[发明专利]一种基于J-W距离的中文域名相似度量方法

摘要

本发明涉及一种基于J‑W距离的中文域名相似度量方法，属于网络安全技术领域。本发明通过Unicode汉字笔画顺序表将汉字编码后映射为一串数字型字符串，同时创新性地引入机器学习领域的Jaro‑Winler Distance算法，与最长公共子串相结合，进而对中文域名进行相似度量。首先获取待检测域名和目标域名，对其初始化生成域名主体；其次根据Unicode汉字笔画顺序表对域名主体进行编码处理，生成数字型字符串，并作为Jaro‑Winler Distance算法的输入生成检测矩阵；然后与数字型字符串最长公共子串相结合，根据相关规则计算数字型字符串的相似度，此数字型字符串的相似度可以有效代表汉字之间的相似度。

主权项

一种基于J‑W距离的中文域名相似度量方法，其特征在于：Step1：获取待检测域名X以及目标域名Y；Step2：对待检测域名X和目标域名Y以点号“.”或句号“。”分割，忽略网络名、域名后缀，保留域名主体，并生成域名主体的中文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}；Step3：根据Unicode汉字笔画顺序表，遍历Step2中得到的域名主体中文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}，按照集合字符顺序对每个中文字符xi,i∈[1,p]或yi,i∈[1,q]查找其对应汉字笔画顺序，根据相应编码规则进行转换，生成待检测域名X域名主体的编码字符串strx和目标域名Y域名主体的编码字符串stry，并获取编码字符串strx和stry的长度lenx和leny；Step4.1：将待检测域名X和目标域名Y的域名主体编码字符串strx和stry作为J‑W算法的输入，并生成检测矩阵Step4.2：根据公式(1)计算匹配窗口值MW：Step4.3：由检测矩阵及匹配窗口值MW，根据相关规则，计算匹配字符数m和匹配字符换位数n；Step4.4：由Step4.3计算所得匹配字符数m和匹配字符换位数n，根据公式(2)计算待检测域名X和目标域名Y的域名主体编码字符串strx和stry的Jaro Distance：Step4.5：获取待检测域名X和目标域名Y的域名主体编码字符串strx和stry的最长公共子串strxy，并得到其长度lenxy；Step4.6：根据公式(3)进一步计算待检测域名X和目标域名Y的域名主体编码字符串strx和stry的Jaro‑Winkler Distance：其中，bt为是否需要进一步计算的阈值，p为缩放因子。