Page 150 - 大数据背景下网络安全问题研究

大数据背景下网络安全问题研究
Research on Network Security Issues under the Background of Big Data

容、操作人员以及操作时间；真正的多线程、多任务采集、集群采集；图形监控网络
使用情况、采集情况等；支持海量数据采集；软件实用、易用、功能强大；可移植、
可扩展、可定制。

二、网络数据采集技术——网络爬虫

网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网
页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外
一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

（一）产生背景及工作原理
1.产生背景
随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些
信息成为一个巨大的挑战。搜索引擎（Search Engine），如传统的通用搜索引擎Alta

Vista、Yahoo！和Google等，作为一个辅助人们检索信息的工具成为用户访问万维网
的入口和指南。但是，这些通用性搜索引擎也存在着一定的局限性，举例如下：
一是不同领域、不同背景的用户往往具有不同的检索目的和需求，通过搜索引擎
所返回的结果包含大量用户不关心的网页。

二是通用搜索引擎的目标是尽可能大的网络覆盖率，有限的搜索引擎服务器资源
与无限的网络数据资源之间的矛盾将进一步加深。
三是万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频
多媒体等不同数据大量出现，通用搜索引擎往往对这些信息含量密集且具有一定结构

的数据无能为力，不能很好地发现和获取。
四是通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的
查询。

为了解决上述问题，定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一
个自动下载网页的程序，它根据既定的抓取目标，有选择地访问万维网上的网页与相
关的链接，获取所需要的信息。与通用爬虫（general purpose web crawler）不同，聚
焦爬虫并不追求大的覆盖，而将目标定为抓取与某一特定主题内容相关的网页，为面

向主题的用户查询准备数据资源。
2.聚焦爬虫工作原理以及关键技术概述
网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜
索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的

URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系
统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过

• 138 •