6个研究背景和意义示例,教你写计算机托攻击检测论文

今天分享的是关于托攻击检测的6篇计算机毕业论文范文, 如果你的论文涉及到托攻击检测等主题,本文能够帮助到你

协同过滤推荐系统中托攻击检测及防御算法研究

这是一篇关于推荐系统,协同过滤,托攻击检测,托攻击防御的论文, 主要内容为互联网技术的飞速发展,尤其是最近几年移动互联设备的普及,把我们带入了信息丰富的时代,同时也使我们迷失在信息的海洋中。推荐系统作为一种新兴的信息过滤技术运应而生,它能够根据用户的历史评分记录给用户进行个性化的推荐服务,从而有效的解决信息过载的问题。然而由于推荐系统本身具有一定的开放性,使它面临着一些安全性的问题。攻击者出于商业竞争等目的,人为地向系统注入大量托攻击,企图使系统产生对他们有利的推荐结果,从而牟取暴利。因此,如何保证推荐系统工作的安全性成为目前重要的课题。本文从托攻击的检测和托攻击的防御两个角度研究协同过滤推荐系统中的安全性问题。本文综合分析了国内外的研究现状,针对协同过滤推荐系统的安全性问题进行了深入的研究,主要工作包括:(1)为了提高推荐系统中对均值攻击的检测效果,构建了一种基于非负矩阵分解的托攻击检测算法模型。利用非负矩阵分解技术对原始的用户项目评分矩阵进行特征提取,然后采用聚类算法把提取出的特征进行聚类,最后借助聚类结果,利用正常用户集的特征信息和托攻击集的特征信息的差异对其进行二次分类,从而提高了均值攻击检测的准确率。(2)为了提高推荐系统中对随机攻击的检测效果,构建了一种基于密度聚类的托攻击检测算法。把密度聚类算法的聚类原理,应用于推荐系统中随机攻击的检测。分析了算法的工作原理,提取出了适用于检测随机攻击的方法。通过实验验证,该算法确实能够有效的检测出推荐系统中的随机攻击,并且具有较高的检测效率。(3)为了提高推荐系统中推荐算法的鲁棒性,构建了一种基于矩阵分解的托攻击防御算法模型。首先,利用托攻击检测技术,把检测出的结果作为度量用户是否是托攻击的概率;然后,以此构造信任度权值矩阵;最后,把这个权值矩阵引入到矩阵分解模型并对模型求解。实验结果表明,该算法与其他协同过滤算法相比较能够更有效地抵御托攻击。

基于时间序列的托攻击检测方法研究

这是一篇关于推荐系统,时间序列,托攻击检测,异常检测的论文, 主要内容为随着计算机的普及与互联网技术的提高,如何高效获取信息、利用信息逐渐成为一项新的挑战。推荐系统的出现有效地缓解了信息过载的现象,给用户提供了一种个性化的信息获取方式。随着推荐算法在生活各方面的应用变得越来越广泛,且推荐系统本身具有开放性,因此针对推荐系统的托攻击(Shilling Attack)问题变得越来越不可忽视。托攻击的发起者通过向推荐系统中大量注入虚假用户概貌来改变推荐系统的推荐排名,而这严重破坏了推荐系统的生态平衡,并可能因此造成大量的经济损失。因此,对托攻击进行研究意义重大,并已逐渐成为推荐系统研究领域的一个热点。现有的托攻击研究更加注重对用户-评分矩阵的研究。本文主要基于托攻击的时间序列对托攻击进行检测,并从用户时间序列特征和目标项目时间序列分析两个方面对托攻击进行研究。本文的主要工作包括:(1)对正常用户和虚假用户的时间序列进行分析,提出三种新的针对时间序列的用户概貌特征评分密度偏离度(Density Deviation from Mean Agreement,DDMA)、评分滞后度(Degree of Rating Lag,DRL)、平均相邻时间间隔(Average Adjacent Time Interval,AATI),并通过实验对三种特征的重要性进行分析,对比总结这三种特征在不同攻击类型下的重要性。(2)提出一种XG-SDA托攻击检测算法。该算法通过集成学习方法XGBoost,结合新提出的时间序列特征集(Time Series Features,TSF)对托攻击概貌进行检测,并通过与两种经典的托攻击检测算法进行对比,检验XG-SDA算法对托攻击的检测效果。(3)对托攻击中目标项目的时间序列进行分析,通过对异常时间区间的检测,得到托攻击的可疑用户集合。再结合用户DDMA特征,提出一种ATDD-SDA托攻击检测算法,并通过对比实验对算法的检测效果进行检验。

协同过滤推荐系统托攻击检测算法研究

这是一篇关于协同过滤推荐系统,托攻击检测,评分特征,数据交换,隐私保护的论文, 主要内容为随着移动互联网的发展,网络数据呈现海量增长,用户普遍受到信息过载的困扰。为了解决信息过载,提高用户获取信息的便利性,推荐系统被广泛应用于各种网络平台,目前最广泛的是基于协同过滤技术的推荐系统(Collaborative Filtering,CF)。协同过滤技术通过对用户历史评分进行统计获取目标用户的相似用户,根据相似用户的喜好对目标用户的喜好进行预测。但协同过滤技术的开放性使其极易受到托攻击的影响。攻击者通过向推荐系统中注入虚假用户来干扰推荐系统的预测结果,是推荐系统面临的主要问题之一。针对此问题,本文对集中式推荐系统中的托攻击检测以及分布式推荐系统中的隐私保护和托攻击检测问题进行了深入研究,具体的工作如下:(1)提出基于用户评分离散度的托攻击检测算法。通过分析真实用户和虚假用户评分的离散度分布情况,提出用户极端评分比、去极端评分方差和用户评分标准差三个特征作为用户评分离散度的衡量标准,将用户的评分离散度作为ID3决策树的分类属性,计算每个属性的信息增益率并选择信息增益度最大的属性作为根节点,根据所生成决策树对真实用户和虚假用户进行区分,从而实现对托攻击的检测。实验结果表明,基于用户评分离散度的托攻击检测算法对托攻击具有较好的检测效果同时算法具有良好的鲁棒性。(2)提出对隐私敏感的分布式推荐系统托攻击检测算法。首先在数据交换前对用户未评分的项目进行随机化填充,然后根据ADD模型进行数据交换。其次根据分布式协同过滤的特点对检测特定攻击模型的分类属性进行改进,在特定属性的交换过程中采用同态加密技术进行保护。最后获取全部用户分类属性后结合KNN算法将真实用户和虚假用户进行分类,实现在隐私保护的同时对托攻击进行检测。实验结果表明,对隐私敏感的分布式推荐系统托攻击检测算法能够在隐私保护的同时实现对托攻击用户的检测。本文研究推荐系统中的托攻击检测问题,包括集中式推荐系统和分布式推荐系统的托攻击检测。主要目的是:对推荐系统中的托攻击用户进行检测,降低托攻击对推荐系统的影响,保证推荐系统预测的准确性。并且考虑到分布式推荐系统中数据交换的隐私泄漏问题,在检测托攻击的同时保护用户隐私。实验结果表明,本文提出的算法对托攻击具有较好的检测效果。

融合托攻击检测和矩阵分解的鲁棒推荐算法研究

这是一篇关于托攻击检测,评分预测,鲁棒性推荐,K均值,矩阵分解的论文, 主要内容为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。

基于特征分析的托攻击检测方法研究

这是一篇关于托攻击检测,信息增益,特征选择,支持向量机,网格搜索的论文, 主要内容为当前,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。