结合图卷积神经网络和集成方法的推荐系统恶意攻击检测

• Published in: 计算机科学 Vol. 51; no. z1; pp. 940 - 948
• Main Authors: 刘慧, 纪科, 陈贞翔, 孙润元, 马坤, 邬俊
• Format: Journal Article
• Language: Chinese
• Published: 山东省网络环境智能计算技术重点实验室(济南大学) 济南 250022%北京交通大学计算机与信息技术学院 北京 100044 2024; 济南大学信息科学与工程学院 济南 250022
• Subjects: 共同访问注入攻击; 集成方法; Co-visitation injection attack; Graph convolutional neural networks; 卷积神经网络; Attack detection; 推荐系统; Recommendation systems; Con-volutional neural networks; Ensemble methods; 图卷积神经网络; 攻击检测
• ISSN: 1002-137X
• DOI: 10.11896/jsjkx.230700003

TP391; 推荐系统已被广泛应用于电子商务、社交媒体、信息分享等大多数互联网平台中,有效解决了信息过载问题.然而,这些平台面向所有互联网用户开放,导致不法用户利用系统设计缺陷通过恶意干扰、蓄意攻击等行为非法操纵评分数据,进而影响推荐结果,严重危害推荐服务的安全性.现有的检测方法大多都是基于从评级数据中提取的人工构建特征进行的托攻击检测,难以适应更复杂的共同访问注入攻击,并且人工构建特征费时且区分能力不足,同时攻击行为规模远远小于正常行为,给传统检测方法带来了不平衡数据问题.因此,文中提出堆叠多层图卷积神经网络端到端学习用户和项目之间的多阶交互行为信息得到用户嵌入和项目嵌入,将其作为攻击检测特征,以卷积神经网络作为基分类器实现深度行为特征提取,结合集成方法检测攻击.在真实数据集上的实验结果表明,与流行的推荐系统恶意攻击检测方法相比,所提方法对共同访问注入攻击行为有较好的检测效果并在一定程度上克服了不平衡数据的难题.