專利名稱：互聯(lián)網(wǎng)不良信息檢測方法以及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及網(wǎng)絡(luò)安全檢測技術(shù)，尤其涉及一種互聯(lián)網(wǎng)不良信息檢測方法以及系 統(tǒng)，屬于網(wǎng)絡(luò)安全領(lǐng)域。
背景技術(shù)：
隨著計(jì)算機(jī)及通信技術(shù)的高速發(fā)展，互聯(lián)網(wǎng)的巨大影響和利潤驅(qū)使很多別有用心 的人借助互聯(lián)網(wǎng)進(jìn)行各種不良行為。IDC的統(tǒng)計(jì)曾顯示，有30% -40%的Internet訪問是 與工作無關(guān)的，其中相當(dāng)大的比例訪問色情、暴力、反動(dòng)等站點(diǎn)，Internet資源被嚴(yán)重浪費(fèi)。 近年來，互聯(lián)網(wǎng)色情、釣魚、暴力等不良信息的泛濫嚴(yán)重?cái)_亂了互聯(lián)網(wǎng)秩序，造成一系列不 良影響，特別影響著廣大青少年的身心健康?；ヂ?lián)網(wǎng)不良信息網(wǎng)站泛指色情網(wǎng)站、反動(dòng)網(wǎng)站、暴力網(wǎng)站、病毒網(wǎng)站和作弊網(wǎng)站， 其中作弊網(wǎng)站包括釣魚、欺詐、搜索引擎垃圾等，色情、反動(dòng)類網(wǎng)站多采用作弊技術(shù)。目前為 止，高效的、全面的、成熟的有害信息識別與過濾技術(shù)仍然沒有取得突破性進(jìn)展。1999年歐盟啟動(dòng)了安全網(wǎng)絡(luò)行動(dòng)計(jì)劃，利用五年時(shí)間先后組織歐盟125個(gè)研究組 織完成35項(xiàng)科研項(xiàng)目，這些研究項(xiàng)目以跨地域、文化、語言的網(wǎng)絡(luò)有害信息過濾和評估方 案為主要研究目標(biāo)，希望在歐盟建立統(tǒng)一的網(wǎng)絡(luò)有害信息過濾系統(tǒng)。近年來，國內(nèi)模式識別 國家重點(diǎn)實(shí)驗(yàn)室開展了敏感信息與行為監(jiān)控實(shí)用化技術(shù)的研究與開發(fā)，主要是對圖像視頻 進(jìn)行內(nèi)容理解，處于實(shí)驗(yàn)室階段。現(xiàn)有技術(shù)中利用單一模態(tài)對網(wǎng)絡(luò)不良信息進(jìn)行檢測，方法包括文本過濾、黑白名 單過濾、IP過濾、圖像內(nèi)容理解等，另外也包括網(wǎng)頁內(nèi)容與圖像融合的模式學(xué)習(xí)方法。雖然 上述方法各自有其特點(diǎn)，且在不同方面的檢測上各有所長，但也存在各自的缺點(diǎn)。綜上所述，現(xiàn)有技術(shù)中只是提取彼此不相關(guān)聯(lián)的單一模態(tài)來對網(wǎng)絡(luò)不良信息進(jìn)行 檢測，存在著統(tǒng)計(jì)學(xué)習(xí)的方法特征提取不全等問題，因此，導(dǎo)致了檢測性能低且檢測系統(tǒng)的 魯棒性差。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種互聯(lián)網(wǎng)不良信息檢測方法以及系統(tǒng)，用以解決現(xiàn)有技 術(shù)中采用統(tǒng)計(jì)學(xué)習(xí)方法導(dǎo)致的提取特征不全的問題，進(jìn)而提高互聯(lián)網(wǎng)不良信息檢測的檢測 性能及檢測系統(tǒng)的魯棒性。為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種互聯(lián)網(wǎng)不良信息檢測方法，包括從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述多模態(tài)特征相對應(yīng)的各模態(tài) 特征子向量，提取的多模態(tài)特征包括內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征中的至 少兩項(xiàng)；對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得到多模態(tài)聯(lián)合特征向量；根據(jù)所述多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行不良信息檢測，得到檢測結(jié)果。
本發(fā)明還提供了一種互聯(lián)網(wǎng)不良信息檢測系統(tǒng)，包括多模態(tài)特征提取模塊，用于從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述 多模態(tài)特征相對應(yīng)的各模態(tài)特征子向量，提取的多模態(tài)特征包括內(nèi)容統(tǒng)計(jì)特征、文本相關(guān) 特征和鏈接相關(guān)特征中的至少兩項(xiàng)；特征融合模塊，用于對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得到多模 態(tài)聯(lián)合特征向量；檢測模塊，用于根據(jù)所述多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行不良信息 檢測，得到檢測結(jié)果。本發(fā)明提供的多模態(tài)特征的互聯(lián)網(wǎng)不良信息檢測方法以及系統(tǒng)，充分挖掘多模態(tài) 特征，建立統(tǒng)一檢測策略以打擊多種類型的互聯(lián)網(wǎng)不良應(yīng)用。從而，有效地克服了現(xiàn)有基于 統(tǒng)計(jì)學(xué)習(xí)的方法穩(wěn)定性不高、特征提取不全，及特征融合等問題。不僅可以更好的提高檢測 性能，而且大大提高了檢測系統(tǒng)的魯棒性。


圖1為本發(fā)明互聯(lián)網(wǎng)不良信息檢測方法實(shí)施例的流程示意圖；圖2為本發(fā)明實(shí)施例中步驟100的具體流程示意圖；圖3為本發(fā)明實(shí)施例中步驟200的具體流程示意圖；圖4為本發(fā)明實(shí)施例中步驟300的具體流程示意圖；圖5為本發(fā)明互聯(lián)網(wǎng)不良信息檢測系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明本發(fā)明實(shí)施例的技術(shù)方案。圖1為本發(fā)明互聯(lián)網(wǎng)不良信息檢測方法實(shí)施例的流程圖，如圖1所示，本發(fā)明多模 態(tài)特征的互聯(lián)網(wǎng)不良信息檢測方法包括以下步驟步驟100、對預(yù)檢測的網(wǎng)絡(luò)信息進(jìn)行多模態(tài)特征提取，即從預(yù)檢測的網(wǎng)絡(luò)信息中提 取多模態(tài)特征，得到與上述多模態(tài)特征對應(yīng)的各模態(tài)特征子向量；其中，步驟100從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，形成各模態(tài)特征子向量 的步驟可具體包括網(wǎng)頁抓取和預(yù)處理、網(wǎng)頁內(nèi)容分析、超鏈接圖構(gòu)建、提取內(nèi)容統(tǒng)計(jì)特征、 提取文本相關(guān)特征、提取鏈接相關(guān)特征。圖2為本發(fā)明實(shí)施例中步驟100的具體流程示意圖。如圖2所示，該方法包括如 下步驟步驟101、網(wǎng)頁抓取和預(yù)處理，對網(wǎng)頁內(nèi)容進(jìn)行抓取和預(yù)處理后，當(dāng)對網(wǎng)頁內(nèi)容進(jìn) 行分析時(shí)，執(zhí)行步驟102，當(dāng)對超鏈接圖進(jìn)行分析時(shí)，則執(zhí)行步驟103，網(wǎng)頁抓取和預(yù)處理技 術(shù)是比較成熟的現(xiàn)有技術(shù)，可以通過網(wǎng)絡(luò)爬蟲技術(shù)實(shí)現(xiàn)，例如框架Heritrix和Nutch。步驟102、網(wǎng)頁內(nèi)容分析，具體的是從多視角對網(wǎng)頁信息進(jìn)行分析，包括內(nèi)容提取、 錨文本提取、網(wǎng)頁統(tǒng)計(jì)信息提取和復(fù)雜背景文字檢測與識別。其中內(nèi)容提取、錨文本提取方 法有成熟的方法，例如利用CyberNeko技術(shù)的HTML解析器。網(wǎng)頁統(tǒng)計(jì)信息的提取包括一系 列網(wǎng)頁相關(guān)的簡單統(tǒng)計(jì)屬性。復(fù)雜背景文字檢測與識別作為獨(dú)立研究近年來取得了長足發(fā) 展，其檢測與識別率完全滿足進(jìn)行內(nèi)容分析的需要，本申請將充分利用該類文本信息。當(dāng)分析的網(wǎng)頁信息為統(tǒng)計(jì)信息時(shí)，執(zhí)行步驟104，當(dāng)分析的網(wǎng)頁信息為其他信息時(shí)，則執(zhí)行步驟 105。步驟103、構(gòu)建超鏈接圖，使用目前已經(jīng)成熟的框架webgraph。以下將詳細(xì)敘述提取內(nèi)容統(tǒng)計(jì)特征、提取文本相關(guān)特征及提取鏈接相關(guān)特征步 驟步驟104、提取內(nèi)容統(tǒng)計(jì)特征，該步驟提取的統(tǒng)計(jì)特征包括網(wǎng)頁中單詞的數(shù)量、網(wǎng) 頁的壓縮率、可見文字的比例、錨文本的比例、標(biāo)題中單詞的個(gè)數(shù)、錨文本的平均長度、網(wǎng)頁 中詞匯的平均長度、N元語法似然度特征等。我們采用以下方法將所有的網(wǎng)頁統(tǒng)計(jì)特征向 網(wǎng)站映射，H表示I個(gè)網(wǎng)頁的網(wǎng)站，這I個(gè)網(wǎng)頁可表示為P= {pl，p2，…，Pl}，用ph表示該 網(wǎng)站的主頁，Pm表示該網(wǎng)站擁有最大PageRank值的網(wǎng)頁。f(p)表示前述8個(gè)統(tǒng)計(jì)特征，則 網(wǎng)站H的特征向量f (H)為f (H) = (f (ph)，f (pm)，E (f (ρ))，Var (f (ρ)))其中，ρ e P，E (f (ρ))表示該網(wǎng)站中所有網(wǎng)頁相應(yīng)特征的均值，Var(f(p))表示該 網(wǎng)站所有網(wǎng)頁相應(yīng)特征的方差。這樣得到32個(gè)內(nèi)容統(tǒng)計(jì)特征。步驟105、提取文本相關(guān)特征，其中，文本包含三部分信息，網(wǎng)頁內(nèi)容文本、錨文本 和圖片文字，該步驟的處理對象并不是以上三類文本的簡單疊加后的對象，而是首先對網(wǎng) 頁內(nèi)容文本進(jìn)行長度歸一化處理，在此基礎(chǔ)上與錨文本和圖片文本簡單聯(lián)合成為文本D， 這樣做是防止網(wǎng)頁文本過長而掩蓋錨文本和圖片文字。進(jìn)一步，將網(wǎng)站主頁Dh和擁有最 大PageRank值的網(wǎng)頁Dm聯(lián)合為Dh U Dm，代表該網(wǎng)站，文本特征的提取在Dh U DmI展開。
每個(gè)網(wǎng)站都被表示為J = ，《,...,O ,其中式= TF{wnd)*IDFiwi)，:TFO,.，&表示詞頻，
IDF(Wi)表示逆轉(zhuǎn)的文檔頻率。使用信息增益算法對^進(jìn)行計(jì)算，選擇有效分類特征，最終形 成文本相關(guān)特征。步驟106、提取鏈接相關(guān)特征，考慮到互聯(lián)網(wǎng)不良信息的提供以網(wǎng)站為載體，本發(fā) 明鏈接相關(guān)特征的提取直接把網(wǎng)站作為鏈接節(jié)點(diǎn)。鏈接特征的提取從多個(gè)視角開展，基本 度量包括出入度、PageRank, TrustRank, TruncatedPageRank (以上三種算法均為著名的鏈 接分析算法)等?；谝陨隙攘?，分別計(jì)算其入鄰居、出鄰居、二級近鄰的相應(yīng)度量均值。最 終形成鏈接相關(guān)特征，該特征對于通過超鏈接進(jìn)行不良信息傳播的應(yīng)用尤為有效。步驟200、對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，獲得多模態(tài)聯(lián)合特征 向量；圖3為本發(fā)明實(shí)施例中步驟200的具體流程示意圖。如圖3所示，步驟200包括 特征聯(lián)合處理和特征選擇處理?？紤]到內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征的表 示形式、語義各不相同，首先對這三類特征進(jìn)行屬性的歸一化，歸一化公式如下y = (x-Min Value)/(Max Value-Min Value)χ, y分別為轉(zhuǎn)換前、后的值，MaxValue和MinValue分別為所有樣本(包括標(biāo)號集 和檢測集)的該特征的最大值和最小值。步驟201、特征聯(lián)合處理，即在歸一化處理后，將三類特征線性融合，如果內(nèi)容統(tǒng)計(jì) 特征有C維，文本相關(guān)特征有T維，鏈接相關(guān)特征有L維，線性特征融合就是將這三種特征 線性進(jìn)行疊加，形成融合向量，該特征向量的維數(shù)為C+T+L。考慮到融合向量的維數(shù)太高，為 了加快分類器學(xué)習(xí)和檢測效率，進(jìn)行必要的特征選擇處理。
步驟202、特征選擇處理。特征選擇即從高維的特征中根據(jù)特定的算法將某些對分 類貢獻(xiàn)不大的或沒有貢獻(xiàn)的維度剔除，保留有辨識力的維度的行為。本發(fā)明中特征選擇算 法可以選擇現(xiàn)有的主成分分析、線性判別分析等。經(jīng)過步驟200的特征融合處理和步驟202特征選擇處理操作，即將步驟200的 C+T+L維的特征，進(jìn)一步經(jīng)步驟202進(jìn)行降維，比如得到U維，在U維特征空間上，最終形成 各模態(tài)特征聯(lián)合特征向量，每個(gè)特征聯(lián)合向量包含U個(gè)元素。接下來的步驟300的訓(xùn)練以 及分類決策均在該聯(lián)合特征向量上展開。步驟300、根據(jù)多模態(tài)聯(lián)合特征向量，采用現(xiàn)有的機(jī)器學(xué)習(xí)算法進(jìn)行作弊檢測(即 不良信息檢測)，得到檢測結(jié)果，機(jī)器學(xué)習(xí)算法包括決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)至少一 項(xiàng)。圖4為本發(fā)明實(shí)施例中步驟300的具體流程示意圖。如圖4所示，步驟300的分 類器學(xué)習(xí)和分類決策是基于步驟200形成的聯(lián)合特征向量。具體包括步驟301、在聯(lián)合特征向量上對訓(xùn)練集和檢測集進(jìn)行標(biāo)示；步驟302、在訓(xùn)練集上訓(xùn)練分類器，分類器的選擇可以為任何現(xiàn)有模式分類器，如 支持向量機(jī)(SVMs)、決策樹、核方法、神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化等；步驟303、在分類器被訓(xùn)練結(jié)束后，使用訓(xùn)練好的模型對檢測集中的站點(diǎn)樣本進(jìn)行 分類，完成對互聯(lián)網(wǎng)不良信息的檢測，生成檢測結(jié)果。綜上所述，本發(fā)明提供的互聯(lián)網(wǎng)不良信息檢測方法，通過對預(yù)檢測的網(wǎng)絡(luò)信息進(jìn) 行多模態(tài)特征提取，形成各模態(tài)特征子向量。之后，將各模態(tài)特征子向量進(jìn)行特征融合處 理，并獲取多模態(tài)聯(lián)合特征向量。最后，根據(jù)多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行 不良信息檢測。上述方法，對多模態(tài)特征進(jìn)行了充分的挖掘，建立了統(tǒng)一檢測策略以打擊多 種類型的互聯(lián)網(wǎng)不良應(yīng)用，能夠有效地克服了基于統(tǒng)計(jì)學(xué)習(xí)的方法特征提取不全等問題， 不僅提高了檢測性能，而且大大提高了檢測系統(tǒng)的魯棒性。圖5為本發(fā)明互聯(lián)網(wǎng)不良信息檢測系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖。如圖5所示，該系 統(tǒng)包括多模態(tài)特征提取模塊501、特征融合模塊502和檢測模塊503 其中，多模態(tài)特征提取 模塊501用于從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述多模態(tài)特征相對應(yīng)的各 模態(tài)特征子向量，提取的多模態(tài)特征包括內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征中 的至少兩項(xiàng)；特征融合模塊502用于對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得 到多模態(tài)聯(lián)合特征向量；檢測模塊503用于根據(jù)所述多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí) 算法進(jìn)行不良信息檢測，得到檢測結(jié)果。上述多模態(tài)特征的互聯(lián)網(wǎng)不良信息檢測系統(tǒng)，通過對多模態(tài)特征進(jìn)行提取并進(jìn)行 特征融合，建立了統(tǒng)一的檢測策略，可以有效地克服現(xiàn)有技術(shù)中特征提取不全等問題，從而 能更好的提高檢測性能及檢測系統(tǒng)的穩(wěn)定性。具體的，如圖5所示，本發(fā)明上述實(shí)施例中的多模態(tài)特征提取模塊501，可以包括 第一提取單元504、第二提取單元505和第三提取單元506，其中，第一提取單元504用于提 取內(nèi)容統(tǒng)計(jì)特征；第二提取單元505用于提取文本相關(guān)特征；第三提取單元506用于提取 鏈接相關(guān)特征。綜上所述，本發(fā)明提供的互聯(lián)網(wǎng)不良信息檢測方法，通過充分挖掘多模態(tài)特征，建 立統(tǒng)一檢測策略以打擊多種類型的互聯(lián)網(wǎng)不良應(yīng)用，能夠有效地克服基于統(tǒng)計(jì)學(xué)習(xí)的方法提取特征不全等問題。與現(xiàn)有技術(shù)相比，不僅可以更好的提高檢測性能，而且大大提高了檢 測系統(tǒng)的魯棒性。 雖然本發(fā)明以實(shí)施例揭示如上，但其并非用以限定本發(fā)明，任何本領(lǐng)域技術(shù)人員， 在不脫離本發(fā)明的精神和范圍內(nèi)，可作任意改動(dòng)或等同替換，故本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以 本申請權(quán)利要求書所界定的范圍為準(zhǔn)。
權(quán)利要求
1.一種互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，包括從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述多模態(tài)特征相對應(yīng)的各模態(tài)特征 子向量，提取的多模態(tài)特征包括內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征中的至少兩 項(xiàng)；對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得到多模態(tài)聯(lián)合特征向量；根據(jù)所述多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行不良信息檢測，得到檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，提取內(nèi)容統(tǒng)計(jì)特征 包括提取文字長度、可見文本比例和壓縮率。
3.根據(jù)權(quán)利要求1所述的互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，提取文本相關(guān)特征 包括根據(jù)信息增益方法對網(wǎng)頁內(nèi)容、錨文本和圖片文字信息進(jìn)行特征選擇。
4.根據(jù)權(quán)利要求1所述的互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，提取鏈接相關(guān)特征 包括提取鏈接出入度信息、鏈接分析值相關(guān)信息和支持度相關(guān)信息。
5.根據(jù)權(quán)利要求1所述的互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，所述對提取到的各 模態(tài)特征子向量進(jìn)行特征融合處理包括將從預(yù)檢測的網(wǎng)絡(luò)信息中提取的內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征中的至 少兩項(xiàng)進(jìn)行特征聯(lián)合處理，得到融合向量；對得到的融合向量進(jìn)行特征選擇處理，獲得所述多模態(tài)聯(lián)合特征向量。
6.根據(jù)權(quán)利要求1所述的互聯(lián)網(wǎng)不良信息檢測方法，其特征在于，所述機(jī)器學(xué)習(xí)算法 包括決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)中至少一項(xiàng)。
7.一種互聯(lián)網(wǎng)不良信息檢測系統(tǒng)，其特征在于，包括多模態(tài)特征提取模塊，用于從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述多模 態(tài)特征相對應(yīng)的各模態(tài)特征子向量，提取的多模態(tài)特征包括內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征 和鏈接相關(guān)特征中的至少兩項(xiàng)；特征融合模塊，用于對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得到多模態(tài)聯(lián) 合特征向量；檢測模塊，用于根據(jù)所述多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行不良信息檢測， 得到檢測結(jié)果。
全文摘要
本發(fā)明提供一種互聯(lián)網(wǎng)不良信息檢測方法以及系統(tǒng)。該方法包括從預(yù)檢測的網(wǎng)絡(luò)信息中提取多模態(tài)特征，得到與所述多模態(tài)特征相對應(yīng)的各模態(tài)特征子向量，包括從預(yù)檢測的網(wǎng)絡(luò)信息中提取內(nèi)容統(tǒng)計(jì)特征、文本相關(guān)特征和鏈接相關(guān)特征中的至少兩項(xiàng)；對提取到的各模態(tài)特征子向量進(jìn)行特征融合處理，得到多模態(tài)聯(lián)合特征向量；根據(jù)多模態(tài)聯(lián)合特征向量，采用機(jī)器學(xué)習(xí)算法進(jìn)行不良信息檢測，得到檢測結(jié)果。本發(fā)明還提供了對應(yīng)的系統(tǒng)。本發(fā)明提供的互聯(lián)網(wǎng)不良信息檢測方法以及系統(tǒng)，能夠提高對互聯(lián)網(wǎng)不良信息的檢測性能，而且大大提高了檢測系統(tǒng)的魯棒性。
文檔編號G06F17/30GK102004764SQ20101053638
公開日2011年4月6日 申請日期2010年11月4日 優(yōu)先權(quán)日2010年11月4日
發(fā)明者盧文哲, 張桓銘, 李曉東, 李洪濤, 楊衛(wèi)平, 毛偉, 王國棟, 耿光剛, 齊超 申請人:中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心, 北龍中網(wǎng)(北京)科技有限責(zé)任公司