基于特征分析的推荐系统托攻击检测算法研究

协同过滤是推荐系统中普遍使用的一种推荐技术,然而协同推荐系统很容易遭受恶意用户的攻击。攻击者通过向系统注入大量有规律的攻击用户信息,达到人为操纵推荐系统的目的。为了检测系统中存在的攻击用户,通过研究攻击用户信息的统计特征,提出了一种基于特征分析的攻击检测算法。试验结果表明,该算法具有更高的检测率,有效缓解了推荐系统遭受托攻击操纵的问题,确保了推荐系统的可靠性。

推荐系统托攻击模型与检测技术

针对协同过滤根据近邻偏好产生推荐的特点,恶意用户注入伪造用户模型成为正常用户近邻,推进或打压目标项目的推荐排名,从而达到改变推荐系统结果,这种攻击方法称为"托攻击".本文综述了托攻击模型与检测技术的研究现状和面临的主要问题,试图为这一新兴的研究领域勾勒出较为全面清晰的概貌.从推荐系统机理入手,介绍托攻击产生动机、概念、目的、评分向量构成和模型分类,然后提出衡量托攻击对推荐系统危害性的两类指标;接着讨论区分正常用户和托攻击用户的特征指标;然后以机器学习角度分类为主线,综述3类托攻击检测算法,分析3类算法的利与弊,并介绍用于评估托攻击检测算法的数据集、指标和实验方法;最后指出进一步的研究方向.

适用于微型物联网设备的慢速DoS防御系统设计

针对运算资源受限的物联网(IoT)设备难以抵抗HTTP慢速拒绝服务(SHDoS)攻击的问题,提出了一种部署于IoT接入网关的轻量级SHDoS防御系统。首先,该系统基于IP报文重建了TCP连接的状态信息;之后,基于SHDoS的攻击原理设计了一种基于TCP连接资源占用率的攻击检测算法;最后,系统根据检测算法的检测结果通过发送伪造的RST报文和设置防火墙规则来快速阻断攻击连接。在IoT环境中的实验结果显示,该系统对已知的5种SHDoS攻击工具都具有较好的检测能力,能在60 s内检测到攻击主机并能主动屏蔽攻击,且系统对运算资源占用少,受攻击时内存占用仅为1004 KB,CPU使用率约为19.6%。实验表明,该系统能够满足在资源受限的IoT环境中抵抗SHDoS攻击的需求。