检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

多尺度特征融合的托攻击检测方法

重庆邮电大学学报:自然科学版 2023年第5期35卷 863-872页

作者：于金霞李佳昕李星宇汤永利河南理工大学计算机科学与技术学院河南焦作454003 河南理工大学软件学院河南焦作454003

针对利用先验知识和人工特征提取技术检测托攻击方法中存在的灵活性差、稳定性低问题,提出一种基于多尺度特征融合的托攻击检测方法。使用图像可视化技术将评分行为以用户为单位转化为标准的灰度粒度图像,提高对托攻击的检测灵活性;构... 详细信息

针对利用先验知识和人工特征提取技术检测托攻击方法中存在的灵活性差、稳定性低问题,提出一种基于多尺度特征融合的托攻击检测方法。使用图像可视化技术将评分行为以用户为单位转化为标准的灰度粒度图像,提高对托攻击的检测灵活性;构建多尺度特征融合神经网络检测模型,该模型利用特征提取模块分别从标准的灰度粒度图像中提取出可以表示局部评分信息的大尺度特征图层和表示整体评分信息的小尺度特征图层,通过特征融合模块整合不同尺度特征图层的信息,进而提升托攻击检测的稳定性。实验结果表明,在不同填充率和不同攻击规模下,该方案对托攻击的检测精确率和准确率均达到90%以上,对托攻击的检测具有良好的灵活性和稳定性。

关键词：托攻击检测神经网络多尺度特征融合

融合托攻击检测和矩阵分解的鲁棒推荐算法研究

在线全文

学校读者我要写书评

暂无评论

融合托攻击检测和矩阵分解的鲁棒推荐算法研究

作者：马瑶天津理工大学

学位级别：硕士

由于推荐系统中协同过滤算法获取数据的开放性,推荐系统会容易受到恶意用户伪装数据的攻击,达到提高某项目的推荐排名或者降低其排名的目的,从中获取利益,即引发“托攻击”问题。推荐系统中托攻击的出现严重影响了推荐系统的推荐准确度... 详细信息

由于推荐系统中协同过滤算法获取数据的开放性,推荐系统会容易受到恶意用户伪装数据的攻击,达到提高某项目的推荐排名或者降低其排名的目的,从中获取利益,即引发“托攻击”问题。推荐系统中托攻击的出现严重影响了推荐系统的推荐准确度,本文分别从托攻击检测方面和评分预测方面进行了研究,提出一种鲁棒性较强的推荐算法,主要工作如下:提出一种基于改进K-means聚类算法的托攻击检测算法,考虑到现有用户特征普适性不强的问题,我们利用信息熵可以选择出针对不同攻击类型和不同攻击规模区分度最大的特征,基于选择出的特征,重新定义了用户间距离的计算公式。考虑到攻击用户是数据集中很小的一部分,改进了聚类中心的更新规则,可以更好的将攻击用户聚集到一个类内,方便识别攻击用户。实验结果证明本文提出的改进K-means托攻击检测算法检测准确率、召回率更高,与其他算法相比在综合评价指标上有着更好的表现。提出一种引入用户信任度的矩阵分解评分预测模型,提出将用户特征分为三个方面,并在时间维度上提出了一个新的特征,在这三方面综合计算用户信任度,降低可疑用户权重,基于此构建了一个用户信任度矩阵,并将其引入到正则化矩阵分解模型中,对可疑用户的推荐参与度加以一定的限制,从而降低其对评分预测结果的影响。我们融合攻击检测算法和矩阵分解预测模型,设计了一种融合托攻击检测的矩阵分解鲁棒推荐算法。与其他流行方法进行对比实验分析,实验结果展示了本文所提出算法在命中率、偏移率等指标上的显著提升。

关键词：托攻击检测评分预测鲁棒性推荐 K均值矩阵分解

基于变分自编码和监督原型网络的推荐系统托攻击检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于变分自编码和监督原型网络的推荐系统托攻击检测方法研究

作者：王心浩南京财经大学

学位级别：硕士

随着互联网的快速发展,推荐系统越发成为各种电子商务平台和社交媒体平台的核心组成部分。然而,推荐系统也面临着一些安全问题,其中包括托攻击问题。托攻击是指恶意用户通过模拟多个虚假账户或者提供虚假评价等手段,来影响推荐系统的推... 详细信息

随着互联网的快速发展,推荐系统越发成为各种电子商务平台和社交媒体平台的核心组成部分。然而,推荐系统也面临着一些安全问题,其中包括托攻击问题。托攻击是指恶意用户通过模拟多个虚假账户或者提供虚假评价等手段,来影响推荐系统的推荐结果和评价,从而获得自己的利益。托攻击行为的存在不仅会影响用户的购物体验,而且会扰乱推荐系统的正常运行,影响平台的经济效益。因此,许多专家和学者们都在探索有效的方法来解决这个问题。一些研究者尝试通过分析用户行为特征来识别托攻击行为,包括传统的机器学习模型以及基于深度学习的模型。虽然深度神经网络模型在推荐系统托攻击检测方面取得了一些进展,但还是存在一些难题。首先,在推荐系统中攻击用户个数远远低于正常用户个数,即所谓的类别不平衡问题,这会导致模型在处理攻击数据时出现较大误差;其次,攻击者可以使用多种方法来模拟不同类型的托攻击,攻击类别多样性使得模型很难对所有类型的攻击进行有效的检测;最后,目前的方法并未解决如何学习一组手动构建的特征的问题,例如变分自编码器,该方法在学习手动构建特征,特别是特征量较少时,不能准确区分出正常用户和托攻击用户。为了解决目前神经网络模型存在的问题,即正常用户和托攻击用户数据不平衡问题、托攻击类型较多导致泛化能力不足问题、以及在学习手动构建特征时检测效果较差的问题,本文首先提出了一种基于监督原型变分自编码(SP-VAE)的托攻击检测算法。该方法考虑到了变分自编码方法在学习手动构建的特征时检测效果较差的问题,使用了结合变分自编码嵌入模块和迭代原型分类模块方法,以此来解决手动构建特征的学习问题。同时,该方法兼具了原型网络方法在应对小样本数据和多分类问题的优势,解决了数据不平衡问题和多种托攻击的检测问题。本研究在真实数据集上验证了SP-VAE算法在面对冷启动和小规模托攻击时的检测效果优于对比算法。但是在继续深入研究后,可以发现SP-VAE算法存在着一些不足之处,如原型个数固定、原型分布固定、对噪声数据敏感和不适用于大规模数据等,这些缺点使SP-VAE在处理复杂的数据分布时的表达能力受限,在面对规模较大的数据集时检测的准确率会降低。为了解决这一问题,本文又提出一种基于无限混合原型变分自编码(IMP-VAE)的托攻击检测算法。该方法使用基于无限混合模型的原型网络方法替换先前的监督原型网络模块,使IMP-VAE算法在面对攻击规模较大和攻击填充率较高的托攻击时,保持了良好的检测性能。本研究同样在真实数据集上验证了该算法优于传统原型网络方法、SP-VAE算法以及其他对比算法。

关键词：推荐系统托攻击检测变分自编码监督原型网络无限混合模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征分析的托攻击检测方法研究

基于特征分析的托攻击检测方法研究

作者：张嘉勉中北大学

学位级别：硕士

当前,电子商务飞速发展,用户面对海量的信息很难快速找到满足需要的商品信息。推荐系统是信息过滤的重要手段,其核心为推荐算法的应用。目前比较流行的推荐算法是协同过滤,许多电子商务企业的核心推荐系统都基于协同过滤。然而,不经过... 详细信息

当前,电子商务飞速发展,用户面对海量的信息很难快速找到满足需要的商品信息。推荐系统是信息过滤的重要手段,其核心为推荐算法的应用。目前比较流行的推荐算法是协同过滤,许多电子商务企业的核心推荐系统都基于协同过滤。然而,不经过安全性处理的基于协同过滤的推荐系统非常容易受到托攻击的影响。托攻击是指非法用户通过向推荐系统中注入伪造的用户数据,对目标项目的推荐热度进行改变,进而导致用户对推荐结果的满意度降低。现有关于托攻击检测的有监督方法大多数是基于固定特征对攻击概貌进行检测,存在检测准确率偏低和灵活性不强等问题。针对托攻击检测中存在的问题,在国内外专家研究基础上,对特征指标进行分析与处理,改进特征选择方法,提出反向递归消除的特征选择方法和基于网格搜索优化的支持向量机相结合的托攻击检测方法;其次,针对推荐系统中存在的数据不平衡和低填充率、低攻击强度下的检测精度偏低等问题,提出改进的反向递归消除的特征选择方法和不同错分代价支持向量机相结合的托攻击检测方法。本文主要研究工作及创新点如下:(1)托攻击生成与数据预处理。通过分析不同托攻击的攻击概貌结构,分别构造托攻击训练模型,并完成攻击数据的注入;通过分析现有检测方法,选择出实验所需特征指标,并对正常用户和攻击用户的评分数据进行特征值计算。(2)依据相互增益的特性,提出相互增益结合反向递归消除的特征选择方法。在动态特征选择的过程中考虑特征之间的相互作用,最终根据不同攻击类型选择出不同的最优特征集合,结合机器学习分类算法完成托攻击的检测。(3)提出反向递归消除特征选择结合不同错分代价支持向量机的托攻击检测方法。在特征选择中,引入标准差区分系数,对特征进行区分度排序,完成特征初步筛除,再使用反向递归消除完成特征选择。分类阶段使用不同错分代价支持向量机,解决数据分布不平衡问题。在提高特征选取灵活性的基础上,提高检测效率与检测准确度。(4)设计并实现基于特征分析的托攻击检测系统,并对系统的不同功能模块进行详细介绍。

关键词：托攻击检测信息增益特征选择支持向量机网格搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征选择的推荐系统托攻击检测算法

电子学报 2012年第8期40卷 1687-1693页

作者：伍之昂庄毅王有权曹杰南京财经大学江苏省电子商务重点实验室江苏南京210003 浙江工商大学计算机与信息工程学院浙江杭州310018 南京理工大学计算机科学与技术学院江苏南京210094

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法... 详细信息

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.

关键词：推荐系统托攻击检测特征选择朴素贝叶斯分类 k近邻分类

基于非对称半监督集成SVM的托攻击检测方法

在线全文

学校读者我要写书评

暂无评论

运筹与管理 2018年第8期27卷 84-91页

作者：吕成戍东北财经大学管理科学与工程学院辽宁大连116025

受推荐系统在电子商务领域重大经济利益的驱动,恶意用户以非法牟利为目的实施托攻击,操纵改变推荐结果,使推荐系统面临严峻的信息安全威胁,如何识别和检测托攻击成为保障推荐系统信息安全的关键。传统支持向量机(SVM)方法同时受到小样... 详细信息

受推荐系统在电子商务领域重大经济利益的驱动,恶意用户以非法牟利为目的实施托攻击,操纵改变推荐结果,使推荐系统面临严峻的信息安全威胁,如何识别和检测托攻击成为保障推荐系统信息安全的关键。传统支持向量机(SVM)方法同时受到小样本和数据不均衡两个问题的制约。为此,提出一种半监督SVM和非对称集成策略相结合的托攻击检测方法。首先训练初始SVM,然后引入K最近邻法优化分类面附近样本的标记质量,利用标记数据和未标记数据的混合样本集减少对标记数据的需求。最后,设计一种非对称加权集成策略,重点关注攻击样本的分类准确率,降低集成分类器对数据不均衡的敏感性。实验结果表明,本文方法有效地解决了小样本问题和数据不均衡分布问题,获得了较好的检测效果。

关键词：支持向量机非对称加权半监督集成托攻击检测信息安全

基于代价敏感支持向量机的推荐系统托攻击检测方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2014年第4期36卷 697-701页

作者：吕成戍东北财经大学管理科学与工程学院辽宁大连116025

基于标准支持向量机的托攻击检测方法不能体现由于用户误分代价不同对分类效果带来的影响,提出了一种基于代价敏感支持向量机的托攻击检测新方法,该方法在代价敏感性学习机制下引入支持向量机作为分类工具,对支持向量机输出进行后验概... 详细信息

基于标准支持向量机的托攻击检测方法不能体现由于用户误分代价不同对分类效果带来的影响,提出了一种基于代价敏感支持向量机的托攻击检测新方法,该方法在代价敏感性学习机制下引入支持向量机作为分类工具,对支持向量机输出进行后验概率建模,建立了基于类别隶属度的动态代价函数,更准确地反映不同样本的分类代价,在此基础上设计了代价敏感支持向量机分类器。将该分类器应用在推荐系统托攻击检测中,并与标准的支持向量机方法、代价敏感支持向量机方法进行比较,实验结果表明,本方法可以更精确地控制代价敏感性,进一步提高对攻击用户的检测精度,降低总体的误分类代价。

关键词：支持向量机托攻击检测代价敏感类别隶属度

基于隐马尔科夫模型和聚类的托攻击检测算法研究

在线全文

学校读者我要写书评

暂无评论

基于隐马尔科夫模型和聚类的托攻击检测算法研究

作者：张泽宁燕山大学

学位级别：硕士

协同过滤推荐系统由于其个性化的推荐被广泛应用于电子商务领域,有效缓解了网络“信息超载”问题。但是一些攻击者出于利益向系统注入伪造的虚假用户评分,影响推荐结果,达到恶意竞争的目的。这种行为严重威胁推荐系统的安全性,并降低用... 详细信息

协同过滤推荐系统由于其个性化的推荐被广泛应用于电子商务领域,有效缓解了网络“信息超载”问题。但是一些攻击者出于利益向系统注入伪造的虚假用户评分,影响推荐结果,达到恶意竞争的目的。这种行为严重威胁推荐系统的安全性,并降低用户对推荐系统的信任度。为此保障推荐系统的安全性,为用户提供可靠真实的推荐结果成为国内外学者研究的热点。本文针对这一问题,从无监督角度出发提出了两种托攻击检测算法。首先,针对现有无监督检测方法在检测托攻击时需要满足一定先验知识的局限,从用户行为角度出发,提出一种基于隐马尔科夫模型的无监督攻击检测方法。通过对用户的历史评分数据进行分析,从用户评分习惯的差异性对攻击用户进行检测。该检测方法利用隐马尔科夫模型获取用户的偏好序列,并通过分析每个用户的偏好序列提出用户匹配度计算方法,进一步通过分析真实用户与虚假用户评分行为的差异性计算用户可疑度,并利用层次聚类方法对用户聚类,得到攻击用户集合。其次,针对无监督攻击检测中由于存在对真实用户误判,影响推荐精度的问题,设计了一种基于改进K均值聚类和项目流行度的托攻击检测方法。该算法通过对用户的评分行为进行了分析,从聚类角度出发,试图在传统的K均值聚类算法上进行改进,使改进后的K均值聚类算法能够将大部分攻击用户聚集在一起,并尽可能少的聚集真实用户,减少托攻击对推荐系统造成的影响。最后,针对上述两种托攻击检测算法在MovieLens数据集进行了实验,并与现有的托攻击检测算法作对比分析,实验结果验证了所提方法的有效性。

关键词：协同过滤系统托攻击检测隐马尔科夫模型 K均值聚类

基于托攻击检测和矩阵分解模型的可信推荐算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于托攻击检测和矩阵分解模型的可信推荐算法研究

作者：刘凯燕山大学

学位级别：硕士

协同过滤推荐算法被广泛应用在个性化推荐系统中。由于协同推荐系统依赖用户评分信息,一些恶意用户向系统注入伪造评分,使得系统生成对他们有利的推荐结果。这种托攻击的存在损害了协同推荐系统的可信性。因此,如何保证协同推荐系统的... 详细信息

协同过滤推荐算法被广泛应用在个性化推荐系统中。由于协同推荐系统依赖用户评分信息,一些恶意用户向系统注入伪造评分,使得系统生成对他们有利的推荐结果。这种托攻击的存在损害了协同推荐系统的可信性。因此,如何保证协同推荐系统的鲁棒性已经成为推荐系统研究领域的一个重要问题。本文提出一种基于托攻击检测和矩阵分解模型的可信协同推荐算法。首先,针对标准攻击（随机攻击、均值攻击和流行攻击）、Ao P（Average over Popular Items）和PIA（Power Items Attack）三类托攻击,分别设计出相应的无监督攻击检测算法。对基于主成分分析的检测算法进行改进,设计出标准攻击检测算法;提出改进后的加权平均评分偏离度、项目均值偏差和项目最高评分比值,利用这些统计特征设计出Ao P攻击检测算法;提出改进后的最近邻平均相似度,设计出PIA攻击检测算法。其次,提出基于托攻击检测和矩阵分解模型的可信推荐算法。算法首先根据攻击概貌的统计特征对托攻击的类型进行识别;然后调用相应的攻击检测算法来标记嫌疑用户和项目;最后将本文提出的攻击检测算法与改进后的矩阵分解模型相融合,利用随机梯度下降法求解模型参数,进而计算出预测评分。该推荐算法中的矩阵分解模型融合了用户隐式信任信息,算法中的隐式信任关系数据通过信任度量模型计算得到。最后,设计相应的实验方案,将本文提出的算法与现有的算法进行对比实验。实验结果表明,本文提出的可信推荐算法不仅具有较好的鲁棒性,而且具有较高的推荐精度。

关键词：协同过滤托攻击检测攻击类型识别矩阵分解模型鲁棒推荐