[发明专利]一种基于混淆模式识别的垃圾邮件识别方法

权利要求书

1.一种基于混淆模式识别的垃圾邮件识别方法，其特征在于，该方法的垃圾邮件识别过程包括：

1)从上级系统接收一封电子邮件，分别读取该电子邮件的主题、正文和html代码；

2)预处理：将所述主题中的空格去掉，消除所述正文中控制字符的影响；

3)归一化：将所述主题、正文和html代码的所有单字节符中的数字和字母替换为“2”，其他单字节符替换为“0”；结合预先统计的特殊字符库，将所述主题、正文和html代码的所有非单字节符替换为1或0，具体包括将所述主题、正文和html代码的所有非单字节符中所有由所述特殊字符库定义的乱码、生僻字替换为1，所有由所述特殊字符库定义的正常文字替换为0；

4)混淆模式识别：将由0、1、2三种字符构成的主题整合为一个第一字符串，将由0、1、2三种字符构成的正文整合为一个第二字符串，将由0、1、2三种字符构成的html代码整合为一个第三字符串；分别将第一字符串、第二字符串和第三字符串输入预先统计的主题混淆模式库、正文混淆模式库和html代码混淆模式库；

5)判定：若第一字符串符合所述主题混淆模式库中的一种混淆模式，或第二字符串符合所述正文混淆模式库中的一种混淆模式，或第三字符串符合所述html代码混淆模式库中的一种混淆模式，则当前电子邮件被判定为垃圾邮件；否则，当前电子邮件被判定为正常邮件；

6)将判定结果返回给上级系统，结束。

2.如权利要求1所述的一种基于混淆模式识别的垃圾邮件识别方法，其特征在于，步骤3)之前还包括：抽取所述html代码中包括“<INPUT”的行，并截取出该html行中从“<INPUT”到其之后的第一个“>”之间的内容，获取该内容中的width值、high值和value值的长度；若该内容中的value值的长度大于width值乘以high值加上5，则该html行为一个错误行；若整个电子邮件的html代码中的错误行数大于预设的阈值，则该电子邮件被判定为垃圾邮件，将判定结果返回给上级系统，结束；若否，则继续往下执行。

3.如权利要求1或2所述的一种基于混淆模式识别的垃圾邮件识别方法，其特征在于，步骤3)之前还包括：抽取所述html代码中包括“<TEXTAREA”的行，并截取出该html行中从“<TEXTAREA”到其之后的第一个“TEXTAREA>”之间的内容，获取该内容中的width值、high值和value值的长度；若该内容中的value值的长度大于width值乘以high值加上5，则该html行为一个错误行；若整个电子邮件的html代码中的错误行数大于预设的阈值，则该电子邮件被判定为垃圾邮件，将判定结果返回给上级系统，结束；若否，则继续往下执行。

4.如权利要求1所述的一种基于混淆模式识别的垃圾邮件识别方法，其特征在于，步骤3)之前，还包括：抽取所述正文的前n行，其中n为一个预设的自然数；若所述主题或该前n行中包括属于预先统计的回信字符库中的特征词，则当前电子邮件被判定为正常邮件，并将判定结果返回给上级子系统，结束；若否，则继续往下执行。

5.如权利要求1所述的一种基于混淆模式识别的垃圾邮件识别方法，其特征在于，所述特殊字符库包括中文特殊字符子库、日文特殊字符子库、韩文特殊字符子库、泰文特殊字符子库及其他国家的非单字节字符的特殊字符子库。