瀏覽器隱私模式下犯罪活動(dòng)信息實(shí)時(shí)獲取方法

摘 要：提出瀏覽器隱私模式下犯罪活動(dòng)信息實(shí)時(shí)獲取方法.通過擬合犯罪活動(dòng)信息狀態(tài)統(tǒng)計(jì)特征量建立瀏覽器隱私模式下犯罪活動(dòng)信息采集模型，構(gòu)建犯罪活動(dòng)信息安全監(jiān)測(cè)的統(tǒng)計(jì)分析模型，通過特征分布式聚類方法獲取犯罪活動(dòng)信息.仿真結(jié)果表明，采用該方法進(jìn)行犯罪活動(dòng)信息獲取的精度較高，對(duì)犯罪活動(dòng)信息的軌跡跟蹤和取證能力較強(qiáng).

關(guān)鍵詞：瀏覽器;隱私模式;犯罪活動(dòng);信息獲取

[中圖分類號(hào)]TP391[文獻(xiàn)標(biāo)志碼]A

Real-time Acquisition Method of Criminal ActivityInformation in Browser Privacy Mode

WANG Cailing

（Network Security Department of Henan police college，Zhengzhou 450046，China）

Abstract：This paper proposes a real-time access method of criminal activity information in browser privacy mode.By fitting the statistical characteristic quantity of criminal activity information state，the criminal activity information collection model under Browser privacy mode is established，the statistical analysis model of criminal activity information security monitoring is constructed，and the criminal activity information is obtained by feature distributed clustering method.The simulation results show that the accuracy of the method is high，and the track tracking and evidence collection ability of the criminal activity information are strong.

Key words：browser;privacy model;criminal activities;information acquisition

分析犯罪活動(dòng)信息傳輸和運(yùn)行規(guī)律特征、提高犯罪活動(dòng)信息的挖掘和優(yōu)化檢測(cè)能力的研究成果豐碩.[1]在犯罪活動(dòng)信息實(shí)時(shí)獲取過程中，必須重視犯罪活動(dòng)信息特征統(tǒng)計(jì)問題，才能保證信息獲取準(zhǔn)確性.本文提出基于瀏覽器隱私模式檢測(cè)的犯罪活動(dòng)信息實(shí)時(shí)獲取方法，結(jié)合運(yùn)行狀態(tài)特征檢測(cè)方法，構(gòu)建瀏覽器隱私模式下犯罪活動(dòng)信息安全監(jiān)測(cè)統(tǒng)計(jì)分析模型，實(shí)現(xiàn)犯罪活動(dòng)信息的實(shí)時(shí)獲取，有效提高信息獲取的性能.

1 犯罪活動(dòng)信息采集和統(tǒng)計(jì)特征分析

1.1 犯罪活動(dòng)信息采集

構(gòu)建瀏覽器隱私模式下犯罪活動(dòng)信息采集模型，實(shí)現(xiàn)犯罪活動(dòng)信息實(shí)時(shí)獲取.結(jié)合尋優(yōu)算法，根據(jù)功能函數(shù)進(jìn)行犯罪活動(dòng)信息聚類分析，得到瀏覽器隱私模式下犯罪活動(dòng)信息采集模型的特征點(diǎn)i在t時(shí)刻的樣本集，表示為（w1，j，w2，j，…，wtj）.其中，wtj為瀏覽器隱私模式下犯罪活動(dòng)信息挖掘的加權(quán)系數(shù).結(jié)合語義特征分析方法，建立瀏覽器隱私模式下犯罪活動(dòng)信息挖掘模糊語義分布集，得到該模式下犯罪活動(dòng)信息的標(biāo)準(zhǔn)量化分布系數(shù)：

p=maxlt+wtjdj+ki.（1）

式（1）中，maxl為模糊特征聚類函數(shù)，表示采樣間隔dj在犯罪活動(dòng)信息獲取的語義關(guān)聯(lián)集，ki表示瀏覽器隱私模式下犯罪活動(dòng)信息的編號(hào)數(shù)目.

通過語義檢測(cè)，得到在采樣時(shí)間點(diǎn)ki的犯罪活動(dòng)信息實(shí)時(shí)分布值：

f=p+di+dji+wtj.（2）

式（2）中，di和dj為瀏覽器隱私模式下犯罪活動(dòng)信息采集的關(guān)聯(lián)系數(shù).

采用模糊聚類方法，進(jìn)行瀏覽器隱私模式下犯罪活動(dòng)信息挖掘，得到空間分布函數(shù)：

h=∑f+（di+dj）.（3）

通過對(duì)采集的犯罪活動(dòng)信息數(shù)據(jù)進(jìn)行融合處理，提取犯罪活動(dòng)信息相關(guān)的統(tǒng)計(jì)特征量和模糊關(guān)聯(lián)規(guī)則特征集，提高信息的獲取能力.

1.2 犯罪活動(dòng)信息的統(tǒng)計(jì)特征分析

對(duì)犯罪活動(dòng)信息進(jìn)行優(yōu)化挖掘，建立犯罪活動(dòng)信息特征統(tǒng)計(jì)模型.設(shè)存在語義相似度的犯罪活動(dòng)信息為c，建立瀏覽器隱私模式下犯罪活動(dòng)信息挖掘的模糊特征分布集：

p（e）=cW+B+S.（4）

式（4）中，W表示犯罪活動(dòng)信息的分離度，B為瀏覽器隱私模式下犯罪活動(dòng)信息挖掘的維數(shù)，S為犯罪信息的取證維度.通過網(wǎng)格區(qū)塊化聚類分析方法，得到犯罪活動(dòng)信息的空間聚類模型：

Rt=∑h+（c+ki）+∑p.（5）

犯罪活動(dòng)信息的語義自相關(guān)函數(shù)為：

Z=∑e=1p（e）+f+c.（6）

分析犯罪活動(dòng)信息集統(tǒng)計(jì)差異分布特性，在有向圖G1和G2的交集中，得到犯罪活動(dòng)信息的插值函數(shù)為：

b（r）=G1+G2dm+1（m）+dk+1（m）.（7）

式（7）中，dm+1（m）為犯罪活動(dòng)信息集在第m點(diǎn)的預(yù)測(cè)值，dk+1（m）為第m點(diǎn)處采集的犯罪活動(dòng)信息的熵，通過熵函數(shù)挖掘方法，進(jìn)行犯罪活動(dòng)信息特征實(shí)時(shí)獲取[2]，最終得到瀏覽器隱私模式下犯罪活動(dòng)信息特征統(tǒng)計(jì)模型，如圖1所示.

2 犯罪活動(dòng)信息實(shí)時(shí)獲取優(yōu)化

2.1 犯罪活動(dòng)信息特征提取

結(jié)合隱私保護(hù)挖掘和模糊提取方法，進(jìn)行大數(shù)據(jù)平臺(tái)下的犯罪活動(dòng)信息檢測(cè)和特征提取[3]，建立犯罪活動(dòng)信息挖掘的模糊分割系數(shù)：

ye=Lm+fmMi+fless.（8）

式（8）中，Mi表示犯罪活動(dòng)信息挖掘的中位數(shù)，Lm為犯罪活動(dòng)信息獲取的邊界信息，fm為犯罪活動(dòng)信息的差異特征量，fless表示各維度下犯罪活動(dòng)信息的最小統(tǒng)計(jì)特征量.

構(gòu)建犯罪活動(dòng)信息的聯(lián)合概率密函數(shù)為f（y1，y2），得到犯罪活動(dòng)信息的實(shí)時(shí)獲取模型：

m（c）=f（y1，y2）ye+∑r=1b（r）.（9）

在決策樹模型下，采用隱私保護(hù)信息和聯(lián)合信息熵挖掘的方法[4]，得到犯罪活動(dòng)信息的語義特征概率分布：

qt=∫f（y1，y2）+m（c）.（10）

引入犯罪活動(dòng)信息的空間概率密度分布集uM和uN，構(gòu)建犯罪活動(dòng)信息標(biāo)記的緊密性度量C：

C=qt+（uM+uN）+u+nuij.（11）

式（11）中，uij為j第個(gè)犯罪活動(dòng)信息元素屬于第i個(gè)類的模糊隸屬度，u，n表示犯罪活動(dòng)信息的類別函數(shù).

通過犯罪活動(dòng)信息屬性類別分布，得到犯罪活動(dòng)信息的分離特征量：

s=Oabj+uaj+ubjcomC.（12）

式（12）中，Oabj，uaj和ubj表示第j個(gè)犯罪活動(dòng)信息的屬性元素，得到第a，b兩類犯罪活動(dòng)信息的隸屬度值.根據(jù)模糊隸屬度挖掘，實(shí)現(xiàn)犯罪活動(dòng)信息的特征提取.

2.2 犯罪活動(dòng)信息獲取輸出

對(duì)于兩個(gè)標(biāo)量犯罪活動(dòng)信息時(shí)間序列y1和y2，采用關(guān)鍵詞屬性挖掘法進(jìn)行犯罪活動(dòng)信息機(jī)器學(xué)習(xí)，得到瀏覽器隱私模式下犯罪活動(dòng)信息的傳遞函數(shù)：

v（g）=∑s+[y1+y2].（13）

使用自相關(guān)成分獨(dú)立解析的方法，得到瀏覽器隱私模式下犯罪活動(dòng)的跟蹤軌跡需要滿足

j=ye+∑c=1m（c）+v（g）.（14）

在數(shù)據(jù)鏈路結(jié)構(gòu)模型中進(jìn)行瀏覽器隱私模式下犯罪活動(dòng)的交叉鏈路分解，得到交叉鏈分布S={1，2，…，N}.瀏覽器隱私模式下犯罪活動(dòng)信息的元數(shù)據(jù)γ=（rij）N*N采用Δ為穩(wěn)定性解析控制，得到瀏覽器隱私模式下犯罪活動(dòng)信息軌跡跟蹤規(guī)劃模型

k（n）=∑S+（γ+Δ），Δ>0.（15）

瀏覽器隱私模式下犯罪活動(dòng)信息獲取的量pg（t）為：

pg（t）=fpj（t）+‖k（n）+j‖.（16）

式（16）中，fpj（t）為犯罪活動(dòng)信息的主成分分布特征.

結(jié)合瀏覽器隱私模式下犯罪活動(dòng)信息的關(guān)聯(lián)知識(shí)信息，最終得到犯罪活動(dòng)信息：

l1=r1+c1，l2=r2+c2.（17）

式（17）中，r1和r2為M維隨機(jī)向量，c1為犯罪活動(dòng)信息獲取的關(guān)聯(lián)規(guī)則向量，c2為犯罪活動(dòng)信息的自適應(yīng)調(diào)整系數(shù)[17].通過特征分布式聚類方法，完成瀏覽器隱私模式下犯罪活動(dòng)信息的獲取輸出.

3 仿真測(cè)試分析

為驗(yàn)證本方法在實(shí)現(xiàn)犯罪活動(dòng)信息獲取方面的性能，利用瀏覽器隱私模式下犯罪活動(dòng)信息獲取模型進(jìn)行測(cè)試分析，實(shí)時(shí)獲取犯罪活動(dòng)信息.在Kaggle（https：//www.kaggle.com/datasets）中隨機(jī)選取100個(gè)財(cái)務(wù)公司作為實(shí)驗(yàn)數(shù)據(jù)，其中，83%的財(cái)務(wù)公司每個(gè)月會(huì)遭受50多次網(wǎng)絡(luò)攻擊.以侵犯計(jì)算機(jī)信息系統(tǒng)類犯罪、網(wǎng)絡(luò)傳播淫穢電子信息犯罪、網(wǎng)絡(luò)詐騙、網(wǎng)絡(luò)賭博與網(wǎng)絡(luò)盜竊等犯罪類型為研究對(duì)象，瀏覽器采用360瀏覽器，實(shí)時(shí)獲取其隱私模式下的犯罪活動(dòng)信息，以幅值為統(tǒng)計(jì)依據(jù)，信息獲取結(jié)果如圖2所示.

以圖2中的信息獲取結(jié)果為實(shí)驗(yàn)樣本，測(cè)試不同方法進(jìn)行瀏覽器隱私模式下犯罪活動(dòng)信息獲取的準(zhǔn)確性，對(duì)比結(jié)果見表1.

分析表1結(jié)果得知，在120次迭代下，本文方法進(jìn)行瀏覽器隱私模式下犯罪活動(dòng)信息獲取的準(zhǔn)確概率較高，且犯罪類型取證精確.

文中使用自相關(guān)成分獨(dú)立解析的方法得到瀏覽器隱私模式下犯罪活動(dòng)的跟蹤軌跡，對(duì)比文獻(xiàn)[5]和文獻(xiàn)[6]方法的跟蹤效果，以實(shí)際跟蹤數(shù)據(jù)為指標(biāo)，測(cè)試結(jié)果如圖3所示.

從圖3結(jié)果中不難看出，本文方法跟蹤數(shù)據(jù)擬合差距絕對(duì)值一直維持在10以內(nèi)，說明其穩(wěn)定性較高，獲取犯罪證據(jù)準(zhǔn)確.由此可知，運(yùn)用本文方法進(jìn)行隱私模式下犯罪活動(dòng)信息實(shí)時(shí)獲取的結(jié)果較為可靠.

4 結(jié)語

本文提出基于瀏覽器隱私模式檢測(cè)的犯罪活動(dòng)信息實(shí)時(shí)獲取方法.對(duì)采集的犯罪活動(dòng)信息數(shù)據(jù)進(jìn)行融合處理，根據(jù)犯罪活動(dòng)信息檢測(cè)和特征提取模糊隸屬度獲得關(guān)聯(lián)知識(shí)信息，實(shí)現(xiàn)瀏覽器隱私模式下犯罪活動(dòng)信息的特征提取，保證犯罪活動(dòng)信息獲取的準(zhǔn)確性和可靠性.參考文獻(xiàn)

[1]賈小貝，方歡.基于時(shí)延Petri網(wǎng)的網(wǎng)絡(luò)日志行為相似性分析[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2017（4）：6-10.

[2]HUANG G，SUN Y，LIU Z，et al.Deep networks with stochastic depth[C]//Proceedings of the 2016 European Conference on Computer Vision，LNCS 9908.Cham：Springer，2016：646-661.

[3]WANG T，YANG J，JI Z，et al.Probabilistic diffusion for interactive image segmentation[J].IEEE Transactions on Image Processing，2019，28（1）：330-342.

[4]裴成飛，楊高明，方賢進(jìn)，等.數(shù)據(jù)庫脫敏技術(shù)研究與應(yīng)用[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2020（1）：16-21.

[5]吳飛龍，程承旗，陳波，等.基于剖分網(wǎng)格的多源資源環(huán)境數(shù)據(jù)統(tǒng)一檢索方法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2017，42（7）：943-949.

[6]王楚捷，王好賢.M-CORD下無線接入網(wǎng)絡(luò)資源分配研究[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（22）：92-98.

收稿日期：2020-09-27

基金項(xiàng)目：河南省科技廳科技攻關(guān)項(xiàng)目（162102210109）;河南警察學(xué)院院級(jí)項(xiàng)目（HNJY-2019-44）

作者簡(jiǎn)介：王彩玲（1977-），女，河南葉縣人.講師，碩士，主要從事電子數(shù)據(jù)取證和網(wǎng)絡(luò)安全監(jiān)管研究.