基于LDA模型和灰色理论的托攻击检测算法研究

发布时间：2020-05-19 09:35

【摘要】：协同过滤系统在很大程度上缓解了网络上“信息过载”的问题,然而由于自身开放性的因素,使其在面对攻击时会呈现出脆弱性,严重危害到推荐系统。因此如何高效地检测攻击用户成为推荐系统安全领域亟需解决的问题。为了控制托攻击对协同过滤系统带来的影响,国内外研究学者采用了很多检测算法检测攻击用户,然而已有的有监督检测算法易受到攻击类型的约束,而无监督检测算法大多需要先验知识才能保证其有效性,并且为了躲避检测算法,攻击用户使用新的攻击策略,对现有检测算法提出了极大的考验。针对这一问题,本文对协同过滤系统中的托攻击检测进行深入研究。首先,通过分析用户评分行为,提出一种基于LDA与MTD模型的托攻击检测算法。该检测算法在抽取偏好主题的基础上,定量地分析真实用户与攻击用户评分模式上的差异。借鉴标签传播的思想,计算产品可疑度,并通过线性加权平均计算评分行为可疑度。通过计算滑动窗口内评分行为可疑度差值之和,识别真实用户与攻击评分行为可疑度的分界点,得到攻击用户的规模,从而检测攻击用户。其次,本文在灰色理论模型与密度聚类算法(DBSCAN)的理论基础上,提出一种基于灰色理论与密度聚类的托攻击检测算法。该算法以灰色理论模型为理论基础计算产品均值灰色关联度,并以此为基础,计算用户之间的加权灰色关联度,得到用户距离矩阵。利用用户距离矩阵对用户进行密度聚类分析,进而得到候选攻击用户。通过计算攻击用户中每个用户的最小距离并排序,得到最小距离序列,同时计算序列中每个用户点的曲率。通过一定的条件选取曲率点作为真实与攻击用户的分界点,以此检测攻击用户。最后,在MovieLens 1M数据集以及NetFlix数据集上的实验结果表明,本文提出的检测算法能够高效的检测多种类型的攻击。
【图文】：

行为,滑动窗口,攻击检测

第 3 章基于 LDA 与 MTD 模型的托攻击检测算法邻用户之间可疑度的差值。定义 3.9：滑动窗口中评分行为可疑度差值之和：第 d 个滑动窗口中评分行为可疑度差值之和dSusdd 表示计算滑动窗口内评分行为可疑度差值之和，公式如下： sWjddjSusddusd11(3-11)其中，，sW 表示滑动窗口的大小，其主要是为了增大真实用户与攻击用户在边界处的滑动窗口中评分行为可疑度差值之和，使真实用户与攻击用户的边界更加明显，其值应小于攻击用户数量，实验中选取sW =10。

变化图,滑动窗口,行为,变化图

第 3 章基于 LDA 与 MTD 模型的托攻击检测算法邻用户之间可疑度的差值。定义 3.9：滑动窗口中评分行为可疑度差值之和：第 d 个滑动窗口中评分行为可疑度差值之和dSusdd 表示计算滑动窗口内评分行为可疑度差值之和，公式如下： sWjddjSusddusd11(3-11)其中，sW 表示滑动窗口的大小，其主要是为了增大真实用户与攻击用户在边界处的滑动窗口中评分行为可疑度差值之和，使真实用户与攻击用户的边界更加明显，其值应小于攻击用户数量，实验中选取sW =10。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;N941.5

【相似文献】