基于網絡設備的網頁過濾的設計

　　3.4 TF-IDF 權值計算

　　TF-IDF 計算公式：

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

　　3.5 改進的權值計算公式

　　從TF-IDF 計算公式可以看出，TF-IDF 計算公式是將一個樣本簡單的分解為若干特征，只是針對文本的內容，沒有從文本的結構組成上考慮各特征的權值。

　　實際上，在一個HTML 結構文檔中，在之間，,以及一些其他的標簽之間出現(xiàn)的特征，相對于其他普通的正文，具有更重要的意義，因此對這些標簽之間的特征要給予比較大的權值，而對于其他普通的正文給予權重比較小。考慮到HTML 的這種結構化特性，對TF-IDF 權值計算進行一些改進。

　　以下是設計的一個簡單的位置——權值等級對應表，權值的選擇可由實際情況具體而定。

表1 特征位置與權值對應表

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

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

　　權值的計算：

　　其中Wi 為特征等級為i 時，對應的加權系數(shù)。

　　3.6 KNN 算法

　　K-近鄰法的原理：在訓練樣本集中，找出與待分類的網頁相鄰最近的K 個訓練樣本，找出K 個近鄰中樣本數(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算距離的依據(jù)，相似的計算根據(jù)兩個樣本之間的夾角的余弦值來判斷。

　　根據(jù)此公式，計算出待測樣本x 與所有訓練樣本的距離，從而找出與x 距離最近的K 個訓練樣本，根據(jù)這K 個樣本的所屬類別，確定待測樣本x 的所屬類別。

　　3.7 內容過濾流程

　　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。先并不攔截該響應報文，只是復制一份應用層信息，在整個響應報文傳輸完成之后，對復制的一份完整報文進行內容過濾操作；如果判斷報文內容是非法的，則將對應的請求報文的URL 信息添加到黑名單中，如果檢查認為是合法的，則允許該連接持續(xù)，并將URL 信息添加到白名單中。

　　4 結語

　　通過實驗分析，在過濾時間上，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%。在內容過濾階段，由于采用的“第一次放過”策略，不會給用戶帶來延遲。既能在一定程度滿足網絡延遲的要求，又能改善用戶的互聯(lián)網環(huán)境。但仍然存在一些需要改進的地方：該過濾系統(tǒng)是部署在網絡設備之上，網絡設備作為網絡節(jié)點，擔負著繁重的數(shù)據(jù)交換任務，考慮到這些，沒有對返回的報文進行實時的分析，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，其缺點在于特征項之間線性無關的假設，因此可以考慮特征項之間的關聯(lián)性等，對該文本表示模型進行更加精確的表示。