的文件指纹校验装置，其特征在于，
[0145]所述筛选单元，具体用于通过预置Winnowing函数，对所述指纹信息进行筛选。
[0146]B16、根据B13所述的文件指纹校验装置，其特征在于，所述装置还包括:
[0147]保存单元，用于将所述预置指纹库保存在布隆过滤器中，以便进行文件相似性校验。
[0148]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0149]可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
[0150]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0151]在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0152]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0153]类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循【具体实施方式】的权利要求书由此明确地并入该【具体实施方式】，其中每个权利要求本身都作为本发明的单独实施例。
[0154]本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0155]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0156]本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种文件指纹校验方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0157]应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
【主权项】
1.一种文件指纹校验方法，其特征在于，包括: 提取待校验文件中的文件内容信息并进行预处理； 提取预处理后的文件内容信息中的指纹信息； 检测所述指纹信息与预置指纹库中的指纹信息之间的相似度是否大于或等于预设阈值； 若所述相似度大于或等于所述预设阈值，则确定所述待校验文件为内容相似文件。2.根据权利要求1所述的文件指纹校验方法，其特征在于，所述提取预处理后的文件内容信息中的指纹信息包括: 通过预置Karp-Rabin函数，提取预处理后的文件内容信息中的指纹信息。3.根据权利要求2所述的文件指纹校验方法，其特征在于，所述通过预置Karp-Rabin函数，提取预处理后的文件内容信息中的指纹信息包括: 通过预置K-gram函数将所述预处理后的文件内容信息进行划分，得到多个指纹分块； 计算每个指纹分块对应的哈希值，作为提取的指纹信息。4.根据权利要求3所述的文件指纹校验方法，其特征在于，所述计算每个指纹分块对应的哈希值，作为提取的指纹信息包括: 按照每个指纹分块在文件内容信息中位置的先后顺序，计算所述每个指纹分块对应的哈希值； 当需要计算处于除首位外其余位置的指纹分块的哈希值时，获取前一个指纹分块对应的哈希值； 计算所述前一个指纹分块中第一个字符对应的哈希值，以及所述处于除首位外其余位置的指纹分块中最后一个字符对应的哈希值； 计算所述前一个指纹分块对应的哈希值与所述前一个指纹分块中第一个字符对应的哈希值之差，再与所述处于除首位外其余位置的指纹分块中最后一个字符对应的哈希值求和，得到所述处于除首位外其余位置的指纹分块对应的哈希值。5.根据权利要求1所述的文件指纹校验方法，其特征在于，所述提取待校验文件中的文件内容信息并进行预处理之前，所述方法还包括: 提取不同预置样本文件中的文件内容信息并进行预处理； 获取经过预处理的文件内容信息中的指纹信息； 根据所述指纹信息，构建预置指纹库。6.根据权利要求5所述的文件指纹校验方法，其特征在于，所述根据所述指纹信息，构建预置指纹库之前，所述方法还包括: 对所述指纹信息进行筛选； 所述根据所述指纹信息，构建预置指纹库包括: 根据筛选后的指纹信息，构建预置指纹库。7.根据权利要求6所述的文件指纹校验方法，其特征在于，所述对所述指纹信息进行筛选包括: 通过预置Winnowing函数，对所述指纹信息进行筛选。8.根据权利要求5所述的文件指纹校验方法，其特征在于，所述根据所述指纹信息，构建预置指纹库之后，所述方法还包括: 将所述预置指纹库保存在布隆过滤器中，以便进行文件相似性校验。9.一种文件指纹校验装置，其特征在于，包括: 提取单元，用于提取待校验文件中的文件内容信息； 预处理单元，用于对所述提取单元提取的待校验文件中的文件内容信息进行预处理； 所述提取单元，还用于提取预处理后的文件内容信息中的指纹信息； 检测单元，用于检测所述提取单元提取的指纹信息与预置指纹库中的指纹信息之间的相似度是否大于或等于预设阈值； 确定单元，用于若所述检测单元检测出所述相似度大于或等于所述预设阈值，则确定所述待校验文件为内容相似文件。10.根据权利要求9所述的文件指纹校验装置，其特征在于， 所述提取单元，具体用于通过预置Karp-Rabin函数，提取预处理后的文件内容信息中的指纹信息。
【专利摘要】本发明公开了一种文件指纹校验方法及装置，涉及信息技术领域，可以实现对文件数据的相似性进行准确校验。所述方法包括：首先提取待校验文件中的文件内容信息并进行预处理；提取预处理后的文件内容信息中的指纹信息；检测所述指纹信息与预置指纹库中的指纹信息之间的相似度是否大于或等于预设阈值；若所述相似度大于或等于所述预设阈值，则确定所述待校验文件为内容相似文件。本发明适用于对非结构化数据的指纹校验。
【IPC分类】G06F21/64
【公开号】CN105653984
【申请号】
【发明人】朱细智
【申请人】北京奇虎科技有限公司, 北京奇安信科技有限公司
【公开日】2016年6月8日
【申请日】2015年12月25日