【摘要】：互聯(lián)網(wǎng)的出現(xiàn)和快速發(fā)展給人們帶來了海量信息,但隨著信息量的爆炸增長,用戶能獲取到信息更豐富但也越來越嘈雜,而推薦系統(tǒng)被認(rèn)為能很好的解決這個(gè)問題。推薦系統(tǒng)根據(jù)用戶需要,主動(dòng)向用戶推薦其感興趣的內(nèi)容。和搜索引擎等通過用戶來主動(dòng)獲取信息所不同的是,推薦系統(tǒng)對用戶各方面信息進(jìn)行個(gè)性化處理,挖掘用戶需求,進(jìn)而完成對用戶的引導(dǎo)。協(xié)同過濾推薦技術(shù)在推薦系統(tǒng)中應(yīng)用最為廣泛,它基于最近鄰方法,使用用戶的歷史信息來衡量用戶間的距離,找到用戶的最近鄰,通過最近鄰用戶對項(xiàng)目的喜好來預(yù)測目標(biāo)用戶的喜好,從而決定是否將該項(xiàng)目推薦給用戶。這種推薦技術(shù)十分有效,對非結(jié)構(gòu)化對象,如視頻、音樂等也能處理,但這種技術(shù)也讓攻擊者找到了漏洞,攻擊者通過模擬正常用戶的行為,將虛假信息注入到推薦系統(tǒng)中,導(dǎo)致推薦結(jié)果的有效性受到了很大影響,這類攻擊稱為“托攻擊”�，F(xiàn)有的托攻擊檢測算法主要從評分特征入手,如PCA-SAD算法、Semi-SAD算法,或者通過統(tǒng)計(jì)信息來獲取特征,如Degree-SAD算法,本文提出一下新的托攻擊檢測思路,將推薦系統(tǒng)看作一個(gè)復(fù)雜網(wǎng)絡(luò)圖結(jié)構(gòu),用戶代表用戶節(jié)點(diǎn),項(xiàng)目代表項(xiàng)目節(jié)點(diǎn),用戶對項(xiàng)目的評分代表節(jié)點(diǎn)間存在連邊,通過研究節(jié)點(diǎn)重要性,即節(jié)點(diǎn)中心性特征來掌握圖結(jié)構(gòu)特征,節(jié)點(diǎn)中心性值的異常分布很可能代表著用戶的異常行為,通過大量的實(shí)驗(yàn)對比,發(fā)現(xiàn)節(jié)點(diǎn)中心性特征對托攻擊檢測有著良好的效果,中心性特征結(jié)合分類算法得到了本文提出的托攻擊檢測算法Cdn-SAD(Central distribution of nodes-shilling attack detection)。本文從以下幾個(gè)方面來展開工作:(1)歸納了推薦系統(tǒng)下的攻擊模型,分析了現(xiàn)有的推薦算法,同時(shí)對圖結(jié)構(gòu)下節(jié)點(diǎn)的多種中心性度量方法進(jìn)行總結(jié)。(2)研究項(xiàng)目節(jié)點(diǎn)中心性分布,提出用戶節(jié)點(diǎn)中心性特征,并將特征與基于EM算法的樸素貝葉斯分類器結(jié)合提出基于圖節(jié)點(diǎn)中心性特征的托攻擊檢測算法Cdn-SAD,實(shí)現(xiàn)多種攻擊模型,在MovieLens100K數(shù)據(jù)集上完成攻擊注入,并與Degree-SAD、PCA-SAD和Semi-SAD等算法進(jìn)行實(shí)驗(yàn)對比,同時(shí)在全標(biāo)注數(shù)據(jù)集Amazon上進(jìn)行實(shí)驗(yàn)對比,在F1值上分別提高了26.36%,39.49%,34.97%。(3)設(shè)計(jì)和實(shí)現(xiàn)一個(gè)托攻擊檢測系統(tǒng)。本系統(tǒng)基于MVC框架,根據(jù)系統(tǒng)的功能主要分為兩大模塊,注入攻擊模塊和攻擊檢測模塊。攻擊注入建模塊主要實(shí)現(xiàn)了常見的攻擊注入手段,如隨機(jī)攻擊、平均攻擊、流行攻擊等,攻擊檢測模塊主要實(shí)現(xiàn)了數(shù)據(jù)集預(yù)處理、特征值獲取、分類器構(gòu)建和托攻擊檢測,通過對多種托攻擊檢測算法的實(shí)現(xiàn)完成模塊設(shè)計(jì),最后對系統(tǒng)的運(yùn)行效果進(jìn)行了測試。
【圖文】：

1 緒論節(jié)點(diǎn)的距離很遠(yuǎn)，那么該節(jié)點(diǎn)受它鄰近節(jié)點(diǎn)的影響可能更大，因此節(jié)點(diǎn)局部中心性分析方法被提出，，使用這種方法可以找到具有較大局部影響力的節(jié)點(diǎn)，這些節(jié)點(diǎn)也可以稱為圖的重要節(jié)點(diǎn)。研究圖結(jié)構(gòu)中點(diǎn)的中心性特征，能更好的了解圖的信息，同時(shí)也能更容易發(fā)現(xiàn)圖中的異常結(jié)構(gòu)，為節(jié)點(diǎn)中心性特征與托攻擊檢測相結(jié)合提供了理論基礎(chǔ)。1.3 論文的工作和結(jié)構(gòu)安排1.3.1 論文的主要工作本文將圖節(jié)點(diǎn)中心性特征與托攻擊檢測相結(jié)合，并從圖節(jié)點(diǎn)中心性特征的獲取，托攻擊檢測分類算法，托攻擊檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)三個(gè)方面進(jìn)行深入探討。

圖 2.1 推薦系統(tǒng)原理圖Fig.2.1 The diagram of recommendation systems推薦系統(tǒng)有著很多不同的分類方式，在這里根據(jù)使用的算法不同，分為協(xié)同過濾推薦算法，基于內(nèi)容的推薦算法和混合推薦三類算法[21]。2.2.1 協(xié)同過濾推薦算法協(xié)同過濾算法通過獲取用戶的行為，找到一種固定行為模式來對用戶進(jìn)行推薦。它依賴于用戶的過去產(chǎn)生的一些信息，比如用戶看過視頻之后的評分或?qū)ι唐返氖詹鼗蚣尤胭徫镘嚨刃袨椋渲饕枷胧牵喝绻胁煌瑑蓚�(gè)用戶對一些相同項(xiàng)目的喜好比較相似，那么認(rèn)為兩個(gè)用戶對其他項(xiàng)目的喜好也很可能類似。協(xié)同過濾方法分為三種：基于用戶或項(xiàng)目的協(xié)同過濾方法和基于模型協(xié)同過濾方法[22]�；谟脩舻姆椒ㄍㄟ^找出不同的使用者之間的聯(lián)系來找到相似用戶，通過相似用戶對未評分項(xiàng)目的評分來給出推薦[24]。而基于項(xiàng)目的協(xié)同過濾方法找出不同項(xiàng)目之間的關(guān)系，會(huì)為用戶推薦與用戶喜歡的項(xiàng)目接近的項(xiàng)目，通過項(xiàng)目一起出現(xiàn)的概率來給出的接近程度，比如其他用戶在購買了 A 的同時(shí)也購買了 B，
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.3;O157.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張莉;秦桃;滕丕強(qiáng);;一種改進(jìn)的基于用戶聚類的協(xié)同過濾算法[J];情報(bào)科學(xué);2014年10期

2 伍之昂;王有權(quán);曹杰;;推薦系統(tǒng)托攻擊模型與檢測技術(shù)[J];科學(xué)通報(bào);2014年07期

3 李聰;駱志剛;;基于數(shù)據(jù)非隨機(jī)缺失機(jī)制的推薦系統(tǒng)托攻擊探測[J];自動(dòng)化學(xué)報(bào);2013年10期

4 伍之昂;莊毅;王有權(quán);曹杰;;基于特征選擇的推薦系統(tǒng)托攻擊檢測算法[J];電子學(xué)報(bào);2012年08期

5 朱郁筱;呂琳媛;;推薦系統(tǒng)評價(jià)指標(biāo)綜述[J];電子科技大學(xué)學(xué)報(bào);2012年02期

6 高占林;;淺談信息過載的影響及消除[J];天水行政學(xué)院學(xué)報(bào);2010年06期

7 李大學(xué);謝名亮;趙學(xué)斌;;基于樸素貝葉斯方法的協(xié)同過濾推薦算法[J];計(jì)算機(jī)應(yīng)用;2010年06期

8 劉建國;周濤;汪秉宏;;個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

9 孫志國;;Web2.0,以個(gè)人為中心的互聯(lián)網(wǎng)時(shí)代的到來[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2005年12期

10 曾艷,麥永浩;基于內(nèi)容預(yù)測和項(xiàng)目評分的協(xié)同過濾推薦[J];計(jì)算機(jī)應(yīng)用;2004年01期

本文編號：2685849