ДОСЛІДЖЕННЯ РОБАСТНОСТІ РЕКОМЕНДАЦІЙНИХ СИСТЕМ З КОЛАБОРАТИВНОЮ ФІЛЬТРАЦІЄЮ ДО ІНФОРМАЦІЙНИХ АТАК

  • Yelyzaveta Meleshko Центральноукраїнський національний технічний університет http://orcid.org/0000-0001-8791-0063
  • Vitaliy Khokh Центральноукраїнський національний технічний університет http://orcid.org/0000-0002-5608-4632
  • Oleksandr Ulichev Центральноукраїнський національний технічний університет http://orcid.org/0000-0003-3736-9613
Ключові слова: рекомендаційні системи; колаборативна фільтрація; інформаційна безпека; інформаційна атака; робастність; ідентифікація атаки

Анотація

У даній статті здійснено дослідження робастності рекомендаційних систем з колаборативною фільтрацією до інформаційних атак, метою яких є накручування рейтингів деяких об’єктів системи. Досліджено вразливості методів колаборативної фільтрації до інформаційних атак, а також розглянуто основний вид атак на рекомендаційні системи – атаку ін’єкцією профілів. Розглянуто способи оцінки робастності рекомендаційних систем до атак ін’єкцією профілів за допомогою таких показників як середній зсув прогнозування оцінок та коефіцієнт звернень користувачів до рекомендацій. Описано загальний спосіб тестування робастності рекомендаційних систем. Наведено класифікацію методів колаборативної фільтрації та здійснено порівняння їх робастності до інформаційних атак. Виявлено, що методи колаборативної фільтрації засновані на моделі більш робастні, ніж методи засновані на пам’яті, а методи на основі коефіцієнтів подоби об’єктів, більш стійкі до атак, ніж методи засновані на коефіцієнтах подоби користувачів. Досліджено методи виявлення інформаційних атак на рекомендаційні системи на основі класифікації профілів користувачів. Розглянуто показники, на основі яких можна виявити як окремі профілі ботів у системі, так і групи ботів. Наведено способи оцінки якості роботи класифікаторів профілів користувачів, зокрема, обчислення таких показників як точність, повнота, точність негативного прогнозу та специфічність. Розглянуто спосіб підвищення робастності рекомендаційних систем за допомогою введення параметра репутація користувачів, а також методів одержання числового значення параметру репутації користувачів. Результати даних досліджень у подальшому будуть спрямовані на розробку програмної моделі рекомендаційної системи для тестування робастності різних алгоритмів колаборативної фільтрації до відомих інформаційних атак

Завантаження

Дані завантаження ще не доступні.

Посилання

Recommender Systems Handbook. 1st edition. (2010) Editors Ricci, F., Rokach, L., Shapira, B., Kantor, P.B. New York, NY, USA: Springer-Verlag New York, Inc., 842 с.

Burke, R. (2002). Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, vol. 12, DOI: https://doi.org/10.1023/A:1021240730564

O’Mahony, M.P., Hurley, N.J., Silvestre, G.C.M. (2002) Promoting recommendations: An attack on collaborative filtering. Lecture Notes in Computer Science, vol. 2453, pp. 494–503.

Lam, S.K., Riedl, J. (2004) Shilling recommender systems for fun and profit. Proceedings of the 13th International World Wide Web Conference, pp. 393–402.

Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., Riedl J. (1994) Grouplens: An open architecture for collaborative filtering of netnews. Proceedings of the ACM Conference on Computer Supported Cooperative Work, pp. 175–186.

Sarwar, B., Karypis, G., Konstan, J., Riedl, J. (2001) Item-based collaborative filtering recommendation algorithms. Proceedings of the Tenth International World Wide Web Conference, pp. 285–295.

Williams, C.A., Mobasher, B., Burke, R. (2007) Defending recommender systems: detection of profile injection attacks. Service Oriented Computing and Applications, pp. 157–170.

Chirita, P.A., Nejdl, W., Zamfir, C. (2005) Preventing shilling attacks in online recommender systems. Proceedings of the ACM Workshop on Web Information and Data Management, pp. 67–74.

Zhou, W., Wen, J., Qu, Q., Zeng, J., Cheng, T. (2018) Shilling attack detection for recommender systems based on credibility of group users and rating time series. PLoS ONE 13(5): e0196533. DOI: https://doi.org/10.1371/journal.pone.0196533

Kumari, T., Punam, B. (2017) A Comprehensive Study of Shilling Attacks in Recommender Systems. IJCSI International Journal of Computer Science Issues, Vol. 14, Issue 4, URL: https://www.ijcsi.org/papers/IJCSI-14-4-44-50.pdf

Mobasher, B., Burke, R.D., Sandvig, J.J. (2006) Model-based collaborative filtering as a defense against profile injection attacks. AAAI. AAAI Press, pp. 1388-1393.

Dellarocas, C. (2000) Immunizing on-line reputation reporting systems against unfair ratings and discriminatory behavior. Proceedings of the 2nd ACM Conference on Electronic Commerce, pp. 150-157.

Ozsoy, M.G., Polat, F. (2013) Trust based recommendation systems. 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, pp. 1267-1274.

Mohammadi, V., Rahmani, A.M., Darwesh, A.M., Sahafi, A. (2019) Trust-based recommendation systems in Internet of Things: a systematic literature review. Human-centric Computing and Information Sciences, DOI: https://doi.org/10.1186/s13673-019-0183-8


Переглядів анотації: 32
Завантажень PDF: 43
Опубліковано
2019-09-26
Як цитувати
[1]
Y. Meleshko, V. Khokh, і O. Ulichev, ДОСЛІДЖЕННЯ РОБАСТНОСТІ РЕКОМЕНДАЦІЙНИХ СИСТЕМ З КОЛАБОРАТИВНОЮ ФІЛЬТРАЦІЄЮ ДО ІНФОРМАЦІЙНИХ АТАК, Кібербезпека: освіта, наука, техніка, vol 1, no 5, pp 95-104, Вер 2019.