安全推薦系統(tǒng)中基于信任的檢測(cè)模型研究.pdf

1、基于協(xié)同過(guò)濾的傳統(tǒng)推薦系統(tǒng)在解決信息過(guò)量問(wèn)題時(shí)發(fā)揮著越來(lái)越重要的作用。在網(wǎng)格環(huán)境中，推薦系統(tǒng)通過(guò)提供高品質(zhì)的個(gè)性化推薦，幫助網(wǎng)格用戶(hù)選擇更好的服務(wù)。另外，推薦系統(tǒng)也應(yīng)用于虛擬機(jī)管理平臺(tái)來(lái)評(píng)估虛擬機(jī)的性能和可靠性。協(xié)同過(guò)濾包含2類(lèi)基本算法：基于用戶(hù)（User-Based）和基于項(xiàng)目（Item-Based）。另外，其他因素也被加入到推薦過(guò)程中以提高推薦的精度，例如用戶(hù)的可信性等。 然而，推薦結(jié)果對(duì)用戶(hù)偏好信息的敏感性使得推薦系統(tǒng)易受

2、到人為攻擊。攻擊者通過(guò)注入虛假用戶(hù)概貌信息，試圖改變系統(tǒng)的推薦結(jié)果以達(dá)到自己的企圖，這類(lèi)攻擊稱(chēng)之為用戶(hù)概貌注入攻擊（Profile Injection Attack）或托攻擊（Shilling Attack）。在以前的研究中，學(xué)者已經(jīng)定義了一系列攻擊模型：從基本的隨機(jī)攻擊、平均攻擊到復(fù)雜的流行攻擊、分塊攻擊等。最近的研究表明大部分的流行協(xié)同過(guò)濾算法很容易被虛假用戶(hù)概貌攻擊所操縱，導(dǎo)致用戶(hù)對(duì)系統(tǒng)滿(mǎn)意度的下降。 最近一段時(shí)間，推薦領(lǐng)

3、域的一個(gè)研究熱點(diǎn)就是降低攻擊對(duì)推薦系統(tǒng)的影響。通過(guò)分析惡意用戶(hù)中的評(píng)分模式信息，RDMA檢測(cè)模型能有效檢測(cè)并移除被懷疑的攻擊用戶(hù)。 在本文中，我們同樣考慮使用統(tǒng)計(jì)學(xué)的方法來(lái)揭示攻擊用戶(hù)的概貌特征。與以前的研究不同的是，我們新引入的檢測(cè)方法的最突出特征是基于信任的。我們討論了構(gòu)建信任的過(guò)程，并對(duì)其做了一些調(diào)整以更好適用于攻擊探測(cè)。在試驗(yàn)中我們?cè)u(píng)估了基于信任的新方法對(duì)平均攻擊的檢測(cè)性能，并建立了使用這些屬性的安全檢測(cè)機(jī)制來(lái)發(fā)現(xiàn)并隔離