巧妙地利用了作弊网站这样的拓扑和引流特点,对其整体进行识别。具体地,可以先初步识别目标被引流网站,然后根据目标被引流网站是黑灰产业网站,获得向该目标网站引流的多个关联网站。确定目标网站是黑灰产业网站只需要简单地对一个网站的质量进行判断,由此,可以以显著减小的计算量来确定指向该单个目标网站的多个网站都是用来引流的不良网站。
相反,在现有技术中,往往需要对每个网站的质量、链接指向进行分析以判断当前网站是否是不良网站或者是与用于引流网站,所需的计算量和计算资源都很大,并且没有挖掘作弊网站的本质关联特征。此外,用于引流的网站可能表面看起来和普通网站没有什么区别,所以只从页面本身进行判断,效果也会比较差。
参考图3作为示例,其中示出了第一网站310和关联网站集360,其中关联网站集360包括示例网站320、330、340和350,这些网站分别具有指向第一网站310中的网页311的网页321、331、341、351。可以理解的是,此处网站数量、网页数量、指向关系等仅为示例。例如,网站集合360可以包括更少或者更多的网站,每个网站可以具有更多数量的网页,网站320、330、340和350中的一个或者每一个可以具有多个指向网站310的网页(未示出),网站320、330、340和350可以指向第一网站的多个网页或者第一网站中的不同的网页,网站320、330、340和350之间可以具有更多的互相指向关系或者这些网站可以完全不具有指向彼此的链接,等等。本领域技术人员将理解,本公开不限于此。
根据一些实施例,确定第一网站的关联网站集可以包括获取多个网站中的具有指向第一网站的链接并且满足聚集条件的网站,其中,聚集条件包括以下各项中的至少一项:具有相同的IP地址和来自相同地区。
指向目标被引流网站的多个关联网站往往有一定聚集特征。例如,在实际操作中,这些作弊网站往往是统一购买、集体引流的,所以往往具有相同的IP地址、相同的地域等。根据目标被引流网站获得向该目标网站引流的多个关联网站时还判断聚集条件,通过IP和地域的简单特征进行筛选,能够更准确地识别引流作弊网站之间的关联特性,也防止误伤其他网站。
根据一些实施例,确定第一网站的关联网站集可以包括获取多个网站中的具有指向第一网站的链接并且满足异常网站条件的网站。代替聚集条件,或者可以和聚集条件组合地,还可以判断关联网站的异常条件,也就是指向目标被引流网站的“多个网站”本身具有一定的质量问题——即使这些网站在肉眼看起来或者在代码层面看起来可能是正常网站。异常网站条件可以是根据经验总结的,也可以是不断更新的。
根据一些实施例,异常网站条件可以包括以下各项中的至少一项:内链值在预定内链值范围内,网站规模在预定网站规模范围内,以及生命时间在预定生命时间范围内。例如,正常网站的内链数量、内链占比、网站规模以及生命时间等往往在特定范围内,过大或过小规模的网站、过多或过少的内链占比的网站、生命时间过短的网站往往是异常的。异常网站条件还可以包括其他特征,例如外链数量和占比、IP地址属性(例如,经验发现落入某些特定地区的IP指示较高可能性是作弊网站)。异常网站条件的判断可以包括对网站内的预定数量或预定比例的页面进行检测和判断,例如,可以随机抽取预定数量(一个或多个)的页面,或者获取网站的主页、规模最大的页面、访问量最多的页面或者链接最多的页面等作为典型页面,并且用这些页面的质量来估计整个网站的质量。可以理解的是,上述方案仅为示例,并且本公开不限于此。
根据一些实施例,满足异常网站条件的网站可以是通过使用预训练的模型来确定的。使用模型识别可以识别更多、更隐蔽、更丰富的特征,除了上述特征之外,还可以包括网站的其他特征描述,尤其是其他人工未识别的潜在特征关联。由此,可以更准确、全面地识别不良引流网站的特征。
例如,可以使用预先标注的引流网站和非引流网站(和/或分别从这样的网站中选取或随机抽取的一定数量的网页)的数据训练神经网络,使得训练后的神经网络能够根据网站或者网页的特征对网站是否是引流不良网站进行识别。
根据一些实施例,引流目标条件可以包括以下各项中的至少一项:多个网站中有超过第一阈值的网站指向第一网站,和多个网站中的链接中有超过第二阈值的链接指向第一网站。识别有大量网站/链接指向的网站作为目标被引流网站,作为一种初步筛选方法,与在大量网站中挨个进行质量筛选、判断是不是黑灰产业网站的算法相比,能够有效降低计算量。可选地,可以在通过网站数量和/或链接数量获得一个或多个疑似引流目标网站的第一网站之后,从中剔除优质网站——因为某些非常优质的网站也会存在大量网站引用其页面和链接指向其页面的情况。这可以通过与预先设定的优质网站白名单进行比较而实现,也可以通过其他优质网站的特征进行比对等,并且本领域技术人员将理解,本公开不限于此。
在一些替选的实施例中,满足引流目标条件的第一网站也可以是根据网页质量或者其他预先筛选条件获得的。例如,在通过其他方法已经识别某网站是作弊网站、黑灰产业网站或其他需要打压的目标网站的情况下,可以不需要对链接数量进行额外判断,即可认为该网站满足目标引流条件。作为另一个替选的实施例,引流目标条件可以与步骤230中的“不良网站条件”相似或相同。例如,引流目标条件可以采用不良网站条件(例如,页面涉及黑灰产业等),并且基于这样判断出的第一网站而获得的关联网站集即可以被识别为不良网站,而不需要二次判断步骤。或者,引流目标条件可以与不良网站条件类似,但是作为与判断步骤可以采用更粗的粒度,并且在筛选出关联引流网站集合后再进行更高标准的不良网站标准判断,由此可以进一步节省计算量。
根据一些实施例,将关联网站集中的网站识别为不良网站后,方法还可以包括对关联网站集中的网站执行以下各项中的至少一项:降低收录,删除索引,调整搜索排序算法规则使得降低不良网站的排序。
由此,不仅对识别的目标黑灰网站进行打压,还能够对引流网站进行相关打压,更加优化搜索引擎的排序结果准确性和合理性。
作为一个示例,关联网站集可以指向多个目标引流网站(也称为目标扶持网站),并且对关联网站集的处理方法可以根据目标网站的质量而定。如果目标站基本为黑灰产、低质网站,则应对关联网站集合进行整体打压。如果目标站基本为正常、优质网站,可对关联网站集合持续观察、监控,暂时不做打压。如上所述,打压方式可以包括降低收录、索引、搜索排序打压等,或本领域技术人员将理解的对作弊引流网站进行调控的其他手段。
下面参考图4A描述根据本公开的一些实施例的多个网站之间的指向关系的获取方法410,也可以称为站点关系挖掘方法410。
在步骤411处,从多个网站中提取网页。例如,对多个网站中的每个网站,可以筛选出网站中的典型网页、预定数量的网页、链接最多的网页、规模最大的网页、随机选取的网页。或者,也可以选取网站中的多个(甚至全部)网页。
在步骤412处,从提取的网页中抽取链接。
在步骤413处,基于网页内的链接建立网页间关系,也即网页层面的互相指向关系。
在步骤414处,基于步骤413中建立的网页间关系生成网站间关系,也即将网页间关系转化为网站间关系。例如,可以形成图3所示的关系网络。在这个过程中,对网页间关系进行分类和筛选。具体地,使用站间关系(外链)来筛选关联网站集合,并且在分析网站间关系时不需要分析站内关系(内链),但可以保留内链特征例如内链数量、内链比例等作为网站的质量特征(例如,在如上文所述的网站质量评估中使用)。
可以理解的是,上述获取方法仅是示例,并且根据本公开的一个或多个实施例的不良网站识别方法可以利用以其他方式获取的网站之间的指向关系,并且仍然能够达到有益效果。
下面参考图4B描述根据本公开的一个或多个实施例的确定关联网站集的方法420。
在步骤421处,根据网站之间的指向关系确定可疑网站集合。在获取目标引流网站之后,基于该目标扶持站和网站之间的关联关系,确定为此网站导流的网站集合,这个集合作为可疑网站集合。如前文所述,目标引流网站可以根据网站内页面有大量被指向导流关系来确定,或者根据其他目标引流条件等来确定,并且在此不再赘述。
在步骤422处,通过判断是否满足为不良网站导流的条件,例如如前文所述的聚集条件和/或异常网站条件,获取关联网站集合。
作为一个示例,步骤422可以包括基于IP分布判断这些网站是否满足聚集条件。例如,可以首先获取可疑网站集合中的网站IP,并拆分为同IP、不同IP,同地域、不同地域等。如果可疑网站集合中包含大量同IP的网站,由于大量同IP网站同时指向某确定目标,基本可确定为第一网站的关联引流网站。如果可疑网站集合包含大量不同IP,则对IP地域分析,如存在大量共同地域或特定地域的IP,则意味着较高的引流可能性,此时也可以认为可疑网站是第一网站的关联引流网站,或者可以进一步结合网页质量进行判断,如前文中已经描述地,可以基于网页质量的一个或多个维度(例如,内链、外链、规模等)评估网站或网页的治疗,并且可选地还可以进一步使用模型来识别。如果可疑网站集合中的一部分网站满足聚集条件或者异常网站条件,可以将该一部分网站的子集作为为第一网站导流的关联网站集合。可以理解的是,此处的步骤仅为示例,例如可以单独使用聚集条件,单独使用异常网站条件,或者其结合或部分结合,聚集条件可以单独使用IP聚集条件、单独使用地域聚集条件或两者等,并且本公开不限于此。
在步骤423处,对关联网站集合中的正常或者容易误伤网站进行排除或调整以获得更新的关联网站集合。例如,部分用户生产内容(User Generated Content,UGC)网站由于含有大量用户生成的链接,在这样的判断过程中容易被动卷入并被误伤,但这样的网站本身并非作为引流网站而建立,所以可以予以排除,或者予以不同地标识和处理(例如,可以为网站增加标识其中内容可疑或者有引流倾向的标签,在后续处理时适当地调整排序算法等,而非简单地删除该网站的收录或索引)。
在可选的步骤424处,还可以基于关联网站集合获取其他的目标引流网站。在实践中,一种常见情况是这样的作弊网站集合会扶持多个目标网站。例如,确定的关联引流网站集合不仅对第一网站进行引流,还共同指向第二网站(以及第三网站、第四网站等)。根据这种网站间指向关系,可以容易地判断第二网站也是作弊或者黑灰产业网站。之后,可以对多个目标网站和关联网站集合进行打压,具体处理方法前文已经给出示例,并且在此不再赘述。
根据本公开的一个或多个实施例,能够控制作弊源头。由此,能够更高效准确地识别作弊网站。
下面参考图5描述根据本公开的实施例的不良网站识别装置500。装置500可以包括引流目标确定单元51、关联网站确定单元520和不良网站识别单元530。引流目标确定单元510用于确定多个网站中的满足引流目标条件的第一网站。关联网站确定单元520用于根据多个网站之间的指向关系,从多个网站中确定第一网站的关联网站集,关联网站集中的每个网站具有指向第一网站的链接。不良网站识别单元530用于响应于确定第一网站满足不良网站条件,将关联网站集中的网站识别为不良网站。
根据一些实施例,关联网站确定单元520可以包括用于获取多个网站中的具有指向第一网站的链接并且满足聚集条件的网站的单元,其中,聚集条件包括以下各项中的至少一项:具有相同的IP地址和来自相同地区。
根据一些实施例,关联网站确定单元520可以包括用于确定第一网站的关联网站集包括获取多个网站中的具有指向第一网站的链接并且满足异常网站条件的网站的单元。
根据一些实施例,异常网站条件可以包括以下各项中的至少一项:内链值在预定内链值范围内,网站规模在预定网站规模范围内,以及生命时间在预定生命时间范围内。
根据一些实施例,满足异常网站条件的网站可以是通过使用预训练的模型来确定的。
根据一些实施例,引流目标条件可以包括以下各项中的至少一项:多个网站中有超过第一阈值的网站指向第一网站,和多个网站中的链接中有超过第二阈值的链接指向第一网站。
根据一些实施例,装置500还可以包括将关联网站集中的网站识别为不良网站后,对关联网站集中的网站执行以下各项中的至少一项的单元:降低收录,删除索引,调整搜索排序算法规则使得降低不良网站的排序。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,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,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。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。
设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许设备600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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601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601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601执行上文所描述的各个方法和处理,例如方法200以及可选的方法410、420等。例如,在一些实施例中,方法200以及可选的方法410、420等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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法200以及可选的方法410、420等的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200以及可选的方法410、420等。
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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种不良网站识别方法,包括:
确定多个网站中的满足引流目标条件的第一网站;
根据所述多个网站之间的指向关系,从所述多个网站中确定所述第一网站的关联网站集,所述关联网站集中的每个网站具有指向所述第一网站的链接;并且
响应于确定所述第一网站满足不良网站条件,将所述关联网站集中的网站识别为不良网站。
2.根据权利要求1所述的方法,确定所述第一网站的关联网站集包括获取所述多个网站中的具有指向所述第一网站的链接并且满足聚集条件的网站,其中,所述聚集条件包括以下各项中的至少一项:具有相同的IP地址和来自相同地区。
3.根据权利要求1或2所述的方法,确定所述第一网站的关联网站集包括获取所述多个网站中的具有指向所述第一网站的链接并且满足异常网站条件的网站。
4.根据权利要求3所述的方法,其中,所述异常网站条件包括以下各项中的至少一项:内链值在预定内链值范围内,网站规模在预定网站规模范围内,以及生命时间在预定生命时间范围内。
5.根据权利要求3或4所述的方法,其中,满足所述异常网站条件的网站是通过使用预训练的模型来确定的。
6.根据权利要求1-5中任一项所述的方法,其中,所述引流目标条件包括以下各项中的至少一项:所述多个网站中有超过第一阈值的网站指向第一网站,和所述多个网站中的链接中有超过第二阈值的链接指向第一网站。
7.根据权利要求1-6中任一项所述的方法,其中,将所述关联网站集中的网站识别为不良网站后,所述方法还包括对所述关联网站集中的网站执行以下各项中的至少一项:降低收录,删除索引,调整搜索排序算法规则使得降低不良网站的排序。
8.一种不良网站识别装置,包括:
引流目标确定单元,用于确定多个网站中的满足引流目标条件的第一网站;
关联网站确定单元,用于根据所述多个网站之间的指向关系,从所述多个网站中确定所述第一网站的关联网站集,所述关联网站集中的每个网站具有指向所述第一网站的链接;并且
不良网站识别单元,用于响应于确定所述第一网站满足不良网站条件,将所述关联网站集中的网站识别为不良网站。
9.根据权利要求8所述的装置,所述关联网站确定单元包括用于获取所述多个网站中的具有指向所述第一网站的链接并且满足聚集条件的网站的单元,其中,所述聚集条件包括以下各项中的至少一项:具有相同的IP地址和来自相同地区。
10.根据权利要求8或9所述的装置,所述关联网站确定单元包括用于确定所述第一网站的关联网站集包括获取所述多个网站中的具有指向所述第一网站的链接并且满足异常网站条件的网站的单元。
11.根据权利要求10所述的装置,其中,所述异常网站条件包括以下各项中的至少一项:内链值在预定内链值范围内,网站规模在预定网站规模范围内,以及生命时间在预定生命时间范围内。
12.根据权利要求10或11所述的装置,其中,满足所述异常网站条件的网站是通过使用预训练的模型来确定的。
13.根据权利要求8-12中任一项所述的装置,其中,所述引流目标条件包括以下各项中的至少一项:所述多个网站中有超过第一阈值的网站指向第一网站,和所述多个网站中的链接中有超过第二阈值的链接指向第一网站。
14.根据权利要求8-13中任一项所述的装置,其中,所述装置还包括将所述关联网站集中的网站识别为不良网站后,对所述关联网站集中的网站执行以下各项中的至少一项的单元:降低收录,删除索引,调整搜索排序算法规则使得降低不良网站的排序。
15.一种电子设备,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。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049017.2A CN113742627A (zh) | 2021-09-08 | 2021-09-08 | 不良网站识别方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049017.2A CN113742627A (zh) | 2021-09-08 | 2021-09-08 | 不良网站识别方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742627A true CN113742627A (zh) | 2021-12-03 |
Family
ID=78737074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049017.2A Pending CN113742627A (zh) | 2021-09-08 | 2021-09-08 | 不良网站识别方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172725A (zh) * | 2021-12-07 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 非法网站的处理方法、装置、电子设备和存储介质 |
CN114925308A (zh) * | 2022-04-29 | 2022-08-19 | 北京百度网讯科技有限公司 | 网站的网页处理方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101820366A (zh) * | 2010-01-27 | 2010-09-01 | 南京邮电大学 | 一种基于预取的钓鱼网页检测方法 |
CN102571768A (zh) * | 2011-12-26 | 2012-07-11 | 北京大学 | 一种钓鱼网站检测方法 |
CN102622435A (zh) * | 2012-02-29 | 2012-08-01 | 百度在线网络技术(北京)有限公司 | 一种检测黑链的方法和装置 |
CN102663000A (zh) * | 2012-03-15 | 2012-09-12 | 北京百度网讯科技有限公司 | 恶意网址数据库的建立方法、恶意网址的识别方法和装置 |
US20140108640A1 (en) * | 2012-10-12 | 2014-04-17 | Adobe Systems Incorporated | Anomaly Detection in Network-Site Metrics Using Predictive Modeling |
US20180115565A1 (en) * | 2016-10-26 | 2018-04-26 | International Business Machines Corporation | Phishing detection with machine learning |
CN108156165A (zh) * | 2017-12-28 | 2018-06-12 | 北京奇虎科技有限公司 | 一种误报检测的方法以及系统 |
CN112217815A (zh) * | 2020-10-10 | 2021-01-12 | 杭州安恒信息技术股份有限公司 | 钓鱼网站的识别方法、装置和计算机设备 |
CN112968875A (zh) * | 2021-01-29 | 2021-06-15 | 上海安恒时代信息技术有限公司 | 网络关系构建方法及系统 |
CN113204695A (zh) * | 2021-05-12 | 2021-08-03 | 北京百度网讯科技有限公司 | 网站识别方法和装置 |
CN113360895A (zh) * | 2021-06-02 | 2021-09-07 | 北京百度网讯科技有限公司 | 站群检测方法、装置及电子设备 |
-
2021
- 2021-09-08 CN CN202111049017.2A patent/CN113742627A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101820366A (zh) * | 2010-01-27 | 2010-09-01 | 南京邮电大学 | 一种基于预取的钓鱼网页检测方法 |
CN102571768A (zh) * | 2011-12-26 | 2012-07-11 | 北京大学 | 一种钓鱼网站检测方法 |
CN102622435A (zh) * | 2012-02-29 | 2012-08-01 | 百度在线网络技术(北京)有限公司 | 一种检测黑链的方法和装置 |
CN102663000A (zh) * | 2012-03-15 | 2012-09-12 | 北京百度网讯科技有限公司 | 恶意网址数据库的建立方法、恶意网址的识别方法和装置 |
US20140108640A1 (en) * | 2012-10-12 | 2014-04-17 | Adobe Systems Incorporated | Anomaly Detection in Network-Site Metrics Using Predictive Modeling |
US20180115565A1 (en) * | 2016-10-26 | 2018-04-26 | International Business Machines Corporation | Phishing detection with machine learning |
CN108156165A (zh) * | 2017-12-28 | 2018-06-12 | 北京奇虎科技有限公司 | 一种误报检测的方法以及系统 |
CN112217815A (zh) * | 2020-10-10 | 2021-01-12 | 杭州安恒信息技术股份有限公司 | 钓鱼网站的识别方法、装置和计算机设备 |
CN112968875A (zh) * | 2021-01-29 | 2021-06-15 | 上海安恒时代信息技术有限公司 | 网络关系构建方法及系统 |
CN113204695A (zh) * | 2021-05-12 | 2021-08-03 | 北京百度网讯科技有限公司 | 网站识别方法和装置 |
CN113360895A (zh) * | 2021-06-02 | 2021-09-07 | 北京百度网讯科技有限公司 | 站群检测方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172725A (zh) * | 2021-12-07 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 非法网站的处理方法、装置、电子设备和存储介质 |
CN114172725B (zh) * | 2021-12-07 | 2023-11-14 | 百度在线网络技术(北京)有限公司 | 非法网站的处理方法、装置、电子设备和存储介质 |
CN114925308A (zh) * | 2022-04-29 | 2022-08-19 | 北京百度网讯科技有限公司 | 网站的网页处理方法、装置、电子设备和存储介质 |
CN114925308B (zh) * | 2022-04-29 | 2023-10-03 | 北京百度网讯科技有限公司 | 网站的网页处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113411645B (zh) | 信息推荐方法及装置、电子设备和介质 | |
US20230112576A1 (en) | Techniques for data processing predictions | |
CN113742627A (zh) | 不良网站识别方法、装置、电子设备和介质 | |
US20230052389A1 (en) | Human-object interaction detection | |
US20230047628A1 (en) | Human-object interaction detection | |
US20230051232A1 (en) | Human-object interaction detection | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN112784985A (zh) | 神经网络模型的训练方法及装置、图像识别方法及装置 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN114791982A (zh) | 对象推荐方法和装置 | |
CN113791837A (zh) | 页面处理方法、装置、设备和存储介质 | |
CN113779559B (zh) | 用于识别作弊网站的方法、装置、电子设备和介质 | |
CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
CN114676062B (zh) | 用于接口的差异数据测试方法及装置、电子设备和介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN114219046A (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 | |
CN114443896A (zh) | 数据处理方法和用于训练预测模型的方法 | |
CN114140852A (zh) | 图像检测方法和装置 | |
CN112784912A (zh) | 图像识别方法及装置、神经网络模型的训练方法及装置 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN114218516B (zh) | 网页处理方法、装置、电子设备以及存储介质 | |
CN114120420B (zh) | 图像检测方法和装置 |
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 |