CN113779559A - 用于识别作弊网站的方法、装置、电子设备和介质 - Google Patents

Abstract

本公开的实施例公开了一种用于识别作弊网站的方法、装置、电子设备和介质。本公开实施例涉及互联网领域，具体涉及作弊网站识别技术。本公开的实施例的方法包括：对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数；基于所述至少一个网页的网页稳定性参数分别确定所述至少一个网页所属的至少一个站点的站点稳定性参数；以及对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。利用本公开提供的实施例，能够基于与站点关联的网页页面中外链的稳定性获取站点粒度的稳定性，并基于站点粒度的稳定性确定网站是否属于作弊网站。

Description

用于识别作弊网站的方法、装置、电子设备和介质

技术领域

本公开实施例涉及互联网领域，具体涉及作弊网站识别技术，具体涉及用于识别作弊网站的方法、装置、电子设备以及存储介质。

背景技术

作弊网站(诸如低质网站、黑灰产站点等)的存在会影响搜索引擎的搜索质量。这样的作弊网站会通过各种各样的方式在搜索引擎的工作过程中进行欺骗，以期望从搜索引擎获取流量入口。因此，对于作弊网站的有效识别能够提高搜索引擎的搜索服务质量。

发明内容

根据本公开示例性实施例的一个方面，提供了一种用于识别作弊网站的方法，包括：对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数；基于所述至少一个网页的网页稳定性参数分别确定所述至少一个网页所属的至少一个站点的站点稳定性参数；以及对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

根据本公开示例性实施例的另一个方面，提供了一种用于识别作弊网站的装置，包括：网页稳定性确定单元，配置成对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数；站点稳定性确定单元，配置成基于所述至少一个网页的网页稳定性参数分别确定所述至少一个网页所属的至少一个站点的站点稳定性参数；以及判断单元，配置成对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

根据本公开示例性实施例的另一个方面，提供了一种电子设备。该电子设备包括：处理器以及存储程序的存储器。程序包括指令，指令在由处理器执行时使处理器执行根据本公开一些示例性实施例的方法。

根据本公开示例性实施例的另一个方面，提供了一种存储程序的计算机可读存储介质。程序包括指令，指令在由电子设备的处理器执行时，致使处理器执行根据本公开一些示例性实施例的方法。

根据本公开示例性实施例的另一个方面，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一些示例性实施例的方法。

借助于本公开示例性实施例的用于识别作弊网站的方法、装置、电子设备以及存储介质，能够基于与站点关联的网页页面中外链的稳定性获取站点粒度的稳定性，并基于站点粒度的稳定性确定网站是否属于作弊网站。

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元素：

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用于识别作弊网站的方法的示例性的流程图；

图3示出了根据本公开的实施例的确定网页的网页稳定性参数的示例性的流程图；

图4示出了根据本公开的实施例的确定站点稳定性参数的示例性过程的流程图；

图5示出了根据本公开的实施例的确定站点是否属于作弊网站的示例性过程的流程图；

图6示出了根据本公开的实施例的确定作弊网站的示例性的过程；

图7示出了根据本公开的实施例的用于识别作弊网站的装置的示例性框图；以及

图8示出了根据本公开示例性实施例的示例计算设备的示意性框图。

具体实施方式

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。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

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。

在相关技术中，可以通过识别页面特征的方式来识别某一网页是否属于作弊网页，这样可以以页面级的识别粒度来识别作弊内容。然而，难以利用页面特征实现站点粒度的作弊网站识别。另一种相关技术利用全网站群边关系特征，基于站点间的导流管系进行作弊识别，这样的方法的计算量较大，并且识别的准确率不高。

为了提供一种计算量更小、识别结果更准确的作弊网站识别方法，本公开提供了一种新的用于识别作弊网站的方法。

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根据本公开的实施例的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来访问搜索引擎并使用搜索服务。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使用的数据库可以是例如关系数据库。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。

图2示出了根据本公开的实施例的用于识别作弊网站的方法的示例性的流程图。可以利用图1中示出的服务器120来执行图2中描述的方法200。

如图2所示，在步骤S202中，对于至少一个网页中的每个网页，可以基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数。其中外链指的是网页html文件中js、css、图片(image)、视频(video)等页面资源的链接。外链的返回码可以用于指示外链的稳定性。

在步骤S204中，可以基于至少一个网页的网页稳定性参数分别确定至少一个网页所属的至少一个站点的站点稳定性参数。

在步骤S206中，对于所述至少一个站点中的每个站点，可以基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

利用本公开的实施例提供的用于识别作弊网站的方法，可以基于与站点关联的网页页面中外链的稳定性获取站点粒度的稳定性，并基于站点粒度的稳定性确定网站是否属于作弊网站。

以下将进一步描述根据本公开的实施例的用于识别作弊网站的方法的各种实施例。

图3示出了根据本公开的实施例的确定网页的网页稳定性参数的示例性的流程图。可以利用图3中示出的方法300实现结合图2描述的步骤S202。

在步骤S302中，对于网页中存在的至少一个外链中的每个外链，可以确定该外链的返回码。

在一些实施例中，可以基于搜索引擎对该网页的渲染日志确定网页中外链的返回码。在一些实现方式中，可以获取搜索引擎对该网页的渲染日志，并可以从渲染日志中获取该网页中存在的至少一个外链中每个外链的外链类型和返回码。

搜索引擎在工作时会定期(如每天)抓取网页，并通过模拟浏览器对网页进行渲染来获取更完备的网页特征，如网页中的标题位置、图片布局等。搜索引擎可以利用渲染得到的网页特征来优化搜索服务的质量。对网页的渲染过程中产生的渲染日志将存储在数据库中。渲染日志中可以存有渲染过程中的各种事件以及渲染过程获取的各种数据，例如渲染网页中的某个外链的时间点、该外链渲染成功或渲染失败，该外链的外链类型、该外链的返回码等等。在一些实现方式中，搜索引擎的渲染日志可以被分布式地存储在集群上的多台服务器上。通过对集群中的多台服务器存储的内容进行收集可以获取至少一个网页的渲染日志。

通过对收集到的至少一个网页的渲染日志进行解析，可以获取每个网页中存在的至少一个外链以及渲染日志中针对该外链进行渲染得到的返回码。在一些实现方式中，还可以从渲染日志中获取每个网页中存在的至少一个外链中每个外链所属的外链类型。例如，外链类型可以包括js、css、图片(image)、视频(video)等。在一些示例中，可以通过对渲染日志中的数据进行脏数据丢弃、对数据的编码格式、数据类型进行归一处理等方式对渲染日志的数据进行预处理，以便于从中提取本公开的实施例提供的方法所需要的外链的历史渲染记录。

通过利用搜索引擎的渲染日志确定网页中存在的外链的返回码，可以利用搜索引擎工作时生成的历史数据获取网页的稳定性特征，而不需要额外抓取网页并提取网页中的信息。因此利用上述方法能够减少识别作弊网站的方法中消耗的计算资源和存储资源。

在步骤S304中，可以基于以下各项中的中至少一项确定网页的网页稳定性参数：网页中的外链数量、网页中具有不稳定类型的返回码的不稳定外链数量、网页中存在的至少一个外链中不稳定外链的比例。

网页稳定性参数可以是网页中的外链数量、网页中具有不稳定类型的返回码的不稳定外链数量、网页中存在的至少一个外链中不稳定外链的比例中的一项或多项的集合。

其中，网页中的外链数量指的是单个网页中存在的外链的总数。不稳定外链数量指的是单个网页中具有指示外链渲染不稳定的返回码的外链的总数，网页中存在的至少一个外链中不稳定外链的比例可以是网页中具有不稳定类型的返回码的不稳定外链数量与网页中的外链数量的比值。

在对网页中的外链进行渲染的过程中，外链的返回码能够用于指示外链的渲染是否成功，在外链渲染失败的情况下，返回码可以用于指示外链渲染失败的原因。

外链的返回码类似于HTTP状态码。外链返回码可以分为五类。其中，被表示为100-199的返回码指示信息响应、被表示为200-299的返回码指示成功响应、被表示为300-399的返回码指示重定向、被表示为400-499的返回码指示客户端错误、被表示为500-599的返回码指示服务器错误。

在一些实施例中，可以预先定义多个不同的不稳定类型，并针对不同的不稳定定类型确定网页中的不稳定外链数量。

在一些实现方式中，第一不稳定类型可以被确定为指示外链渲染未成功响应。例如，可以将所有返回码不属于200-299范围的外链确定为属于第一不稳定类型。第二不稳定类型可以被确定为指示外链渲染重定向或请求错误或服务器错误。例如，可以将返回码属于300-399范围或400-499范围或500-599范围的外链确定为是属于第二不稳定类型。第三不稳定类型可以被确定为指示服务器错误。例如，可以将返回码属于500-599范围的外链确定为是属于第三不稳定类型。

基于上述方式确定的第一不稳定类型、第二不稳定类型以及第三不稳定类型，可以分别统计网页中具有第一不稳定类型的返回码的第一类型外链数量、具有第二不稳定类型的返回码的第二类型外链数量以及具有第三不稳定类型的返回码的第三类型外链数量作为网页中的不稳定外链数量。通过预先设计的不稳定类型的统计方式，可以提高识别作弊网站的方法的准确性。

尽管以上给出了第一不稳定类型、第二不稳定类型以及第三不稳定类型的示例性的统计方式，在不脱离本公开原理的情况下，本领域技术人员可以修改、增加或减少不稳定类型的统计方式。例如，可以仅使用第一不稳定类型、第二不稳定类型以及第三不稳定类型中的一种或两种进行统计。又例如，可以使用其他的方式定义更多的不稳定类型。例如，可以将返回码属于300-399范围确定为第四不稳定类型，将返回码属于400-499确定为第五不稳定类型等等。

在一些实施例中，可以基于网页中存在的至少一个外链所属的外链类型确定不稳定外链的数量。在一些实现方式中，对于网页中存在的不同类型的外链，可以针对每种类型的外链分别进行统计作为网页的稳定性参数。例如，可以确定第一外链类型的外链的第一外链数量、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链数量、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链比例中的至少一项，以及第二外链类型的外链的第二外链数量、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链数量、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链比例中的至少一项作为网页的稳定性参数。其中，第一外链类型不同于第二外链类型。其中，第一外链类型可以是css外链，第二外链类型可以是js外链。

可以从渲染日志中获取的至少一个外链的类型中选择一种或多种类型的外链进行统计。例如，可以选择css类型、js类型以及图片类型的外链进行统计。其中，可以不对出现频率低于阈值的外链类型进行统计。如果外链在页面中出现的频率太低，则这种类型的外链的返回码的稳定性可能不能够指示页面本身的稳定性。

图4示出了根据本公开的实施例的确定站点稳定性参数的示例性过程的流程图。可以利用图4中示出的方法400实现图2中的步骤S204。

在步骤S402中，对于被处理的至少一个网页中的每个网页，可以基于该网页的统一资源定位符(URL)确定该网页所属的站点。其中，网页的URL中包括网页所属的站点的站点URL，可以利用URL的编写规则从网页URL中识别对应的站点URL。可以认为具有相同站点URL的网页属于同一站点。

在步骤S404中，对于步骤S402中确定的至少一个站点中的每个站点，基于属于该站点的网页的网页稳定性参数确定该站点的站点稳定性参数。

利用上述方法，可以获取站点粒度的稳定性参数的信息，从而能够以站点为单位进行作弊网站的识别。

在一些实施例中，可以合并属于该站点的网页的网页稳定性参数作为该站点的站点稳定性参数。例如，针对每个站点，可以将属于该站点的网页的网页稳定性参数中同一属性的参数进行求和作为该站点的站点稳定性参数。

在网页稳定性参数包括该网页中的外链数量E、该网页中具有不稳定类型的返回码的不稳定外链数量的情况下f，站点稳定性参数可以包括被处理的至少一个网页中属于该站点的所有网页的外链数量之和ΣE、具有不稳定类型的返回码的不稳定外链数量之和Σf以及基于不稳定外链数量之和外链数量之和的比值确定的不稳定外链的比例Σf/ΣE。

在网页稳定性参数包括第一外链类型的外链的第一外链数量E⁽¹⁾、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链数量f⁽¹⁾、第二外链类型的外链的第二外链数量E⁽²⁾、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链数量f⁽²⁾的情况下，站点稳定性参数可以包括被处理的至少一个网页中属于该站点的所有网页的第一外链类型的外链的第一外链数量之和ΣE⁽¹⁾、第二外链类型的外链的第二外链数量之和ΣE⁽²⁾、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链数量之和Σf⁽¹⁾、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链数量Σf⁽²⁾的情况下之和以及相应确定的具有不稳定类型的返回码的第一不稳定外链比例Σf⁽¹⁾/ΣE⁽¹⁾和第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链比例Σf⁽²⁾/ΣE⁽²⁾。

图5示出了根据本公开的实施例的确定站点是否属于作弊网站的示例性过程的流程图。可以利用图5中示出的方法500实现图2中示出的步骤S206。

在步骤S502中，可以基于该站点的站点稳定性参数确定该站点的站点稳定性特征。其中，可以利用结合图4描述的方法确定各个站点的站点稳定性参数。

在一些实施例中，可以直接将站点稳定性参数的集合确定为站点的站点稳定性特征。例如，站点稳定性特征可以被表示为一个一维向量，其中该一维向量中的每一项对应于站点稳定性参数中的一项参数。

在另一些实施例中，可以基于被处理的至少一个网页中属于该站点的网页数量和网页数量参考值确定用于该站点的稳定性系数，并利用稳定性系数对所述站点稳定性参数进行调整，以得到调整后的站点稳定性参数。可以将调整后的站点稳定性参数的集合确定为该站点的站点稳定性特征。

在又一些实施例中，也可以将站点稳定性参数或调整后的站点稳定性参数的统计量(如加权和、平均数、中位数等)作为站点的站点稳定性特征。

由于被处理的至少一个网页属于不同的站点，可能出现其中一些站点涉及的网页数量较多，而另一些站点涉及的网页数量较少的情况。在站点稳定性特征涉及的网页数量较少的情况下，利用网页的稳定性参数得到的站点稳定性参数的可靠性较低。因此，可以基于属于该站点的被处理的网页的数量和网页数量参考量来确定用于调整站点稳定性参数的稳定性系数。

在一些实现方式中，网页数量参考值可以是被处理的至少一个网页的网页数量与被处理的至少一个网页所属的至少一个站点的站点数量的比值。可以利用公式(1)来确定网页数量参考值μ。

其中μ表示作为网页数量参考值的各站点被处理的网页的平均数，n_i代表第i个站点下被处理的网页数量，m代表被处理的至少一个网页所属的站点总数。

在另一些实现方式中，也可以基于实际情况预先设定网页数量参考值的具体数值。

在结合图4描述的过程中确定的稳定性参数中，属于不稳定类型的外链数量越多，则稳定性参数中不稳定外链数量和不稳定外链的比例将越大。为了降低由于网页数量较少导致的稳定性参数的可靠性，属于该站点的被处理的网页数量越少，稳定性系数越小。可以基于公式(2)来确定稳定性系数ω，其中公式(2)对应于sigmoid函数：

其中，μ表示网页数量参考值，n_i代表第i个站点下被处理的网页数量，γ代表预定义的控制系数，e代表自然常数。

可以根据公式(3)来利用稳定性系数ω对站点稳定性参数进行调整：

s＝ω*k (3)

其中，ω是利用公式(2)确定的稳定性系数，k是站点稳定性参数。基于结合图4描述的过程，k可以包括被处理的至少一个网页中属于该站点的所有网页的第一外链类型的外链的第一外链数量之和ΣE⁽¹⁾、第二外链类型的外链的第二外链数量之和ΣE⁽²⁾、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链数量之和Σf⁽¹⁾、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链数量Σf⁽²⁾的情况下之和以及相应确定的具有不稳定类型的返回码的第一不稳定外链比例Σf⁽¹⁾/ΣE⁽¹⁾和第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链比例Σf⁽²⁾/ΣE⁽²⁾中的一项或多项。在站点稳定性参数包括多项参数的情况下，可以利用稳定性系数ω对每项参数进行调整，从而得到调整后的站点稳定性参数。

在步骤S504中，可以对站点稳定性特征进行分类，以确定该站点是否属于作弊网站。

可以利用训练好的深度学习模型或机器学习模型对站点稳定性特征进行分类。可以利用例如诸如分类树或全连接网络的模型对站点稳定性特征进行处理，以得到用于该站点的分类结果。在一些实现方式中，分类结果可以指示该网站属于作弊网站的概率。当该网站属于作弊网站的概率高于预定阈值时，可以认为该网站属于作弊网站。

可以理解的是，在不脱离本公开原理的情况下，可以利用任何其他可能的分类方法对站点稳定性特征进行分类。

在一些实施例中，响应于确定该站点属于作弊网站，在搜索引擎中屏蔽该站点。利用上述方式可以减少搜索结果中出现作弊网站的概率，从而能够提高搜索服务的质量。

图6示出了根据本公开的实施例的确定作弊网站的示例性的过程。可以利用图1中示出的服务器120来执行图6中描述的方法600。

如图所示，在步骤S601中，可以从历史数据中获取至少一个网页的渲染日志。

在步骤S602中，可以对步骤S601中获取的渲染日志进行数据处理，并解析渲染日志以得到至少一个网页中存在的外链的外链类型和渲染过程的返回码。

在步骤S603～S606中，可以确定各个网页的网页稳定性参数。在步骤S603中，可以确定网页中每种外链类型的外链个数。在步骤S604中，可以确定每种外链类型的第一不稳定类型的外链个数，其中第一不稳定类型指示外链的返回码不属于200-299范围。在步骤S605中，可以确定每种外链的第二不稳定类型的外链个数，其中第二不稳定类型指示外链的返回码为300-399范围或400-499范围或500-599范围。在步骤S606中，可以确定每种外链的第三不稳定类型的外链个数，其中第三不稳定类型指示外链的返回码属于500-599范围。在外链类型包括css类型、js类型以及图片类型的情况下，可以分别针对这三种外链类型统计该类型的外链个数、第一不稳定类型外链个数、第二不稳定类型外链个数以及第三不稳定类型外链个数。在一些实施例中，还可以确定每种外链类型中各个不稳定类型外链的比例。

在步骤S607中，可以将网页稳定性参数合并到站点粒度。可以通过将属于同一站点的网页的同类型的稳定性参数进行求和，以得到对应站点的站点稳定性参数。在一些实施例中，可以为每个站点确定每种外链类型中各个不稳定类型外链的比例。

在步骤S608中，可以确定站点稳定性特征。例如，基于站点涉及的渲染网页的网页数量和网页数量参考值确定用于站点稳定性参数的稳定性系数，并利用稳定性系数对站点稳定性参数进行调整。可以基于调整后的站点稳定性参数的集合确定站点稳定性特征。

在步骤S609中，可以对各个站点的站点稳定性特征进行分类，以确定各个站点是否属于作弊网站。

在步骤S610中，可以在搜索引擎中对步骤S609中确定的作弊网站进行屏蔽。

图7示出了根据本公开的实施例的用于识别作弊网站的装置的示例性框图。

如图7所示，装置700可以包括网页稳定性确定单元710、站点稳定性确定单元720以及判断单元730。

网页稳定性确定单元710可以配置成对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数。站点稳定性确定单元720可以配置成基于至少一个网页的网页稳定性参数分别确定至少一个网页所属的至少一个站点的站点稳定性参数。判断单元730可以配置成对于至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

这里所说的装置700的上述各单元710～730的操作分别与前面描述的步骤S202～S206的操作类似，在此不再加以赘述。

根据本公开的实施例，还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结合图2所述的方法。

根据本公开的实施例，还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结合图2所述的方法。

根据本公开的实施例，还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结合图2所述的方法。

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。

参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800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8所示，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。

设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806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807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808可以包括但不限于磁盘、光盘。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，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，例如方法200-600。例如，在一些实施例中，方法200-600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方法200-600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)而被配置为执行方法200-600。

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)

1.一种用于识别作弊网站的方法，包括：

对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数；

基于所述至少一个网页的网页稳定性参数分别确定所述至少一个网页所属的至少一个站点的站点稳定性参数；以及

对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

2.如权利要求1所述的方法，其中，确定所述至少一个网页所属的至少一个站点的站点稳定性参数包括：

对于所述至少一个网页中的每个网页，基于该网页的统一资源定位符确定该网页所属的站点；

对于所述至少一个站点中的每个站点，基于属于该站点的网页的网页稳定性参数确定该站点的站点稳定性参数。

3.如权利要求2所述的方法，基于所述至少一个网页中属于该站点的网页的网页稳定性参数确定该站点的站点稳定性参数包括：

合并属于该站点的网页的网页稳定性参数作为该站点的站点稳定性参数。

4.如权利要求1-3中任一项所述的方法，其中，确定该网页的网页稳定性参数包括：

对于该网页中存在的至少一个外链中的每个外链，确定该外链的返回码；

基于以下各项中的至少一项确定该网页的网页稳定性参数：

该网页中的外链数量；

该网页中具有不稳定类型的返回码的不稳定外链数量。

5.如权利要求4所述的方法，其中，确定该网页的网页稳定性参数包括：

确定第一外链类型的外链的第一外链数量、第一外链类型的外链中具有不稳定类型的返回码的第一不稳定外链数量中至少一项，以及

确定第二外链类型的外链的第二外链数量、第二外链类型的外链中具有不稳定类型的返回码的第二不稳定外链数量中的至少一项。

6.如权利要求4所述的方法，其中，确定该网页中具有不稳定类型的返回码的不稳定外链数量包括以下各项中的至少一项：

确定该网页中存在的至少一个外链中具有第一不稳定类型的返回码的第一类型外链数量，所述第一不稳定类型的返回码指示外链渲染未成功响应；

确定该网页中存在的至少一个外链中具有第二不稳定类型的返回码的第二类型外链数量，所述第二不稳定类型的返回码指示重定向或请求错误或服务器错误；

确定该网页中存在的至少一个外链中具有第三不稳定类型的返回码的第三类型外链数量，所述第三不稳定类型的返回码指示服务器错误。

7.如权利要求4所述的方法，其中，对于该网页中存在的至少一个外链，确定该外链的返回码包括：

获取搜索引擎对该网页的渲染日志；

从所述渲染日志中获取该网页中存在的至少一个外链中每个外链的外链类型和返回码。

8.如权利要求1所述的方法，其中，对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站包括：

基于该站点的站点稳定性参数确定该站点的站点稳定性特征，其中，所述站点稳定性特征是所述站点稳定性参数的集合；

对所述站点稳定性特征进行分类，以确定该站点是否属于作弊网站。

9.如权利要求8所述的方法，其中，基于该站点的站点稳定性参数确定该站点的站点稳定性特征；

基于所述至少一个网页中属于该站点的网页数量和网页数量参考值确定用于该站点的稳定性系数；

利用所述稳定性系数对所述站点稳定性参数进行调整，以得到调整后的站点稳定性参数；

将调整后的站点稳定性参数的集合确定为该站点的站点稳定性特征。

10.如权利要求9所述的方法，其中，所述网页数量参考值是所述至少一个网页的网页数量与所述至少一个站点的站点数量的比值。

11.如权利要求9所述的方法，其中，属于该站点的网页数量越少，所述稳定性系数越小。

12.如权利要求8所述的方法，其中，对所述站点稳定性特征进行分类包括：

利用训练好的深度学习模型或机器学习模型对所述站点稳定性特征进行分类。

13.如权利要求1所述的方法，还包括：

响应于确定该站点属于作弊网站，在搜索引擎中屏蔽该站点。

14.一种用于识别作弊网站的装置，包括：

网页稳定性确定单元，配置成对于至少一个网页中的每个网页，基于该网页中的存在的至少一个外链的返回码确定该网页的网页稳定性参数；

站点稳定性确定单元，配置成基于所述至少一个网页的网页稳定性参数分别确定所述至少一个网页所属的至少一个站点的站点稳定性参数；以及

判断单元，配置成对于所述至少一个站点中的每个站点，基于该站点的站点稳定性参数确定该站点是否属于作弊网站。

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1-13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1-13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1-13中任一项所述的方法。

Images