本文關(guān)鍵詞：基于特征選擇的托攻擊檢測研究

  更多相關(guān)文章： 托攻擊 推薦系統(tǒng) 信息熵 離群度 流行度

【摘要】：協(xié)同過濾推薦作為一種重要的個性化服務(wù),越來越廣泛的應(yīng)用于電子商務(wù)領(lǐng)域,為用戶獲取推薦信息和商家營銷提供了極大的便利。然而托攻擊的出現(xiàn),嚴(yán)重降低了推薦系統(tǒng)的準(zhǔn)確性和可用性,一定程度上制約了電子商務(wù)的發(fā)展。為此,托攻擊檢測的研究受到了廣泛關(guān)注,本文在國內(nèi)外專家研究基礎(chǔ)之上,就基于特征選擇的托攻擊檢測方法展開研究。由于托攻擊的檢測具有時效性,故隨著時間推移,有必要重復(fù)檢測。但初次檢測和后續(xù)重復(fù)檢測對算法的要求不同,初次檢測要求算法結(jié)果盡可能準(zhǔn)確,后續(xù)重復(fù)檢測則要求算法具有較高的時間效率。因此,本文分別針對這兩種不同需求展開托攻擊檢測算法的研究,并且將檢測算法分解成兩個子問題:有效的特征指標(biāo)選擇和基于特征指標(biāo)集的檢測算法。首先,考慮到傳統(tǒng)托攻擊檢測算法不能靈活應(yīng)對多種托攻擊類型的情況,提出了一種基于信息熵動態(tài)選取檢測指標(biāo)的特征選擇算法。結(jié)合信息熵的特性,將正常用戶和攻擊用戶的劃分看作兩類隨機(jī)事件,計算特征指標(biāo)的信息熵,并以此判斷其分類能力,完成特征選擇。接著,設(shè)計了一種基于離群度的無監(jiān)督檢測算法,從特征值向量離群度的角度來識別攻擊用戶。分別在Movie Lens數(shù)據(jù)集上構(gòu)造不同模型的托攻擊,以此驗證算法的正確性,再與其他幾種主流的檢測算法進(jìn)行對比試驗,驗證算法的性能。然后,針對后續(xù)檢測的高時間效率需求,在初次檢測得到真實用戶概貌集的基礎(chǔ)上,提出一套基于項目流行度的托攻擊特征提取方法。因為流行度是基于對項目評分?jǐn)?shù)量的統(tǒng)計,所以在計算的復(fù)雜度上有較大的降低,再以真實用戶與攻擊用戶在對評分項目的選擇上存在差異為切入點,得出用戶平均項目流行度和用戶項目流行度信息熵兩個特征指標(biāo),與上面的檢測算法結(jié)合來完成后續(xù)的托攻擊重復(fù)檢測。最后,根據(jù)以上算法設(shè)計實現(xiàn)一個托攻擊檢測的仿真系統(tǒng),通過模擬實際中托攻擊檢測的整個過程來驗證本文所提出檢測方法的正確性。
【關(guān)鍵詞】：托攻擊 推薦系統(tǒng) 信息熵 離群度 流行度
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-14
• 1.1 課題研究背景8
• 1.2 課題研究意義8-9
• 1.3 國內(nèi)外研究現(xiàn)狀9-10
• 1.4 論文研究內(nèi)容10-12
• 1.5 論文結(jié)構(gòu)安排12-14
• 第2章 托攻擊檢測相關(guān)理論概述14-20
• 2.1 托攻擊概述14
• 2.2 托攻擊的屬性14-15
• 2.3 托攻擊的概貌結(jié)構(gòu)與模型15-17
• 2.4 托攻擊檢測方法與特征指標(biāo)17-20
• 第3章 基于信息熵的特征選擇方法20-28
• 3.1 引言20
• 3.2 基于信息熵特征選擇的可行性分析20-21
• 3.3 基于信息熵的特征指標(biāo)選擇算法21-25
• 3.4 實驗以及結(jié)果分析25-27
• 3.4.1 算法實驗數(shù)據(jù)集與評價指標(biāo)25-26
• 3.4.2 訓(xùn)練集的構(gòu)造方法與參數(shù)設(shè)定26-27
• 3.4.3 實驗結(jié)果27
• 3.5 小結(jié)27-28
• 第4章 基于特征向量離群度的無監(jiān)督托攻擊檢測方法28-38
• 4.1 引言28
• 4.2 離群點與離群度概述28-29
• 4.3 基于離群度的檢測算法模型29-32
• 4.4 實驗設(shè)計與結(jié)果分析32-36
• 4.4.1 實驗數(shù)據(jù)集與參數(shù)設(shè)定32
• 4.4.2 實驗設(shè)計與結(jié)果分析32-36
• 4.5 小結(jié)36-38
• 第5章 基于用戶項目流行度特征提取的托攻擊檢測方法38-48
• 5.1 引言38
• 5.2 基于項目流行度的特征提取方法的可行性分析38-40
• 5.3 項目平均流行度的特征指標(biāo)提取40-42
• 5.4 基于信息熵的特征指標(biāo)提取方法42-44
• 5.5 實驗與結(jié)果分析44-47
• 5.6 小結(jié)47-48
• 第6章 仿真實驗系統(tǒng)與總結(jié)展望48-56
• 6.1 引言48
• 6.2 系統(tǒng)設(shè)計目標(biāo)48-49
• 6.3 系統(tǒng)設(shè)計49-52
• 6.4 實例分析52
• 6.5 本文工作總結(jié)52-53
• 6.6 下一步研究53-56
• 參考文獻(xiàn)56-62
• 致謝62

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 饒鮮;楊紹全;魏青;董春曦;;基于熵的入侵檢測特征參數(shù)選擇[J];系統(tǒng)工程與電子技術(shù);2006年04期

2 王東琦,王長山,林延福;檢測SYN洪水攻擊的動態(tài)模型[J];現(xiàn)代電子技術(shù);2004年23期

3 周勇林;由林麟;張永錚;;基于命名及解析行為特征的異常域名檢測方法[J];計算機(jī)工程與應(yīng)用;2011年20期

4 李彬,戴銀濤,胡昌振;Linux下一種入侵檢測特征提取及規(guī)則制定方法[J];計算機(jī)安全;2003年11期

5 曹政;入侵檢測技術(shù),雞肋還是機(jī)會?——入侵檢測的幾個問題和解決途徑[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2003年04期

6 孟磊;劉勝利;劉龍;陳嘉勇;孫海濤;;基于心跳行為分析的木馬快速檢測方法[J];計算機(jī)工程;2012年14期

7 張小兵,葉新銘,石立新;入侵檢測中的告警分析研究[J];內(nèi)蒙古大學(xué)學(xué)報(自然科學(xué)版);2004年05期

8 蔣宗華;劉軍;;基于動態(tài)克隆選擇的入侵檢測及其搜索核特征的研究[J];電腦與信息技術(shù);2006年06期

9 胡建康;徐震;馬多賀;楊婧;;基于決策樹的Webshell檢測方法研究[J];網(wǎng)絡(luò)新媒體技術(shù);2012年06期

10 黎利輝;;基于遺傳模擬退火算法的入侵檢測特征選擇研究[J];計算機(jī)安全;2010年07期

中國重要報紙全文數(shù)據(jù)庫 前1條

1 金婉霞 本報記者 王春;檢測H7N9 僅需兩小時[N];科技日報;2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 姜德迅;代碼壞味檢測方法研究及重構(gòu)分析[D];哈爾濱工業(yè)大學(xué);2014年

2 任少卿;基于特征共享的高效物體檢測[D];中國科學(xué)技術(shù)大學(xué);2016年

3 許舟軍;基于異常分析的入侵檢測關(guān)鍵技術(shù)研究[D];天津大學(xué);2006年

4 郁繼鋒;基于數(shù)據(jù)挖掘的Web應(yīng)用入侵異常檢測研究[D];華中科技大學(xué);2011年

5 任斐;基于數(shù)據(jù)挖掘的自適應(yīng)異常檢測研究[D];吉林大學(xué);2009年

6 滕少華;基于對象監(jiān)控的分布式協(xié)同入侵檢測[D];廣東工業(yè)大學(xué);2008年

7 李戰(zhàn)春;入侵檢測中的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D];華中科技大學(xué);2007年

8 李鴻彬;SIP網(wǎng)絡(luò)中入侵檢測與防御系統(tǒng)關(guān)鍵技術(shù)的研究[D];中國科學(xué)院研究生院（沈陽計算技術(shù)研究所）;2012年

9 劉長龍;基于側(cè)信道分析的硬件木馬檢測技術(shù)研究[D];天津大學(xué);2013年

10 張福勇;面向惡意代碼檢測的人工免疫算法研究[D];華南理工大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胥小馬;使用多特征和多線索的駕駛員人臉檢測技術(shù)[D];北京理工大學(xué);2015年

2 李先飛;基于外貌特征的行人檢測方法研究與軟件實現(xiàn)[D];電子科技大學(xué);2014年

3 劉秋榮;面向代碼壞味檢測的閾值動態(tài)優(yōu)化方法[D];北京理工大學(xué);2016年

4 崔靜靜;基于I-K-Means聚類的樸素貝葉斯HRNB分類算法在入侵檢測中的應(yīng)用研究[D];河南理工大學(xué);2014年

5 成俊;基于人體部件的復(fù)雜場景行人檢測研究[D];南昌航空大學(xué);2016年

6 張瑞琴;基于信息熵聚類的異常檢測方法研究[D];北京交通大學(xué);2016年

7 溫天宇;基于特征選擇的托攻擊檢測研究[D];華僑大學(xué);2016年

8 張宇;復(fù)雜環(huán)境下的行人檢測[D];電子科技大學(xué);2016年

9 郝建波;微博突發(fā)話題檢測、跟蹤與傳播預(yù)測技術(shù)研究[D];哈爾濱工程大學(xué);2013年

10 李娜娜;基于免疫的層次異常檢測研究[D];河北工業(yè)大學(xué);2005年

，

本文編號：787440