Resumen

El motor de búsqueda es crítico en la vida diaria de las personas porque determina la calidad de la información que las personas obtienen al buscar. La feroz competencia por el ranking en los motores de búsqueda no es beneficiosa ni para los usuarios ni para los motores de búsqueda. La investigación existente principalmente estudia el contenido y los enlaces de los sitios web. Sin embargo, ninguna de estas técnicas se enfoca en el análisis semántico del enlace y el texto del ancla para la detección. En este documento, proponemos un método de detección de spam web extrayendo conjuntos de características novedosas del código fuente de la página de inicio y eligiendo el bosque aleatorio (RF) como clasificador. Las características novedosas se extraen de los enlaces de las páginas de inicio, la estructura del lenguaje de marcado de hipertexto (HTML) y la similitud semántica del contenido. Realizamos experimentos en el conjunto de datos WEBSPAM-UK2007 y UK-2011 utilizando un método de validación cruzada de cinco pliegues. Además, diseñamos tres conjuntos de experiment

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Motor de búsqueda; Calidad de la información; Detección de spam en la web; Bosque aleatorio; Análisis semántico; Texto de anclaje
• Keywords:Search engine; Information quality; Web spam detection; Random forest; Semantic analysis; Anchor text