algorithm – 检测网页抓取的方法

发布时间：2020-12-14 21:15:58 所属栏目：资源来源：网络整理

导读：我需要在我的网站上检测信息的抓取.我尝试了基于行为模式的检测,虽然相对计算量很大,但似乎很有希望. 基础是收集某个客户端的请求时间戳,并将它们的行为模式与常见模式或预先计算的模式进行比较. 更准确地说,我将请求之间的时间间隔收集到数组中,按时间函数

我需要在我的网站上检测信息的抓取.我尝试了基于行为模式的检测,虽然相对计算量很大,但似乎很有希望.

基础是收集某个客户端的请求时间戳,并将它们的行为模式与常见模式或预先计算的模式进行比较.

更准确地说,我将请求之间的时间间隔收集到数组中,按时间函数索引：

i = (integer) ln(interval + 1) / ln(N + 1) * N + 1
Y[i]++
X[i]++ for current client

其中N是时间(计数)限制,丢弃大于N的间隔.最初X和Y用1填充.

然后,在我在X和Y中得到足够数量之后,是时候做出决定了.标准是参数C：

C = sqrt(summ((X[i]/norm(X) - Y[i]/norm(Y))^2)/k)

其中X是某些客户数据,Y是公共数据,norm()是校准函数,k是归一化系数,取决于规范类型().有3种类型：

> norm(X)= summ(X)/ count(X),k = 2
> norm(X)= sqrt(summ(X [i] ^ 2),k = 2
> norm(X)= max(X [i]),k是非空元素X的平方根

C在范围(0..1)内,0表示没有行为偏差,1表示最大偏差.

类型1的校准最适合重复请求,类型2用于重复请求,间隔很少,类型3用于非常量请求间隔.

你怎么看？如果您对您的服务进行尝试,我将不胜感激.

说实话,你的方法完全没有价值,因为它的琐碎旁路.攻击者甚至不必编写一行代码来绕过它.代理服务器是 free,您可以在亚马逊ec2上以新的IP地址启动新机器,每小时2美分.

更好的方法是Roboo,它使用cookie技术来阻止机器人.绝大多数机器人无法运行javascript或flash,这可以用来为您带来优势.

然而所有这些“(in)security though obscurity”,以及它可能起作用的唯一原因是因为你的数据不值得花费5分钟的程序员. (包括Roboo)

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!