基于字符串相似度的URL聚类方法研究

打开文本图片集

摘  要： 内容分发网络（CDN）被用于解决网络访问负荷过载的问题。然而，同一网络服务可能包含多个域名，导致网页主题分类结果精确度和检索效率降低。文中提出一种基于字符串相似度算法的URL聚类方法，首先，获取校园网络7×24 h的真实流量数据，利用协议分析抽取特征信息，转化为数据集；其次，进行数据清洗与处理，去除缺省字段和错误字段，将相同数据条目集成；最后，采用字符串相似度算法计算URL之间的距离作为聚类算法的特征，并采用K⁃means聚类算法划分相似URL，达到将多个不同域名分类到相同网络服务的目的。（剩余6039字）