[发明专利]一种基于混淆模式识别的垃圾邮件识别方法

说明书

技术领域

本发明涉及反垃圾邮件技术，特别涉及一种基于混淆模式识别的垃圾邮件识别方法。

背景技术

电子邮件作为当今互联网应用最广泛的服务之一，其方便、快捷和经济等特点，得到了无数商务人士的青睐。人们用它来办公，娱乐等等，邮件逐渐成为日常生活中不可缺少的通信工具。但随着信息化的发展，由于互联网的开放性与传播性，垃圾邮件的泛滥也成为用户尤其是企业机构不可忽视的巨大威胁。垃圾邮件中的某些消息具有很强的循环性和攻击性。垃圾电子邮件正开始逐步的减弱电子邮件的可靠性。对于个人用户和企业用户来说，垃圾邮件收发浪费了大量的网络带宽，区分垃圾邮件和正常邮件也浪费了用户的大量时间，尤其对企业机构来说，垃圾邮件已造成了极大的经济效益损失。

大部分垃圾邮件背后的动机是使邮件接收者接受某物，例如登陆某个站点，拨打某个电话，或者购买某支股票。这些动机被称为该邮件的“意图”，而对邮件的这些特点的观察和分析称为“意图分析”。邮件的意图是一种不同于传统技术中所指的内容或行为的全新特征，它具有稳定性、不可伪装性和必要性。

现有的垃圾邮件意图分析方案，通常需要点击进入邮件中的URL超链接地址所指向的网站，并分析该网站的内容。该方案效率低下，且所抽取的意图类型单一，同时，许多垃圾邮件通常采用混淆手段(如在邮件中加入随机噪声)来避免被识别，而该方案并不能处理这种问题。

发明内容

本发明的目的在于克服现有技术之不足，提供一种基于混淆模式识别的垃圾邮件识别方法，通过识别垃圾电子邮件常见的混淆模式来判定当前电子邮件的属性，是对传统反垃圾技术的很好补充。

本发明解决其技术问题所采用的技术方案为：一种基于混淆模式识别的垃圾邮件识别方法，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；

具体实施时，预先统计一个包括乱码和生僻字的特殊字符库，则所述主题、正文和html代码的所有非单字节符中属于该特殊字符库的字符被替换为1，其他字符被替换为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。

作为一种优选，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。

作为一种优选，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。