本发明涉及一种高准确性英文域名相似度检测方法，属于网络安全技术领域。
背景技术：
英文域名作为使用率最高的域名，是国际化域名的重要组成部分，针对英文域名的域名仿冒攻击日渐增多，域名的仿冒形式也日益复杂。由于英文字母、数字中存在很多形近字符，再加上人的快速阅读习惯，难免会在一定程度上造成视觉的错误判断。
levenshtein算法是一种判断字符串相似度的算法，目前被广泛应用于域名相似度检测系统中。但现有技术为了追求高效率判断，往往只是将整个域名作为输入，进而判断相似度，这样一来准确性有所降低，二来在实际应用中不够人性化。如果仿冒网站制作者将一个字符相似拆分为多个字符，或将多个字符相似合并为一个字符，则现有技术判断的准确率将大大降低。
技术实现要素：
本发明要解决的技术问题是针对现有技术的局限和不足，提供一种高准确性英文域名相似度检测方法，创新性地引入相似字符集，根据相似字符集中的相似字符给予域名字符相应的权重，对目前被广泛应用于域名相似度检测系统中的levenshtein算法进行改进，以解决现有技术为了追求高效率判断而使得准确性降低、误判率升高、实际应用中不够人性化等现象，致力于增加目前域名相似度检测算法的准确性。
本发明的技术方案是：一种高准确性英文域名相似度检测方法，具体步骤为：
(1)获取待检测域名x以及目标域名y；
(2)对待检测域名x和目标域名y以点号“.”分割，忽略网络名、域名后缀，保留域名主体，并生成域名主体的英文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}；
(3)根据相似字符集，若待检测域名的域名主体英文字符集合x:{x1,x2…xp}和目标域名的域名主体英文字符集合y:{y1,y2…yq}中有一个字符拆分相似于多个字符，或多个字符合并相似于一个字符，则将其统一替换为指定字符，进行归一化处理，并生成处理后待检测域名的域名主体英文字符集合x':{x1,x2…xm}和目标域名的域名主体英文字符集合y':{y1,y2…yn}；
(4)将处理后待检测域名的域名主体英文字符集合x':{x1,x2…xm}和目标域名的域名主体英文字符集合y':{y1,y2…yn}作为levenshtein算法的输入，生成检测矩阵i(x,y)(m+1)×(n+1)；
(5)对检测矩阵i(x,y)(m+1)×(n+1)按照公式(1)进行矩阵初始化处理：
(6)对初始化后检测矩阵i(x,y)(m+1)×(n+1)中需计算的数据d[i,j](1≤i≤m,1≤j≤n)，若xi和yj相同，则按照公式(2)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1])(2)
若xi和yj不同，则再次根据相似字符集判断是否为相似字符，若是相似字符，则取该相似字符组相应的权重w，根据公式(3)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1]+w)(3)
若不是相似字符，则根据公式(4)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1]+1)(4)
(7)检测矩阵i(x,y)(m+1)×(n+1)中所有数据d[i,j]计算完毕后，最终待检测域名x与目标域名y的编辑距离为d[m,n]，根据最终编辑距离d[m,n]和归一化处理后域名主体的最长长度l＝max(m,n)，由公式(5)：
计算待检测域名x与目标域名y的相似度。
所述步骤(1)中的待检测域名x以及目标域名y，可以为一级域名或二级域名。
所述步骤(2)中如果待检测域名x以及目标域名y是一级域名，则只需忽略域名后缀。
所述步骤(1)中待检测域名x以及目标域名y需是符合常规的域名，即经步骤(2)初始化后，生成域名主体的英文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}需满足以下要求：
p,q∈n+
同样，经步骤(3)归一化后，生成处理后域名主体的英文字符集合x':{x1,x2…xm}和y':{y1,y2…yn}理应满足以下要求：
m,n∈n+。
所述步骤(3)和步骤(6)中的相似字符集由若干组相似字符及对应的权重、归一化字符等组成，且权重w应满足以下要求：
0≤w≤1。
所述步骤(7)中计算的相似度r(x,y)理应满足以下要求：
0≤r(x,y)≤1
若不满足，则说明计算错误，需重新计算；
若满足，其值越接近1，则说明待检测域名与目标域名的相似度越高。
本发明的有益效果是：创新性地引入相似字符集，根据相似字符集中的相似字符给予域名字符相应的权重，对目前被广泛应用于域名相似度检测系统中的levenshtein算法进行改进。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；其次根据相似字符集对域名主体进行归一化处理，并作为levenshtein算法的输入生成检测矩阵；然后再次根据相似字符集给予域名字符相应的权重计算编辑距离；最后由编辑距离和归一化处理后域名主体的最长长度计算相似度。本发明与现有技术相比，主要解决了现有技术为了追求高效率判断而使得准确性降低、误判率升高、实际应用中不够人性化等现象，致力于增加目前域名相似度检测算法的准确性。
附图说明
图1是本发明的流程示意图；
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种高准确性英文域名相似度检测方法，具体步骤为：
(1)获取待检测域名x以及目标域名y；
(2)对待检测域名x和目标域名y以点号“.”分割，忽略网络名、域名后缀，保留域名主体，并生成域名主体的英文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}；
(3)根据相似字符集，若待检测域名的域名主体英文字符集合x:{x1,x2…xp}和目标域名的域名主体英文字符集合y:{y1,y2…yq}中有一个字符拆分相似于多个字符，或多个字符合并相似于一个字符，则将其统一替换为指定字符，进行归一化处理，并生成处理后待检测域名的域名主体英文字符集合x':{x1,x2…xm}和目标域名的域名主体英文字符集合y':{y1,y2…yn}；
(4)将处理后待检测域名的域名主体英文字符集合x':{x1,x2…xm}和目标域名的域名主体英文字符集合y':{y1,y2…yn}作为levenshtein算法的输入，生成检测矩阵i(x,y)(m+1)×(n+1)；
(5)对检测矩阵i(x,y)(m+1)×(n+1)按照公式(1)进行矩阵初始化处理：
(6)对初始化后检测矩阵i(x,y)(m+1)×(n+1)中需计算的数据d[i,j](1≤i≤m,1≤j≤n)，若xi和yj相同，则按照公式(2)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1])(2)
若xi和yj不同，则再次根据相似字符集判断是否为相似字符，若是相似字符，则取该相似字符组相应的权重w，根据公式(3)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1]+w)(3)
若不是相似字符，则根据公式(4)计算该处的编辑距离：
d[i,j]＝min(d[i-1,j]+1,d[i,j-1]+1,d[i-1,j-1]+1)(4)
(7)检测矩阵i(x,y)(m+1)×(n+1)中所有数据d[i,j]计算完毕后，最终待检测域名x与目标域名y的编辑距离为d[m,n]，根据最终编辑距离d[m,n]和归一化处理后域名主体的最长长度l＝max(m,n)，由公式(5)：
计算待检测域名x与目标域名y的相似度。
所述步骤(1)中的待检测域名x以及目标域名y，可以为一级域名或二级域名。
所述步骤(2)中如果待检测域名x以及目标域名y是一级域名，则只需忽略域名后缀。
所述步骤(1)中待检测域名x以及目标域名y需是符合常规的域名，即经步骤(2)初始化后，生成域名主体的英文字符集合x:{x1,x2…xp}和y:{y1,y2…yq}需满足以下要求：
p,q∈n+
同样，经步骤(3)归一化后，生成处理后域名主体的英文字符集合x':{x1,x2…xm}和y':{y1,y2…yn}理应满足以下要求：
m,n∈n+。
所述步骤(3)和步骤(6)中的相似字符集由若干组相似字符及对应的权重、归一化字符等组成，且权重w应满足以下要求：
0≤w≤1。
所述步骤(7)中计算的相似度r(x,y)理应满足以下要求：
0≤r(x,y)≤1
若不满足，则说明计算错误，需重新计算；
若满足，其值越接近1，则说明待检测域名与目标域名的相似度越高。
实施例2：如图1所示，在实施例1的基础上，假设经上述步骤(1)获取的待检测域名为x＝"www.ba1olu.com"，目标域名为y＝"www.baidu.com"，由上述步骤(2)初始化处理后，生成域名主体的英文字符集合为x:{b,a,1,o,l,u}和y:{b,a,i,d,u}。
假设相似字符集(第一列为相似字符，第二列为权重，第三列为归一化字符)为：
经上述步骤(3)归一化处理后，生成处理后待检测域名的域名主体英文字符集合x':{b,a,1,d,u}和目标域名的域名主体英文字符集合y':{b,a,i,d,u}。
经上述步骤(4)将处理后待检测域名的域名主体英文字符集合x':{b,a,1,d,u}和目标域名的域名主体英文字符集合y':{b,a,i,d,u}作为levenshtein算法的输入，生成检测矩阵i(x,y)6×6，并按上述步骤(5)进行矩阵初始化，结果如下所示。
再由步骤(6)中的计算规则对其编辑距离d[i,j](1≤i≤5,1≤j≤5)计算，经查阅相似字符集，“i”与“1”的权重为0，关键的计算过程d[3,3]及最终生成的检测矩阵如下所示。
d[3,3]＝min(d[2,3]+1,d[3,2]+1,d[2,2]+0)
＝min(2,2,0)
＝0
最后，由步骤(7)中的计算规则对相似度r(x,y)进行计算，计算结果如下所述。
结果表明，虽然待检测域名x和目标域名y长度不一致，但检测所得的相似度为1。也就是说，按照本发明的计算原则，待检测域名x和目标域名y为相似域名，且相似度为1，有效地预防了如果仿冒网站制作者将一个字符相似拆分为多个字符，或将多个字符相似合并为一个字符，现有技术判断的准确率低的缺点，实际应用中也较人性化。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。