基于網(wǎng)絡(luò)設(shè)備的網(wǎng)頁過濾的設(shè)計(jì)

 在網(wǎng)頁過濾技術(shù)中，URL 過濾是普遍采用的過濾方式，因?yàn)槠湓O(shè)計(jì)實(shí)現(xiàn)非常簡(jiǎn)單，速度快、效率高；但是互聯(lián)網(wǎng)是動(dòng)態(tài)的，每天有數(shù)以萬計(jì)的新的網(wǎng)頁出現(xiàn)，URL 名單的更新速度往往跟不上；如果單純的采用URL 過濾，會(huì)造成過濾的遺漏

　　內(nèi)容過濾能夠?qū)崿F(xiàn)實(shí)時(shí)的網(wǎng)頁內(nèi)容防護(hù)，過濾比較準(zhǔn)確，但是因?yàn)閮?nèi)容過濾過程比較復(fù)雜，處理量如果過大，會(huì)造成用戶上網(wǎng)的明顯延遲。

　　設(shè)計(jì)的方法是基于網(wǎng)絡(luò)層的網(wǎng)頁過濾方法，在網(wǎng)絡(luò)設(shè)備上實(shí)現(xiàn)對(duì)網(wǎng)頁的過濾。采用URL 過濾與內(nèi)容過濾相結(jié)合的方式，取安全與性能的折中。

　　1 網(wǎng)頁過濾總體框架

　　一臺(tái)主機(jī)要訪問Web 服務(wù)器，首先與Web 服務(wù)器進(jìn)行三次握手，建立TCP 連接；然后向Web 服務(wù)器發(fā)送請(qǐng)求報(bào)文，其中包含用戶訪問的URL，Web 服務(wù)器在收到請(qǐng)求報(bào)文后，會(huì)發(fā)送應(yīng)答報(bào)文給客戶主機(jī)，因此過濾流程框架可按如下設(shè)計(jì)：

　?、僭诰W(wǎng)絡(luò)設(shè)備中*用戶的數(shù)據(jù)包，檢測(cè)到HTTP 請(qǐng)求報(bào)文[3]，則分析該報(bào)文中嵌入的網(wǎng)頁地址信息（即URL），提取出URL 信息，對(duì)其進(jìn)行在黑白名單中進(jìn)行匹配分析，根據(jù)匹配結(jié)果給予是否通過；②內(nèi)容過濾采用“第一次放過”的策略，即第一次對(duì)未知URL 的返回報(bào)文僅做內(nèi)容檢查。收集服務(wù)器返回的HTTP響應(yīng)報(bào)文，提取出應(yīng)用層信息，組成完整的HTML 文檔，進(jìn)行內(nèi)容過濾，根據(jù)判定結(jié)果進(jìn)行相應(yīng)的操作，整體過濾步驟如圖1 所示。

圖1 過濾模型

　　2 URL 過濾

　　2.1 相關(guān)定義

　　白（黑）名單：在該名單中的URL，必定是合（非）法的地址信息；未在該名單中的網(wǎng)址的合法性未知。

　　2.2 黑白名單機(jī)制的設(shè)計(jì)

　　URL 過濾框架的設(shè)計(jì)是基于兩個(gè)事實(shí)：

　?、僖蛱鼐W(wǎng)統(tǒng)計(jì)表明，超過80%的用戶經(jīng)常訪問的是20%的網(wǎng)頁內(nèi)容；②大多數(shù)用戶在多數(shù)時(shí)間內(nèi)訪問的是合法信息的網(wǎng)頁。

　　基于上述事實(shí)一，設(shè)計(jì)白名單時(shí)，僅存放經(jīng)常訪問的合法網(wǎng)站地址信息。這樣設(shè)計(jì)可以保證在進(jìn)行URL 匹配時(shí)，能夠快速高效地判斷該網(wǎng)頁地址是否在高頻白名單中。對(duì)于一段時(shí)間內(nèi)訪問頻率不高的網(wǎng)頁，采用老化機(jī)制將其從名單中移除。

　　基于上述事實(shí)二，設(shè)計(jì)將URL 白名單放在黑名單之前，若采用黑名單在前的方式，將會(huì)浪費(fèi)大量時(shí)間去查找黑名單，而在大多數(shù)時(shí)間內(nèi)，這些查找是不必要的。

　　2.3 URL 過濾

　　URL 過濾過程有：

　?、贆z測(cè)通過網(wǎng)絡(luò)設(shè)備的報(bào)文，發(fā)現(xiàn)是HTTP 的GET 方法請(qǐng)求報(bào)文，提取其中攜帶的URL 信息，若與高頻名單中的條目匹配，表示該URL 為合法，給予通過，并將該條目的統(tǒng)計(jì)計(jì)數(shù)加1；②若在白名單中沒有匹配，則繼續(xù)和黑名單中的條目進(jìn)行匹配。如果匹配成功，則斷開該TCP 鏈接，并且該匹配條目的統(tǒng)計(jì)計(jì)數(shù)加1；③若匹配失敗，則進(jìn)行內(nèi)容，根據(jù)內(nèi)容過濾的結(jié)果將URL添加到相應(yīng)名單中。

　　2.4 黑白名單老化機(jī)制

　　黑白名單老化機(jī)制步驟如下：

　?、儆?jì)算名單中URL 條目訪問次數(shù)的平均值M，計(jì)算公式如公式1：

　　其中n 為表中的URL 條目數(shù)，mi 為第i 個(gè)條目的統(tǒng)計(jì)計(jì)數(shù)值；②將老化閾值設(shè)為該平均值；③遍歷所有的URL 條目，檢查每個(gè)URL 條目的統(tǒng)計(jì)計(jì)數(shù)，若高于老化閾值，則將其保留在名單中，并且將統(tǒng)計(jì)計(jì)數(shù)值0，如果低于老化閾值，則將其剔除。

　　3 內(nèi)容過濾

　　3.1 響應(yīng)報(bào)文的獲取與重組

　　由于網(wǎng)絡(luò)的復(fù)雜性，返回的HTTP 響應(yīng)報(bào)文可能不是有序的到達(dá)網(wǎng)絡(luò)設(shè)備的，因此在網(wǎng)絡(luò)設(shè)備上需要對(duì)到達(dá)的響應(yīng)報(bào)文進(jìn)行有序的重組。根據(jù)請(qǐng)求報(bào)文的五元組信息，收集該請(qǐng)求對(duì)應(yīng)的HTTP 響應(yīng)報(bào)文；由于可能亂序，根據(jù)ACK 字段和Seq 字段對(duì)報(bào)文進(jìn)行排序重組。在重組中建立的數(shù)據(jù)結(jié)構(gòu)圖2 所示。

圖2 重組使用的數(shù)據(jù)結(jié)構(gòu)

　　3.2 文本的表示

　　目前常用的文本表示模型有許多種，常用的有：布爾邏輯模型、概率模型和向量空間模型等。在向量空間模型，文本內(nèi)容被形式化為多維空間中的一個(gè)點(diǎn)，把對(duì)文本內(nèi)容的處理簡(jiǎn)化為向量空間中向量運(yùn)算，使問題的復(fù)雜性大為降低。

　　權(quán)重的計(jì)算既可用規(guī)則的方法手工完成，又可通過統(tǒng)計(jì)的方法自動(dòng)完成，便于融合統(tǒng)計(jì)和規(guī)則兩種方法。

　　向量空間模型用項(xiàng)的向量空間來表示文檔信息，項(xiàng)是指用來表示文檔內(nèi)容特征的基本語言單位（字、詞、詞組或短語等），也稱為特征詞，文檔可以用項(xiàng)的*來表示。一個(gè)網(wǎng)頁可以由特征以及其權(quán)值表示，如下：

　　其中 xi 為文本向量空間中的一個(gè)特征， w i 為該特征的權(quán)值。

　　3.3 特征的選取

　　一個(gè)文本攜帶大量的信息，基于計(jì)算的復(fù)雜性考慮，只能在文本信息中提取出其中一些比較重要的特征；并且對(duì)于實(shí)際的性能要求，文本中的關(guān)鍵信息足以反映一個(gè)文本特征。像一個(gè)文本中出現(xiàn)的“的”、“有”等一些詞是一些通用詞，不能體現(xiàn)某些文本的特征，因此需要事先對(duì)文本進(jìn)行預(yù)處理，去除掉這些詞。

　　3.4 TF-IDF 權(quán)值計(jì)算

　　TF-IDF 計(jì)算公式：

　　其中TF（x,d）表示特征x在網(wǎng)頁d中出現(xiàn)的頻率，IDF（x）表示為，N是總共的訓(xùn)練樣本數(shù)，df （x）為包含特征x 的樣本數(shù)。

　　3.5 改進(jìn)的權(quán)值計(jì)算公式

　　從TF-IDF 計(jì)算公式可以看出，TF-IDF 計(jì)算公式是將一個(gè)樣本簡(jiǎn)單的分解為若干特征，只是針對(duì)文本的內(nèi)容，沒有從文本的結(jié)構(gòu)組成上考慮各特征的權(quán)值。

　　實(shí)際上，在一個(gè)HTML 結(jié)構(gòu)文檔中，在之間，,以及一些其他的標(biāo)簽之間出現(xiàn)的特征，相對(duì)于其他普通的正文，具有更重要的意義，因此對(duì)這些標(biāo)簽之間的特征要給予比較大的權(quán)值，而對(duì)于其他普通的正文給予權(quán)重比較小?？紤]到HTML 的這種結(jié)構(gòu)化特性，對(duì)TF-IDF 權(quán)值計(jì)算進(jìn)行一些改進(jìn)。

　　以下是設(shè)計(jì)的一個(gè)簡(jiǎn)單的位置——權(quán)值等級(jí)對(duì)應(yīng)表，權(quán)值的選擇可由實(shí)際情況具體而定。

表1 特征位置與權(quán)值對(duì)應(yīng)表

　　一個(gè)詞在一個(gè)網(wǎng)頁中出現(xiàn)的頻率越高，表示該詞在這個(gè)網(wǎng)頁中更重要。根據(jù)IDF，一個(gè)詞的重要與包含它的網(wǎng)頁數(shù)量成反比。一個(gè)特征x 在第i 個(gè)等級(jí)中的頻率如下表示：

　　其中Nxi  表示某個(gè)詞x 出現(xiàn)在等級(jí)i 中間的次數(shù)， Nx  表示詞x 出現(xiàn)在該網(wǎng)頁中總的次數(shù)。

　　權(quán)值的計(jì)算：

　　其中Wi  為特征等級(jí)為i 時(shí)，對(duì)應(yīng)的加權(quán)系數(shù)。

　　3.6 KNN 算法

　　K-近鄰法的原理：在訓(xùn)練樣本集中，找出與待分類的網(wǎng)頁相鄰最近的K 個(gè)訓(xùn)練樣本，找出K 個(gè)近鄰中樣本數(shù)最多的類別c，就判斷待分類樣本為c 類。這里采用相似度作為計(jì)算距離的依據(jù)，相似的計(jì)算根據(jù)兩個(gè)樣本之間的夾角的余弦值來判斷。

　　根據(jù)此公式，計(jì)算出待測(cè)樣本x 與所有訓(xùn)練樣本的距離，從而找出與x 距離最近的K 個(gè)訓(xùn)練樣本，根據(jù)這K 個(gè)樣本的所屬類別，確定待測(cè)樣本x 的所屬類別。

　　3.7 內(nèi)容過濾流程

　　為了不給用戶造成比較明顯的延遲，采用“第一次放過”的策略。先并不攔截該響應(yīng)報(bào)文，只是復(fù)制一份應(yīng)用層信息，在整個(gè)響應(yīng)報(bào)文傳輸完成之后，對(duì)復(fù)制的一份完整報(bào)文進(jìn)行內(nèi)容過濾操作；如果判斷報(bào)文內(nèi)容是非法的，則將對(duì)應(yīng)的請(qǐng)求報(bào)文的URL 信息添加到黑名單中，如果檢查認(rèn)為是合法的，則允許該連接持續(xù)，并將URL 信息添加到白名單中。

　　4 結(jié)語

　　通過實(shí)驗(yàn)分析，在過濾時(shí)間上，URL 過濾階段白名單匹配速度提高了53%,在黑名單的匹配中，速度提高了80%。在內(nèi)容過濾階段，由于采用的“第一次放過”策略，不會(huì)給用戶帶來延遲。既能在一定程度滿足網(wǎng)絡(luò)延遲的要求，又能改善用戶的互聯(lián)網(wǎng)環(huán)境。但仍然存在一些需要改進(jìn)的地方：該過濾系統(tǒng)是部署在網(wǎng)絡(luò)設(shè)備之上，網(wǎng)絡(luò)設(shè)備作為網(wǎng)絡(luò)節(jié)點(diǎn)，擔(dān)負(fù)著繁重的數(shù)據(jù)交換任務(wù)，考慮到這些，沒有對(duì)返回的報(bào)文進(jìn)行實(shí)時(shí)的分析，而是采用“第一次放過”的過濾策略；此外，采用向量空間模型來表示，其缺點(diǎn)在于特征項(xiàng)之間線性無關(guān)的假設(shè)，因此可以考慮特征項(xiàng)之間的關(guān)聯(lián)性等，對(duì)該文本表示模型進(jìn)行更加精確的表示。