利用小波分析防御协同过滤推荐系统中的灰色攻击

“托攻击(shilling attack)”或“用户画像注入攻击(profile injection attack)”一直是协同过滤推荐系统(CFRSs)中的主要挑战。许多研究致力于改进能够消除“shilling攻击”的协同过滤技术。然而，大多数聚焦于检测推攻击(push attack)或核攻击(nuke attack)，即在目标项上打出最高分或最低分。很少关注灰色攻击(grey attack)，即目标项被赋予低于或高于平均分的评分，这展现出比推攻击或核攻击更隐蔽的评分行为。本文提出一种新颖的检测方法，使推荐系统能抵抗此类攻击。为刻画灰色评分，我们利用物品的评分偏差来区分灰色攻击配置文件与真实配置文件。此外，我们还利用物品的新颖性和流行性构建评分序列。由于难以区分攻击者与真实用户的评分序列，我们引入离散小波变换(DWT)以分别基于评分偏差、新颖性和流行性的评分序列放大这些差异。最后，我们分别使用幅域分析方法从基于评分偏差、基于新颖性和基于流行性的评分序列中提取特征，并将所有聚类结果合并作为检测结果。我们在Book-Crossing和HetRec-2011两个数据集上针对多种攻击模型进行了一系列实验。实验结果验证了我们的方法相比基准方法的有效性。