针对基于图的推荐系统的投毒攻击
摘要
推荐系统是许多 Web 服务的重要组件，可帮助用户定位符合其兴趣的项目。若干研究表明，推荐系统易受投毒攻击，攻击者在其中向给定系统注入伪造数据，使得系统按攻击者期望进行推荐。然而，这些投毒攻击要么与推荐算法无关，要么针对非基于图的推荐系统优化。如同基于关联规则和基于矩阵分解的推荐系统，基于图的推荐系统也在实际中部署，例如 eBay、华为应用商店。然而，如何为基于图的推荐系统设计优化投毒攻击仍是一个开放问题。本工作中，我们对针对基于图的推荐系统的投毒攻击进行了系统研究。由于资源有限且为避免检测，我们假设可注入系统的虚假用户数量有界。关键挑战在于如何为虚假用户分配评分，使得目标项目被推荐给尽可能多的正常用户。为应对该挑战，我们将投毒攻击表述为一个优化问题，求解该问题可确定虚假用户的评分。我们还提出了求解该优化问题的技术。我们使用两个真实世界数据集，在白盒（推荐算法及其参数已知）、灰盒（推荐算法已知但参数未知）和黑盒（推荐算法未知）设置下评估了我们的攻击并与现有攻击进行比较。我们的结果表明，我们的攻击是有效的，并且在基于图的推荐系统中优于现有攻击。例如，当注入 1% 虚假用户时，我们的攻击可使目标项目在某些场景中被推荐给多 580 倍的普通用户。
引用
@article{arxiv.1809.04127,
title = {Poisoning Attacks to Graph-Based Recommender Systems},
author = {Minghong Fang and Guolei Yang and Neil Zhenqiang Gong and Jia Liu},
journal= {arXiv preprint arXiv:1809.04127},
year = {2018}
}
备注
34th Annual Computer Security Applications Conference (ACSAC), 2018; Due to the limitation "The abstract field cannot be longer than 1,920 characters", the abstract appearing here is slightly shorter than that in the PDF file