[发明专利]相似文件检测方法、装置、设备及存储介质

权利要求书

1.一种相似文件检测方法，其特征在于，所述相似文件检测方法，包括：

对待检测文件中出现的字符进行统计，获得各字符的出现频率；

将各字符的出现频率作为所述待检测文件的目标文件指纹；

将所述目标文件指纹与文件指纹库中的各文件指纹进行对比，获得所述目标文件指纹与各文件指纹的相似度；

将相似度最高的文件指纹作为匹配文件指纹，并将所述目标文件指纹与所述匹配文件指纹的相似度作为文件相似度。

2.如权利要求1所述的相似文件检测方法，其特征在于，所述将各字符的出现频率作为所述待检测文件的目标文件指纹之前，所述相似文件检测方法还包括：

获取用户标记文件；

获取所述用户标记文件的各字符，统计各字符的出现频率，将各出现频率上传至数据防泄密分析系统中，生成文件指纹库。

3.如权利要求2所述的相似文件检测方法，其特征在于，所述获取所述用户标记文件的各字符，统计各字符的出现频率，将各出现频率上传至数据防泄密分析系统中，生成文件指纹库，包括：

获取所述用户标记文件的各字符；

将各字符的格式转换为预设编码格式，并统计转换后各字符在所述用户标记文件中出现的次数，获得各字符对应的出现频率；

将所述出现频率和所述用户标记文件对应的文件信息上传至数据防泄密分析系统中，生成文件指纹库。

4.如权利要求3所述的相似文件检测方法，其特征在于，所述对待检测文件中出现的字符进行统计，获得各字符的出现频率；将各字符的出现频率作为所述待检测文件的目标文件指纹，包括：

获取待检测文件对应的各目标中文字符；

将各目标中文字符的格式转换为预设编码格式，并统计转换后各目标中文字符在所述待检测文件中出现的次数，获得各目标中文字符对应的目标出现频率；

根据所述目标出现频率生成与所述待检测文件对应的目标文件指纹。

5.如权利要求4所述的相似文件检测方法，其特征在于，所述将所述目标文件指纹与文件指纹库中的各文件指纹进行对比，获得所述目标文件指纹与各文件指纹的相似度，包括：

获取所述目标文件指纹中目标出现频率最高的前K个字符的目标集合；

获取所述文件指纹库中各文件指纹中出现频率最高的前K个字符的各样本集合，K为正整数；

分别获取所述目标集合和各样本集合的并集；

获得各并集中所述目标集合和所述各样本集合的概率分布系数，根据各概率分布系数确定所述目标文件指纹与各文件指纹的相似度。

6.如权利要求5所述的相似文件检测方法，其特征在于，所述获得各并集中所述目标集合和所述各样本集合的概率分布系数，根据各概率分布系数确定所述目标文件指纹与各文件指纹的相似度，包括：

获取所述目标集合在当前并集中的目标概率分布系数，并获取当前样本集合在所述当前并集中的样本概率分布系数；

根据所述目标概率分布系数和所述样本概率分布系数确定所述目标文件指纹与当前文件指纹的相似度；

遍历各样本集合，直至获得所述目标文件指纹与各文件指纹的相似度。

7.如权利要求6所述的相似文件检测方法，其特征在于，所述根据所述目标概率分布系数和所述样本概率分布系数确定所述目标文件指纹与当前文件指纹的相似度，包括：

根据所述目标概率分布系数和所述样本概率分布系数利用下述公式计算获得所述目标文件指纹与当前文件指纹的相似度：

其中，similarity为所述目标文件指纹与当前文件指纹的相似度，p_i为所述目标概率分布系数，q_i为所述样本概率分布系数，n为所述当前并集中元素的数量。