基于5G边缘计算的网页识别方法、设备、存储介质及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于5G边缘计算的网页识别方法、设备、存储介质及装置。

背景技术

目前，现有不良资产识别主要依赖用户流量分析，对流量内容中的关键词进行识别。但是不良资产开发者能够使用多种方式进行绕过，如关键词之间使用各种特殊字符分隔，甚至使用图片链接等代替关键词，从而绕过识别。而且对流量进行分析需要拥有用户流量，无形中拉高了条件。传统4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低。

发明内容

本发明的主要目的在于提供一种基于5G边缘计算的网页识别方法、设备、存储介质及装置，旨在解决传统的网络安全防范技术无法准确识别互联网风险，导致数据泄露的技术问题。

为实现上述目的，本发明提供一种基于5G边缘计算的网页识别方法，应用于云服务器，所述基于5G边缘计算的网页识别方法包括以下步骤：

基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；

根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；

对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；

根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。

可选地，所述根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像的步骤，包括：

根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；

基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；

根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；

根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像。

可选地，所述基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合的步骤，包括：

基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；

基于所述预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；

基于所述预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；

基于所述预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；

根据所述第一特征集合、所述第二特征集合、所述第三特征集合以及所述第四特征集合确定目标特征集合。

可选地，所述关键元素包括人体位姿和物体位姿，所述对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息的步骤，包括：

基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；

基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；

根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息。

可选地，所述基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息的步骤，包括：

基于预设人体结构点对所述目标相似图像中的人体关节坐标进行标记，获得关节标记结果；

根据所述关节标记结果和预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息；

根据所述角度信息、所述深度信息以及所述区域坐标信息确定人体位姿信息。

可选地，所述基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息的步骤，包括：

基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息；

根据所述物体角度信息、所述物体深度信息以及所述物体区域坐标信息确定物体位姿信息。

可选地，所述根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果的步骤，包括：

根据所述物体位姿信息和所述人体位姿信息确定所述目标网页截图对应的敏感区域，获得敏感截图集合；

基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合；

根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

可选地，所述基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合的步骤，包括：

对所述敏感截图集合进行图像预处理，获得预处理后的图像特征集合；

将所述预设敏感特征集合与所述图像特征集合进行对比，根据敏感特征对比结果确定目标敏感特征集合。

可选地，所述根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：

从所述目标敏感特征集合中获取人体敏感特征、物体敏感特征以及文字敏感特征；

根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

可选地，所述根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：

根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征确定目标权重信息；

根据所述目标权重信息判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

可选地，所述基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果的步骤，包括：

基于5G边缘计算网络对目标资产空间进行网络空间测绘，获得空间测绘信息；

对所述空间测绘信息中包含的开放端口进行识别，获得端口识别结果。

此外，为实现上述目的，本发明还提出一种基于5G边缘计算的网页识别设备，所述基于5G边缘计算的网页识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于5G边缘计算的网页识别程序，所述基于5G边缘计算的网页识别程序配置为实现如上文所述的基于5G边缘计算的网页识别的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于5G边缘计算的网页识别程序，所述基于5G边缘计算的网页识别程序被处理器执行时实现如上文所述的基于5G边缘计算的网页识别方法的步骤。

此外，为实现上述目的，本发明还提出一种基于5G边缘计算的网页识别装置，所述基于5G边缘计算的网页识别装置包括：

端口识别模块，用于基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；

图像查询模块，用于根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；

位姿估算模块，用于对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；

敏感识别模块，用于根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。

可选地，所述图像查询模块，还用于根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；

所述图像查询模块，还用于基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；

所述图像查询模块，还用于根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；

所述图像查询模块，还用于根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像。

可选地，所述图像查询模块，还用于基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；

所述图像查询模块，还用于基于所述预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；

所述图像查询模块，还用于基于所述预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；

所述图像查询模块，还用于基于所述预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；

所述图像查询模块，还用于根据所述第一特征集合、所述第二特征集合、所述第三特征集合以及所述第四特征集合确定目标特征集合。

可选地，所述位姿估算模块，还用于基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；

所述位姿估算模块，还用于基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；

所述位姿估算模块，还用于根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息。

可选地，所述位姿估算模块，还用于基于预设人体结构点对所述目标相似图像中的人体关节坐标进行标记，获得关节标记结果；

所述位姿估算模块，还用于根据所述关节标记结果和预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息；

所述位姿估算模块，还用于根据所述角度信息、所述深度信息以及所述区域坐标信息确定人体位姿信息。

可选地，所述位姿估算模块，还用于基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息；

所述位姿估算模块，还用于根据所述物体角度信息、所述物体深度信息以及所述物体区域坐标信息确定物体位姿信息。

可选地，所述敏感识别模块，还用于根据所述物体位姿信息和所述人体位姿信息确定所述目标网页截图对应的敏感区域，获得敏感截图集合；

所述敏感识别模块，还用于基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合；

所述敏感识别模块，还用于根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

本发明通过基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。相较于现有4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低，本发明通过对网页截图进行图像相似度查询，并对相似图像中的关键元素进行泛化，根据位姿信息进行敏感特征识别，提升了扫描频率，对不良资产实现更加准确及时的监控。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于5G边缘计算的网页识别设备的结构示意图；

图2为本发明基于5G边缘计算的网页识别方法第一实施例的流程示意图；

图3为本发明基于5G边缘计算的网页识别方法第二实施例的流程示意图；

图4为本发明基于5G边缘计算的网页识别装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于5G边缘计算的网页识别设备结构示意图。

如图1所示，该基于5G边缘计算的网页识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于5G边缘计算的网页识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于5G边缘计算的网页识别程序。

在图1所示的基于5G边缘计算的网页识别设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述基于5G边缘计算的网页识别设备通过处理器1001调用存储器1005中存储的基于5G边缘计算的网页识别程序，并执行本发明实施例提供的基于5G边缘计算的网页识别方法。

基于上述硬件结构，提出本发明基于5G边缘计算的网页识别方法的实施例。

参照图2，图2为本发明基于5G边缘计算的网页识别方法第一实施例的流程示意图，提出本发明基于5G边缘计算的网页识别方法第一实施例。

在本实施例中，所述基于5G边缘计算的网页识别方法应用于云服务器，所述基于5G边缘计算的网页识别方法包括以下步骤：

步骤S10：基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果。

需说明的是，本实施例中的执行主体可以是包含基于5G边缘计算的网页识别系统的存储服务器，所述基于5G边缘计算的网页识别系统具有用户身份验证、网站访问以及基于5G边缘计算的网页识别的功能，在本实施例以及下述各实施例中以计算机为例对本发明基于5G边缘计算的网页识别方法进行说明。

可理解的是，本方案为了满足高效性只能采集基本的流量交互信息，依赖5G网络，网络空间测绘可以使用网络截图的方式获取不良资产首页及其引用的链接的图像信息，并且快速高效的传输回存储服务器，在图像中能够更直观展示资产的特征而无视其绕过手段，结合机器学习能够精准的识别出存在违法信息的不良资产。结合5G边缘计算网络的高效性，能够实现更加快速、频率更高的扫描，更及时的识别监控不良资产。

进一步地，所述步骤S10还包括：基于5G边缘计算网络对目标资产空间进行网络空间测绘，获得空间测绘信息；对所述空间测绘信息中包含的开放端口进行识别，获得端口识别结果。

应理解的是，本方案可以是基于5G边缘计算网络完成网络空间测绘以获得更多资产图像信息，其中本方案通过5G边缘计算网络下的网络空间测绘对资产进行截图，结合机器学习，识别无关键字特征的不良资产。

可理解的是，本方案通过对目标资产空间进行开放端口进行探测，并对探测到的端口进行识别，获得端口识别结果，所述端口识别结果包括IP地址和端口数据，将具有相同开放端口的IP地址分类为一个类别，再针对每个类别进行执行服务和版本探测，完成端口扫描后，若开放端口为TCP端口，可以通过HTTP通信协议发起请求与端口建立连接，并对服务指纹进行匹配，若匹配成功则结束端口识别，并对端口服务进行网页截图，获得目标网页截图。若上述服务指纹未匹配成功，则继续对端口继续扫描，直至指纹匹配成功。

步骤S20：根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像。

应理解的是，本方案中通过对网页截图进行图像相似度查询，以确定目标网页截图存在相似的图像，以便于后期根据相似图像进行敏感特征识别。

具体实现中，本方案通过预设深度学习模型对网页截图进行图像相似度查询，从预设图像集中获得与网页截图相似度高于预设阈值的图像作为后期进行图像识别的图像，所述预设图像集中包含多种敏感特征与非敏感特征的图像。

步骤S30：对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息。

需说明的是，本方案通过对目标相似图像中的关键元素进行泛化可以获取更多具有关联的图像信息，从而提升图像识别精准性，相较于现有技术中进行图像识别时，经常出现因原始图像数目不足而导致的输出曲线过拟合，从而无法训练出能泛化到新图像集上的模型。而本方案通过对目标相似图像中的关键元素进行泛化，从而生成更多的可靠性强的图像特征，对原始图像进行数据增强。

可理解的是，本方案以相似图像为基础，可以通过机器学习使用Gen6D算法(位姿估计算法)对网页中关键元素泛化出位姿信息，所述位姿信息包括人体和物体对应的深度、角度等特征信息。

步骤S40：根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。

需说明的是，本方案通过对Gen6D算法提取出的特征进行敏感特征识别与分类处理，获得网页识别结果。所述网页识别结果包括网页敏感与网页不敏感两种结果，本方案通过网页识别结果判断目标网站是否存在敏感信息，以便于后续管理人员进行管理。

本实施例通过基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。相较于现有4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低，本实施例通过对网页截图进行图像相似度查询，并对相似图像中的关键元素进行泛化，根据位姿信息进行敏感特征识别，提升了扫描频率，对不良资产实现更加准确及时的监控。

基于上述图2所示的第一实施例，提出本发明基于5G边缘计算的网页识别方法的第二实施例，参照图3，图3为本发明基于5G边缘计算的网页识别方法第二实施例的流程示意图。

在本实施例中，所述步骤S20还包括：

步骤S201：根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图。

需说明的是，本方案通过对目标资产空间进行开放端口进行探测，并对探测到的端口进行识别，获得端口识别结果，所述端口识别结果包括IP地址和端口数据，将具有相同开放端口的IP地址分类为一个类别，再针对每个类别进行执行服务和版本探测，完成端口扫描后，若开放端口为TCP端口，可以通过HTTP通信协议发起请求与端口建立连接，并对服务指纹进行匹配，若匹配成功则结束端口识别，并对端口服务进行网页截图，获得目标网页截图。若上述服务指纹未匹配成功，则继续对端口继续扫描，直至指纹匹配成功。

应理解的是，网页截图可以是针对端口连接成功后对应网站的网页截图，将获取的网页截图回传至存储服务器，以便于对网页截图进行识别。

步骤S202：基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合。

需说明的是，预设深度学习模型可以是预先设置的用于对目标网页截图进行识别以及特征提取的模型，所述模型可以是基于卷积神经网络构建的模型，通过多个卷积层和池化层构成，可以有效提取图像中的局部特征，并通过降采样操作减少特征图的尺寸，同时保留主要特征信息，进而通过预设深度学习模型对目标网页截图进行特征提取，获得目标特征集合。

应理解的是，本方案中的深度学习模型可以是基于皮肤肤色数据集、敏感词汇数据集以及各种身材比例人物图像数据集构建的训练集，训练获得的模型，所述深度学习模型可以对图像中出现的肤色元素、人物比例以及敏感词进行识别。

可理解的是，所述目标特征集合可以是包含图像特征以及文字特征的集合。

进一步地，所述步骤S202包括：基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；基于所述预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；基于所述预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；基于所述预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；根据所述第一特征集合、所述第二特征集合、所述第三特征集合以及所述第四特征集合确定目标特征集合。

需说明的是，本方案通过预设深度学习模型对目标网页截图中人物轮廓、人物肤色元素块、人物比例以及敏感词进行识别，并构建四种类型的特征集合，将根据人物轮廓、人物肤色元素块、人物比例以及敏感词进行特征提取的特征保存至各自对应的特征集合中。

可理解的是，本方案通过基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；基于预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；基于预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；基于预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；根据第一特征集合、第二特征集合、第三特征集合以及第四特征集合确定目标特征集合。

应理解的是，本方案中的深度学习模型可以对人物轮廓特征提取，获得人物轮廓节点特征，并构建第一特征集合，深度学习模型可以对肤色元素块提取，获得颜色、纹理等特征，并构建第二特征集合，深度学习模型可以对人物比例特征提取并构建第三特征集合，深度学习模型可以对敏感特征词进行提取，获得敏感特征词构建的第四特征集合。

步骤S203：根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度。

需说明的是，预设训练数据集中包括皮肤肤色数据集、敏感词汇数据集以及各种身材比例人物图像数据集，本方案通过将目标特征集合中包含的第一特征集合、第二特征集合、第三特征集合以及第四特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度，以便于根据特征相似度确定是否存在相似图像，并定位相似图像。

具体实现中，特征相似度包含四个维度的相似度信息，并根据四个维度的相似度信息和预设权重对四个维度的相似度进行赋值，获得目标相似度，并根据目标相似度确定是否存在相似图像，并定位相似图像。

步骤S204：根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像。

可理解的是，通过赋值后确定的目标相似度与预设相似度阈值进行对比，若目标相似度大于所述预设相似度阈值，则判定存在相似图像，并从预设图像集中查询相似图像，获得目标相似图像。

在本实施例中，所述关键元素包括人体位姿和物体位姿，所述步骤S30还包括：

步骤S301：基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息。

需说明的是，预设位姿估计算法可以是指Gen6D算法，通过机器学习使用Gen6D算法(位姿估计算法)对网页中关键元素泛化出位姿信息，所述Gen6D算通过1)detector：负责检测出物体的局部区域，同时通过区域大小估计出物体的深度(平移)；2)selector：通过选择与查询图像长得最相似的参考图像，得到一个粗略的视角(旋转)；3)refiner：负责将粗略估计的平移与旋转更新为精确的平移和旋转，并通过CNN回归位姿残差以更新位姿，从而确定待检测区域的位姿信息。

可理解的是，本方案中通过预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息，即针对带有粗略位姿的查询图片，将其图像特征按照这个粗略的位姿反投影到一个3D容器里面，得到一个特征容器；查找距离这个粗略位姿最近的6个参考图片；将这些参考图片的特征按照各自的位姿投影到同一个特征容器里面，并且拼接在一起；由于粗略位姿并不完全正确，因此上述两个特征容器的特征并不是那么的一致；本方案通过利用一个3D CNN确定不一致性，回归得到位姿的残差。进而对人体位姿进行确定，以便于后期进行人物体态识别。

进一步地，所述步骤S201还包括：基于预设人体结构点对所述目标相似图像中的人体关节坐标进行标记，获得关节标记结果；根据所述关节标记结果和预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息；根据所述角度信息、所述深度信息以及所述区域坐标信息确定人体位姿信息。

需说明的是，本方案通过预设人体结构点对目标相似图像中的人体关节坐标进行标记，获得关节标记结果，所述预设人体结构点包括头骨结构、人体肌肉、人体比例以及人体关节对应的关节节点，并对上述关节节点的坐标进行标记，从而以便于对人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息，进而确定人体姿态信息。

步骤S302：基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息。

需说明的是，本方案通过预设位姿估计算法对目标相似图像中的物体位姿进行泛化，获得物体位姿信息。

进一步地，所述步骤S202还包括：基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息；根据所述物体角度信息、所述物体深度信息以及所述物体区域坐标信息确定物体位姿信息。

需说明的是，本方案通过预设人体结构点对目标相似图像中物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息，进而确定物体姿态信息。

步骤S303：根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息。

需说明的是，根据人体位姿信息和物体位姿信息确定目标位姿信息。

本实施例通过基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像；所述关键元素包括人体位姿和物体位姿，基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息；根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。相较于现有4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低，本实施例通过对网页截图进行图像相似度查询，并对相似图像中的关键元素进行泛化，根据位姿信息进行敏感特征识别，提升了扫描频率，对不良资产实现更加准确及时的监控。

基于上述图3所示的第二实施例，提出本发明基于5G边缘计算的网页识别方法的第三实施例。

在本实施例中，所述步骤S40还包括：根据所述物体位姿信息和所述人体位姿信息确定所述目标网页截图对应的敏感区域，获得敏感截图集合；基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合；根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

需说明的是，通过确定的物体位姿信息和人体位姿信息确定网页截图对应的敏感区域，并提取局部截图部分，构建敏感截图集合，基于预设敏感特征集合与敏感截图集合进行敏感特征相似度对比，获得敏感相似度，根据敏感相似度将疑似敏感的截图进行提取，并进行敏感特征识别，获得目标敏感特征集合，根据目标敏感特征集合判定目标网页截图是否属于敏感网页，获得网页识别结果。

进一步地，所述基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合的步骤，包括：对所述敏感截图集合进行图像预处理，获得预处理后的图像特征集合；将所述预设敏感特征集合与所述图像特征集合进行对比，根据敏感特征对比结果确定目标敏感特征集合。

需说明的是，对敏感截图集合进行图像预处理，获得预处理后的图像特征集合；将预设敏感特征集合与所述图像特征集合进行对比，根据敏感特征对比结果确定目标敏感特征集合。

可理解的是，图像预处理是指消除图像中无关的信息，保留目标信息并增强所述目标信息，具体可以包括像素亮度变换、几何变换、局部邻域预处理、图像复原等处理操作，将获得的敏感特征集合与预设敏感特征集合进行对比，获得敏感相似度，根据所述敏感相似度确定目标敏感截图，并将目标敏感截图对应的特征构建目标敏感特征集合。

进一步地，所述根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：从所述目标敏感特征集合中获取人体敏感特征、物体敏感特征以及文字敏感特征；根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

需说明的是，从目标敏感特征集合中获取人体敏感特征、物体敏感特征以及文字敏感特征；根据预设类型权重、人体敏感特征、物体敏感特征以及文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果，所述预设类型权重是指针对人体敏感因素、物体敏感因素以及文字敏感因素对应的不同权重函数，通过不同权重函数对人体敏感特征、物体敏感特征以及文字敏感特征进行赋值，确定对应的权重信息，进而根据权重信息判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

进一步地，所述根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征确定目标权重信息；根据所述目标权重信息判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

具体实现中，根据预设类型权重、人体敏感特征、物体敏感特征以及文字敏感特征确定目标权重信息；根据目标权重信息判定目标网页截图是否属于敏感网页，获得网页识别结果。

本实施例通过基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像；所述关键元素包括人体位姿和物体位姿，基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息；根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。相较于现有4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低，本实施例通过对网页截图进行图像相似度查询，并对相似图像中的关键元素进行泛化，根据位姿信息进行敏感特征识别，提升了扫描频率，对不良资产实现更加准确及时的监控。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于5G边缘计算的网页识别程序，所述基于5G边缘计算的网页识别程序被处理器执行时实现如上文所述的基于5G边缘计算的网页识别方法的步骤。

参照图4，图4为本发明基于5G边缘计算的网页识别装置第一实施例的结构框图。

如图4所示，本发明实施例提出的基于5G边缘计算的网页识别装置包括：

端口识别模块10，用于基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；

图像查询模块20，用于根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；

位姿估算模块30，用于对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；

敏感识别模块40，用于根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。

本实施例通过基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。相较于现有4G网络只能采集设备的基本信息，面对网页截图、快照等占用内存较大的信息时，传输慢，网络会出现拥堵，导致采集速率降低，本实施例通过对网页截图进行图像相似度查询，并对相似图像中的关键元素进行泛化，根据位姿信息进行敏感特征识别，提升了扫描频率，对不良资产实现更加准确及时的监控。

进一步地，所述图像查询模块20，还用于根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像。

进一步地，所述图像查询模块20，还用于基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；基于所述预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；基于所述预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；基于所述预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；根据所述第一特征集合、所述第二特征集合、所述第三特征集合以及所述第四特征集合确定目标特征集合。

进一步地，所述位姿估算模块30，还用于基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息。

进一步地，所述位姿估算模块30，还用于基于预设人体结构点对所述目标相似图像中的人体关节坐标进行标记，获得关节标记结果；根据所述关节标记结果和预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息；根据所述角度信息、所述深度信息以及所述区域坐标信息确定人体位姿信息。

进一步地，所述位姿估算模块30，还用于基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息；根据所述物体角度信息、所述物体深度信息以及所述物体区域坐标信息确定物体位姿信息。

进一步地，所述敏感识别模块40，还用于根据所述物体位姿信息和所述人体位姿信息确定所述目标网页截图对应的敏感区域，获得敏感截图集合；基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合；根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

进一步地，所述敏感识别模块40，还用于对所述敏感截图集合进行图像预处理，获得预处理后的图像特征集合；将所述预设敏感特征集合与所述图像特征集合进行对比，根据敏感特征对比结果确定目标敏感特征集合。

进一步地，所述敏感识别模块40，还用于从所述目标敏感特征集合中获取人体敏感特征、物体敏感特征以及文字敏感特征；根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

进一步地，所述敏感识别模块40，还用于根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征确定目标权重信息；根据所述目标权重信息判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

进一步地，所述端口识别模块10，还用于基于5G边缘计算网络对目标资产空间进行网络空间测绘，获得空间测绘信息；对所述空间测绘信息中包含的开放端口进行识别，获得端口识别结果。

本发明还提供A1、一种基于5G边缘计算的网页识别方法，所述基于5G边缘计算的网页识别方法包括以下步骤：

基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果；

根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像；

对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息；

根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果。

A2、如A1所述的基于5G边缘计算的网页识别方法，所述根据所述端口识别结果对目标网页截图进行图像相似度查询，确定目标相似图像的步骤，包括：

根据所述端口识别结果与目标端口构建连接，并对端口服务进行网页截图，获得目标网页截图；

基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合；

根据所述目标特征集合与预设训练数据集中包含的图像特征进行对比，获得特征相似度；

根据所述特征相似度从所述预设训练图像集中进行图像相似度查询，确定目标相似图像。

A3、如A2所述的基于5G边缘计算的网页识别方法，所述基于预设深度学习模型对所述目标网页截图进行特征提取，获得目标特征集合的步骤，包括：

基于预设深度学习模型对目标网页截图进行人物轮廓特征提取，获得第一特征集合；

基于所述预设深度学习模型对目标网页截图进行人物肤色元素块特征提取，获得第二特征集合；

基于所述预设深度学习模型对目标网页截图进行人物比例特征提取，获得第三特征集合；

基于所述预设深度学习模型对目标网页截图进行敏感词特征进行提取，获得第四特征集合；

根据所述第一特征集合、所述第二特征集合、所述第三特征集合以及所述第四特征集合确定目标特征集合。

A4、如A1所述的基于5G边缘计算的网页识别方法，所述关键元素包括人体位姿和物体位姿，所述对所述目标相似图像中的关键元素进行泛化，获得目标位姿信息的步骤，包括：

基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息；

基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息；

根据所述人体位姿信息和所述物体位姿信息确定目标位姿信息。

A5、如A4所述的基于5G边缘计算的网页识别方法，所述基于预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体位姿信息的步骤，包括：

基于预设人体结构点对所述目标相似图像中的人体关节坐标进行标记，获得关节标记结果；

根据所述关节标记结果和预设位姿估计算法对所述目标相似图像中的人体位姿进行泛化，获得人体角度信息、人体深度信息以及人体区域坐标信息；

根据所述角度信息、所述深度信息以及所述区域坐标信息确定人体位姿信息。

A6、如A4所述的基于5G边缘计算的网页识别方法，所述基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体位姿信息的步骤，包括：

基于所述预设位姿估计算法对所述目标相似图像中的物体位姿进行泛化，获得物体角度信息、物体深度信息以及物体区域坐标信息；

根据所述物体角度信息、所述物体深度信息以及所述物体区域坐标信息确定物体位姿信息。

A7、如A4所述的基于5G边缘计算的网页识别方法，所述根据所述目标位姿信息对所述目标网页截图进行敏感特征识别，获得网页识别结果的步骤，包括：

根据所述物体位姿信息和所述人体位姿信息确定所述目标网页截图对应的敏感区域，获得敏感截图集合；

基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合；

根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

A8、如A7所述的基于5G边缘计算的网页识别方法，所述基于预设敏感特征集合对所述敏感截图集合进行敏感特征识别，获得目标敏感特征集合的步骤，包括：

对所述敏感截图集合进行图像预处理，获得预处理后的图像特征集合；

将所述预设敏感特征集合与所述图像特征集合进行对比，根据敏感特征对比结果确定目标敏感特征集合。

A9、如A7所述的基于5G边缘计算的网页识别方法，所述根据所述目标敏感特征集合判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：

从所述目标敏感特征集合中获取人体敏感特征、物体敏感特征以及文字敏感特征；

根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

A10、如A9所述的基于5G边缘计算的网页识别方法，所述根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征判定所述目标网页截图是否属于敏感网页，获得网页识别结果的步骤，包括：

根据预设类型权重、所述人体敏感特征、所述物体敏感特征以及所述文字敏感特征确定目标权重信息；

根据所述目标权重信息判定所述目标网页截图是否属于敏感网页，获得网页识别结果。

A11、如A1所述的基于5G边缘计算的网页识别方法，所述基于5G边缘计算网络对目标资产空间进行开放端口识别，获得端口识别结果的步骤，包括：

基于5G边缘计算网络对目标资产空间进行网络空间测绘，获得空间测绘信息；

对所述空间测绘信息中包含的开放端口进行识别，获得端口识别结果。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于5G边缘计算的网页识别方法，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。