瀏覽器隱私模式下犯罪活動信息實時獲取方法

摘 要：提出瀏覽器隱私模式下犯罪活動信息實時獲取方法.通過擬合犯罪活動信息狀態統計特征量建立瀏覽器隱私模式下犯罪活動信息采集模型，構建犯罪活動信息安全監測的統計分析模型，通過特征分布式聚類方法獲取犯罪活動信息.仿真結果表明，采用該方法進行犯罪活動信息獲取的精度較高，對犯罪活動信息的軌跡跟蹤和取證能力較強.

關鍵詞：瀏覽器;隱私模式;犯罪活動;信息獲取

[中圖分類號]TP391[文獻標志碼]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

分析犯罪活動信息傳輸和運行規律特征、提高犯罪活動信息的挖掘和優化檢測能力的研究成果豐碩.[1]在犯罪活動信息實時獲取過程中，必須重視犯罪活動信息特征統計問題，才能保證信息獲取準確性.本文提出基于瀏覽器隱私模式檢測的犯罪活動信息實時獲取方法，結合運行狀態特征檢測方法，構建瀏覽器隱私模式下犯罪活動信息安全監測統計分析模型，實現犯罪活動信息的實時獲取，有效提高信息獲取的性能.

1 犯罪活動信息采集和統計特征分析

1.1 犯罪活動信息采集

構建瀏覽器隱私模式下犯罪活動信息采集模型，實現犯罪活動信息實時獲取.結合尋優算法，根據功能函數進行犯罪活動信息聚類分析，得到瀏覽器隱私模式下犯罪活動信息采集模型的特征點i在t時刻的樣本集，表示為（w1，j，w2，j，…，wtj）.其中，wtj為瀏覽器隱私模式下犯罪活動信息挖掘的加權系數.結合語義特征分析方法，建立瀏覽器隱私模式下犯罪活動信息挖掘模糊語義分布集，得到該模式下犯罪活動信息的標準量化分布系數：

p=maxlt+wtjdj+ki.（1）

式（1）中，maxl為模糊特征聚類函數，表示采樣間隔dj在犯罪活動信息獲取的語義關聯集，ki表示瀏覽器隱私模式下犯罪活動信息的編號數目.

通過語義檢測，得到在采樣時間點ki的犯罪活動信息實時分布值：

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信息采集的關聯系數.

采用模糊聚類方法，進行瀏覽器隱私模式下犯罪活動信息挖掘，得到空間分布函數：

h=∑f+（di+dj）.（3）

通過對采集的犯罪活動信息數據進行融合處理，提取犯罪活動信息相關的統計特征量和模糊關聯規則特征集，提高信息的獲取能力.

1.2 犯罪活動信息的統計特征分析

對犯罪活動信息進行優化挖掘，建立犯罪活動信息特征統計模型.設存在語義相似度的犯罪活動信息為c，建立瀏覽器隱私模式下犯罪活動信息挖掘的模糊特征分布集：

p（e）=cW+B+S.（4）

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

Rt=∑h+（c+ki）+∑p.（5）

犯罪活動信息的語義自相關函數為：

Z=∑e=1p（e）+f+c.（6）

分析犯罪活動信息集統計差異分布特性，在有向圖G1和G2的交集中，得到犯罪活動信息的插值函數為：

b（r）=G1+G2dm+1（m）+dk+1（m）.（7）

式（7）中，dm+1（m）為犯罪活動信息集在第m點的預測值，dk+1（m）為第m點處采集的犯罪活動信息的熵，通過熵函數挖掘方法，進行犯罪活動信息特征實時獲取[2]，最終得到瀏覽器隱私模式下犯罪活動信息特征統計模型，如圖1所示.

2 犯罪活動信息實時獲取優化

2.1 犯罪活動信息特征提取

結合隱私保護挖掘和模糊提取方法，進行大數據平臺下的犯罪活動信息檢測和特征提取[3]，建立犯罪活動信息挖掘的模糊分割系數：

ye=Lm+fmMi+fless.（8）

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

構建犯罪活動信息的聯合概率密函數為f（y1，y2），得到犯罪活動信息的實時獲取模型：

m（c）=f（y1，y2）ye+∑r=1b（r）.（9）

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

qt=∫f（y1，y2）+m（c）.（10）

引入犯罪活動信息的空間概率密度分布集uM和uN，構建犯罪活動信息標記的緊密性度量C：

C=qt+（uM+uN）+u+nuij.（11）

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

通過犯罪活動信息屬性類別分布，得到犯罪活動信息的分離特征量：

s=Oabj+uaj+ubjcomC.（12）

式（12）中，Oabj，uaj和ubj表示第j個犯罪活動信息的屬性元素，得到第a，b兩類犯罪活動信息的隸屬度值.根據模糊隸屬度挖掘，實現犯罪活動信息的特征提取.

2.2 犯罪活動信息獲取輸出

對于兩個標量犯罪活動信息時間序列y1和y2，采用關鍵詞屬性挖掘法進行犯罪活動信息機器學習，得到瀏覽器隱私模式下犯罪活動信息的傳遞函數：

v（g）=∑s+[y1+y2].（13）

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

j=ye+∑c=1m（c）+v（g）.（14）

在數據鏈路結構模型中進行瀏覽器隱私模式下犯罪活動的交叉鏈路分解，得到交叉鏈分布S={1，2，…，N}.瀏覽器隱私模式下犯罪活動信息的元數據γ=（rij）N*N采用Δ為穩定性解析控制，得到瀏覽器隱私模式下犯罪活動信息軌跡跟蹤規劃模型

k（n）=∑S+（γ+Δ），Δ>0.（15）

瀏覽器隱私模式下犯罪活動信息獲取的量pg（t）為：

pg（t）=fpj（t）+‖k（n）+j‖.（16）

式（16）中，fpj（t）為犯罪活動信息的主成分分布特征.

結合瀏覽器隱私模式下犯罪活動信息的關聯知識信息，最終得到犯罪活動信息：

l1=r1+c1，l2=r2+c2.（17）

式（17）中，r1和r2為M維隨機向量，c1為犯罪活動信息獲取的關聯規則向量，c2為犯罪活動信息的自適應調整系數[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信息的獲取輸出.

3 仿真測試分析

為驗證本方法在實現犯罪活動信息獲取方面的性能，利用瀏覽器隱私模式下犯罪活動信息獲取模型進行測試分析，實時獲取犯罪活動信息.在Kaggle（https：//www.kaggle.com/datasets）中隨機選取100個財務公司作為實驗數據，其中，83%的財務公司每個月會遭受50多次網絡攻擊.以侵犯計算機信息系統類犯罪、網絡傳播淫穢電子信息犯罪、網絡詐騙、網絡賭博與網絡盜竊等犯罪類型為研究對象，瀏覽器采用360瀏覽器，實時獲取其隱私模式下的犯罪活動信息，以幅值為統計依據，信息獲取結果如圖2所示.

以圖2中的信息獲取結果為實驗樣本，測試不同方法進行瀏覽器隱私模式下犯罪活動信息獲取的準確性，對比結果見表1.

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

文中使用自相關成分獨立解析的方法得到瀏覽器隱私模式下犯罪活動的跟蹤軌跡，對比文獻[5]和文獻[6]方法的跟蹤效果，以實際跟蹤數據為指標，測試結果如圖3所示.

從圖3結果中不難看出，本文方法跟蹤數據擬合差距絕對值一直維持在10以內，說明其穩定性較高，獲取犯罪證據準確.由此可知，運用本文方法進行隱私模式下犯罪活動信息實時獲取的結果較為可靠.

4 結語

本文提出基于瀏覽器隱私模式檢測的犯罪活動信息實時獲取方法.對采集的犯罪活動信息數據進行融合處理，根據犯罪活動信息檢測和特征提取模糊隸屬度獲得關聯知識信息，實現瀏覽器隱私模式下犯罪活動信息的特征提取，保證犯罪活動信息獲取的準確性和可靠性.參考文獻

[1]賈小貝，方歡.基于時延Petri網的網絡日志行為相似性分析[J].牡丹江師范學院學報：自然科學版，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，等.數據庫脫敏技術研究與應用[J].牡丹江師范學院學報：自然科學版，2020（1）：16-21.

[5]吳飛龍，程承旗，陳波，等.基于剖分網格的多源資源環境數據統一檢索方法[J].武漢大學學報：信息科學版，2017，42（7）：943-949.

[6]王楚捷，王好賢.M-CORD下無線接入網絡資源分配研究[J].計算機工程與應用，2018，54（22）：92-98.

收稿日期：2020-09-27

基金項目：河南省科技廳科技攻關項目（162102210109）;河南警察學院院級項目（HNJY-2019-44）

作者簡介：王彩玲（1977-），女，河南葉縣人.講師，碩士，主要從事電子數據取證和網絡安全監管研究.