一种基于流行度分类特征的托攻击检测算法

摘要

本发明涉及一种基于流行度分类特征的托攻击检测算法，该算法首先统计用户对项目的评分，构建用户评分矩阵；然后统计项目的项目流行度；其次确定用户流行度向量；再次计算基于流行度的分类特征值MUD，RUD和QUD；然后构建分类器，最后将新用户的用户流行度向量中的元素输入分类器中，即可判定该新用户为正常用户或虚假用户。本发明提供的检测算法，对用户类别有较好的判定效果，无论是在单纯的随机攻击、评价攻击、流行攻击或混淆技术干扰时的攻击时都有非常好的托攻击检测性能，并且计算代价低，检测时间更短。

主权项

一种基于流行度分类特征的托攻击检测算法，其特征在于：包括如下步骤：S1：设存在一个具有N个用户的用户集，该用户集中的元素由正常用户和虚假用户两种类别组成，两类用户分别使用类标签0和1进行标注，0表示正常用户,1表示虚假用户，n_u为用户集的元素，表示第u个用户,u＝1,2,3,...,N；用户集中所有用户评价过的项目的并集构成项目集，项目集中共有M个项目，m_i为项目集的元素，i＝1,2,3,...,M；获取用户集中所有用户对项目集中所有项目的历史评分数据，构建N×M的用户评分矩阵B，b_ui为用户评分矩阵的元素，表示第u个用户对第i个项目的评分，b_ui的值为评分数，如果第u个用户对第i个项目没有评分，则令b_ui为0；S2：统计项目集中每个项目被正常用户评价的次数，采用项目流行度表示，记为d，d_i表示项目m_i的项目流行度；S3：根据步骤S1得到的用户评分矩阵和S2得到的项目流行度，确定用户流行度向量，方法如下：1)设用户n_u对项目m_i做出过评价，则定义用户n_u与项目m_i有联系；2)令u＝1；3)i遍历其取值，所有与用户n_u有联系的项目构成联系项目集，联系项目集中共有G_u个元素，g_uk为联系项目集的元素，其表示第k个与用户n_u有联系的项目；4)设k＝1；5)确定项目集中与项目g_uk相应的项目，然后调用S2中该项目的项目流行度作为g_uk的项目流行度d'_k；6)保存与用户n_u有联系的项目g_uk的项目流行度d'_k；7)令k＝k+1；8)如果k≤G_u，则返回步骤5)，否则执行下一步；9)与用户n_u有联系的所有项目的项目流行度形成一个一维向量D_u，记向量D_u为用户流行度向量，$D_u=(d_1^{\prime },d_2^{\prime },d_3^{\prime },...,d_k^{\prime }...,d_{G_u}^{\prime }),$输出D_u；10)令u＝u+1；11)如果u≤N，则返回步骤3)，否则结束循环；S4：计算基于流行度的分类特征值，所述基于流行度的分类特征值包括用户流行度均值、用户流行度极差和用户流行度上分位点，方法如下：1)根据公式(3)计算用户流行度均值MUD：${\mathrm{MUD}}_u=\frac{{\Sigma }_{k=1}^{G_u}{d}_k^{\prime }}{G_u},u=\mathrm{1,2,3}...,N---\left(3\right);$其中，MUD_u表示用户n_u的用户流行度均值，d'_k表示用户n_u的用户流行度向量D_u中的元素，G_u表示与用户n_u有联系的项目的总数；2)根据公式(4)计算用户流行度极差RUD：RUD_u＝d'_max‑d'_min,u＝1,2,3...,N   (4)；其中，RUD_u表示用户n_u的用户流行度极差，d'_max表示用户n_u的用户流行度向量D_u的元素中值最大的项目流行度，d'_min表示用户n_u的用户流行度向量D_u的元素中值最小的项目流行度；3)根据公式(5)计算用户流行度上四分位数QUD：QUD_u＝d'_k,u＝1,2,3...,N   (5)；其中，QUD_u表示n_u的用户流行度上四分位数，d'_k表示用户n_u的用户流行度向量D_u中元素按照其值由小到大排序后，处于前四分之一位置处的项目流行度；S5：根据用户的类标签及其相应的基于流行度分类特征，采用分类算法得到分类器；S6：对任何一个新用户，采用步骤S3‑S4所述方法计算该新用户基于流行度的分类特征值，然后将该新用户的分类特征值输入步骤S5确定的分类器中进行分类，判定该新用户的类别。