Vyhledávání nelegálního obsahu na internetu

Lenka Skanderová

Master's thesis

Malicious Content Retrieval

Abstract:

Vyhledávání nelegálního obsahu na Internetu se soustřeďuje na analýzu webových stránek s dětskou pornografií. Jedná se o analýzu textu. Ve své diplomové práci zkoumám, jak se stránky s dětskou pornografií odlišují od ostatních webových stránek. Zaměřuji se na vyhledání charakteristických slov, která se zde objevují, a na jejich četnosti. K tomuto účelu jsem vytvořila vlastní software, který je schopen extrahovat ze stránek slova a seřadit je podle četností. Dále jsem použila metody shlukování a Jaccardův koeficient podobnosti. Vycházela jsem z hypotézy, že stránky s dětskou pornografií mají zcela unikátní slovník, který v jiných typech webu nenajdeme. Správnost této hypotézy potvrzují všechny výsledky, jichž jsem svými pokusy dosáhla. Vyhledávání nelegálního obsahu na Internetu se velkou měrou opírá o článek Wai H. Ho, Paul A. Watters, Statistical and Structural Approaches to Filtering Internet Pornography; IEEE International Conference on Systems, Man and Cybernetics, 2004, jenž zároveň slouží i jako další nepřímý důkaz mé hypotézy. Věřím, že má diplomová práce může pomoci v boji proti dětské pornografii.

Abstract:

Searching of Malicious Content Retrieval is aimed at analysis of web pages with child pornography. The thing is analysis of text. In my thesis I look about differences between pages with child pornography and other web pages. I put mind to searching of typically words and their frequencies. To the effect I have designed own software, which can extract words from pages and orded them by their frequencies. Next I have used methods of clustering and Jaccard similarity coeficient. I have started from the hypothesis that pages with child pornography contain unique vocabulary, which is not engaged otherwhere. All my achieved results confirm my hypothesis. The great pillar of Malicious Content Retrieval is the article Wai H. Ho, Paul A. Watters, Statistical and Structural Approaches to Filtering Internet Pornography; IEEE International Conference on Systems, Man and Cybernetics, 2004, which is the next proof of my hypothesis. I believe my thesis can help in the fight against child pornography.

Keywords

dětská pornografie, diplomová práce, Vyhledávání nelegálního obsahu na Internetu, webové stránky, analýza textu, četnost, nelegální obsah, shlukování, Jaccardův koeficient podobnosti

Keywords

child pornography, thesis, Malicious Content Retrieval, web pages, text analysis, frequency, illegal content, clustering, Jaccard similarity coeficient

Language used: Czech

Date on which the thesis was submitted / produced: 6. 5. 2011

Thesis defence

• Date of defence: 6. 6. 2011
• Supervisor: Václav Snášel
• Reader: Miloš Kudělka

VŠB - Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Master programme / field:
Informační a komunikační technologie / Informatika a výpočetní technika