123,123

安全类文章的多文本分类系统的设计与实现

《信息技术与网络安全》2020年第7期

吴习沫，朱广宇，张雷

华北计算机系统工程研究所，北京100083

摘要： 目前安全类网站信息的分类标签各不相同，没有统一分类标准，使安全类网站无法准确地向用户展示特定类别的安全信息。面对大量的安全类网站的技术类文章信息，用户需要花费大量的时间来识别文本类别。因此，设计一个多文本分类系统对于提高安全类网站的用户体验和使用效率具有重要意义。开发了一套基于CNN和LSTM混合模型的安全类文章多文本分类系统，本系统采用基于Scrapy框架的网络爬虫，该网络爬虫支持定制化配置提取不同布局的页面数据，支持数据持久化存储。并在 CNN和 LSTM混合模型基础上设计实现了多文本自动标注模块，实现了网站安全类信息的自动分类，相对传统的CNN和LSTM模型分类准确率分别提升1.79%和1.54%，F1值分别提升1.02%和0.32%。

關鍵詞： 深度学习文本分类爬虫系统

中圖分類號： TP391.1
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.07.009
引用格式：吳習沫，朱廣宇，張雷. 安全類文章的多文本分類系統(tǒng)的設計與實現[J].信息技術與網絡安全，2020，
39(7)：52-56，60.

Design and implementation of multi-text classification system for security articles

Wu Ximo，Zhu Guangyu，Zhang Lei

North China Institute of Computer Systems Engineering，Beijing 100083，China

Abstract： At present, the classification labels of security website information are different, and there is no unified classification standard, so that security websites cannot accurately display specific types of security information to users. Faced with a large number of technical article information of security websites, users need to spend a lot of time to identify text categories. So, it′s significant to design a multi-text classification system to advance the user experience and make use of security websites′ efficiency. This paper develops a security text multi-text classification system based on a hybrid model of CNN and LSTM. Based on the Scrapy framework, a web crawler, which supports both customized configuration to extract page data in different layouts and data persistence storage, is used in this system. Based on the mixed model of CNN and LSTM, a multi-text automatic labeling module is designed and implemented to realize the automatic classification of website security information. The rate of classification accuracy has increased by 1.79% and 1.54% in comparison with the traditional CNN and LSTM models respectively. Meanwhile,the F1 value has increased by 1.02% and 0.32%.

Key words : in-depth learning；text categorization；crawler；system

互聯(lián)網已成為信息傳播的普遍途徑，然而，由于互聯(lián)網中的冗余信息過多，各網站提供的標簽沒有統(tǒng)一的分類標準，使得整合某一特定類的文章信息所消耗的時間成本和人力成本增加。但目前為止，針對網絡安全類網站的技術類文章，還沒有一套系統(tǒng)能夠很好地解決上述對應問題。

為迅速掌握最新的網絡安全信息，本文設計并實現了基于CNN和LSTM混合模型的安全類文章多文本分類系統(tǒng)，該系統(tǒng)從多種來源收集安全類技術文本，并將它們以特定格式匯總，自動標記匯總后的文章內容。就信息收集而言，系統(tǒng)主要采集近一年的安全類技術文本，收集的目標內容主要包括文章內容和網頁自帶的標簽，對于各網站自定義的文章標簽，可作為多標簽的一部分，供用戶參考。安全類文本與普通文本對比需要由多個標簽對其進行標記分類處理。因此安全類文本的分類要難于普通文本分類處理。

面向網絡安全數據高并發(fā)的安全類網站，本文設計和實現了信息采集模塊，該模塊主要實現了基于Scrapy框架的分布式爬蟲程序設計，完成了多個安全類網站技術類文章的文本信息數據采集。

本文設計并實現了信息分類模塊，它負責對所獲得的數據進行預處理、文本表示以及文本分類，其中文本分類模塊具體提出了一種基于CNN和LSTM的混合分類模型，它綜合了CNN與LSTM的優(yōu)點，提高了模型的特征提取能力。實驗結果表明，基于CNN和LSTM的混合分類模型達到了比較高的準確率，CNN和LSTM的混合模型的準確率為91.99%。CNN-LSTM與CNN、LSTM相比分類準確率提高了1.79%和1.54%。

本文詳細內容請下載：http://ihrv.cn/resource/share/2000003231

作者信息：

吳習沫，朱廣宇，張雷

(華北計算機系統(tǒng)工程研究所，北京100083)

原創(chuàng)聲明：此內容為AET網站原創(chuàng)，未經授權禁止轉載。

相關內容