基于字符串相似度的URL聚类方法研究.pdfVIP

2025年6月1日现代电子技术Jun.2025

第48卷第11期ModernElectronicsTechniqueVol.48No.11

84

84

DOI：10.16652/j.issn.1004⁃373x.2025.11.013

引用格式：刘翼，田亮亮，高明，等.基于字符串相似度的URL聚类方法研究[J].现代电子技术，2025，48（11）：84⁃88.

基于字符串相似度的URL聚类方法研究

11112

刘翼，田亮亮，高明，李凯茵，叶倩

（1.延安大学数学与计算机科学学院，陕西延安716000；

2.延安大学教务处，陕西延安716000）

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7×24h

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。实验通过对5种不同方法进行比较发现，Levenshtein算法的平

均轮廓系数达到了91.4%，较其他方法平均提高12%，能够有效应对精确度降低和检索效率低下的问题。

关键词：数据聚类；字符串相似度；轮廓系数法；协议分析；K⁃means；URL；CDN；Levenshtein算法

中图分类号：TN919⁃34；TP393文献标识码：A文章编号：1004⁃373X（2025）11⁃0084⁃05

ResearchonURLclusteringmethodbasedonstringsimilarity

11112

LIUYi,TIANLiangliang,GAOMing,LIKaiyin,YEQian

(1.CollegeofMathematicsandComputerScience,Yan’anUniversity,Yan’an716000,China;

2.AcademicAffairsOffice,Yan’anUniversity,Yan’an716000,China)

Abstract：Contentdeliverynetworks(CDNs)areusedtorelieve