حملات شیلینگ علیه سیستم‌های توصیه‌گر: یک پیمایش جامع

حملات شیلینگ علیه سیستم‌های توصیه‌گر: یک پیمایش جامع

Shilling attacks against recommender systems: a comprehensive survey

مقاله انگلیسی ۳۳ صفحه PDF ترجمه فارسی ۴۲ صفحه Word

چکیده

فروشندگان اینترنتی از الگوریتم های فیلترینگ تشریک مساعی (همکار)به منظور ارائه توصیه ها برای مشتریان خود استفاده می کنند تا بتوانند فروش و سود خود را افزایش دهند. اگرچه طرح های توصیه در سایت های تجارت الکترونیکی موفق هستند اما در مقابل حملات شیلینگ یا تزریق نمایه، آسیب پذیرند. از یک سو، سایت‌های خرید اینترنتی از طرح های فیلترینگ توصیه برای بهبود مزیت رقابتی خود نسبت به سایر شرکت ها استفاده می‌کنند، از سوی دیگر، کاربران ./یا رقبای مخرب ممکن است تصمیم بگیرند نمایه های جعلی را وارد ماتریس‌های کاربر-آیتم کنند تا بتوانند آنگونه که تمایل دارند بر رتبه‌بندی‌های پیش بینی شده اثر بگذارند. در دهه گذشته مطالعات متنوعی صورت گرفته است تا استراتژی های مختلف حملات شیلینگ، انواع نفوذ به نمایه، طرح‌های کشف حمله شیلینگ و الگوریتم نیرومندی برای غلبه بر چنین حملاتی را موشکافی کند و آنها را با توجه به دقت، هزینه/منفعت و عملکرد کلی ارزیابی کند. به علت محبوبیت و اهمیت، ما پیمایشی را درباره حملات شیلینگ در الگوریتم های فیلترینگ تشریک مساعی انجام دادیم. ارائه یک تصویر کلی درباره انواع مختلف حملات شیلینگ به وسیله مشخصه های جدید دسته بندی برای تحقیقات بیشتر، ضروری است. تشریح با دقت طرح های کشف حمله شیلینگ و الگوریتم های نیرومندی که تاکنون ارائه شده است می تواند منجر به توسعه طرح های جدید کشف و بهبود هر چه بیشتر چنین الگوریتم هایی شود و حتی موارد جدیدی را مطرح کند. بنابراین، ما انواع مختلف حملات را معین و ابعاد جدیدی برای دسته بندی حملات معرفی می‌کنیم. توصیف دقیق الگوریتم‌های کشف و نیرومندی توصیه، ارائه شده است. به علاوه، ما خلاصه ای از ارزیابی طرح های ارائه شده را تشریح می‌کنیم. ما این مقاله را به وسیله بحث درباره مباحث باز، استنتاج می کنیم.

واژگان کلیدی: حمله شیلینگ, تزریق نمایه, حملات پوش,نیوک, فیلترینگ تشریک مساعی, نیرومندی, کشف حمله

Abstract:

Online vendors employ collaborative filtering algorithms to provide recommendations to their customers so that they can increase their sales and profits. Although recommendation schemes are successful in e-commerce sites, they are vulnerable to shilling or profile injection attacks. On one hand, online shopping sites utilize collaborative filtering schemes to enhance their competitive edge over other companies. On the other hand, malicious users and/or competing vendors might decide to insert fake profiles into the user-item matrices in such a way so that they can affect the predicted ratings on behalf of their advantages. In the past decade, various studies have been conducted to scrutinize different shilling attacks strategies, profile injection attack types, shilling attack detection schemes, robust algorithms proposed to overcome such attacks, and evaluate them with respect to accuracy, cost/benefit, and overall performance. Due to their popularity and importance, we survey about shilling attacks in collaborative filtering algorithms. Giving an overall picture about various shilling attack types by introducing new classification attributes is imperative for further research. Explaining shilling attack detection schemes in detail and robust algorithms proposed so farmight open a lead to develop new detection schemes and enhance such robust algorithms further, even propose new ones. Thus, we describe various attack types and introduce new dimensions for attack classification. Detailed description of the proposed detection and robust recommendation algorithms are given. Moreover, we briefly explain evaluation of the proposed schemes. We conclude the paper by discussing various open questions.
Keywords: Shilling, Profile injection, Push/nuke attacks, Collaborative filtering, Robustness, Attack detection

.

.

160,000 ریال – خرید

.

.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *