概述
这篇论文发表于《信息技术、机械与光学科技期刊》（Scientific and Technical Journal of Information Technologies, Mechanics and Optics），研究在静态特征被隐藏或受动态加载影响时如何识别技术。Rand Deeb 与 Alisa A. Vorobeva 将弱监督与行为观测相结合。
Wappalyzer 与 BuiltWith 的一致结果提供了训练用的正样本标签。自动化浏览器从 HTTP 头、Cookie、网络请求和文档结构中采集特征。多标签随机森林负责预测技术，再由从训练数据中学到的关联规则对预测结果进行调整。
评估覆盖 8,594 个网站和 122 种技术。在固定的测试集上，微平均 F1 从随机森林的 0.750 提升到基于规则后处理之后的 0.763。这些结果仅针对该数据集。该方法是对基于特征签名识别的补充，并不能保证可靠检测所有被隐藏或此前未见过的技术。
论文正式标题
Weakly Supervised Web Technology Identification with Rule-Augmented Machine Learning
要点
- 论文
- 2026
- 发表于
- Scientific and Technical Journal of Information Technologies, Mechanics and Optics
- 主题
- Web 技术识别 · 弱监督 · 机器学习 · 关联规则