[发明专利]一种针对无组织恶意攻击的攻击检测方法

说明书

本发明公开了一种可以对推荐系统中无组织的恶意攻击进行检测，从而更好的保证推荐系统的质量的学习算法。本发明首次提出并解决了无组织的小规模攻击场景下的攻击检测任务，将其形式化为一个矩阵补全的学习问题，利用我们提出的矩阵补全算法得到评分矩阵M对应的真实评分矩阵X，系统噪声矩阵Z，以及恶意攻击偏差矩阵Y。根据恶意攻击偏差矩阵Y的信息检测出用户中的恶意攻击者。

技术领域

本发明涉及机器学习、应用技术，特别涉及协同过滤、推荐系统、攻击检测，是一种可以对推荐系统中无组织的恶意攻击进行检测，从而更好的保证推荐系统的质量的学习方法。

背景技术

推荐系统在我们的生活中被广泛应用，尤其在人们的线上生活越来越丰富的今天，推荐系统对我们的生活起到越来越重要的影响。例如，越来越多的人在淘宝、亚马逊等网购零售平台购买物品，在优酷、爱奇艺等视频网站观看视频。面对用户数量和物品数量的不断增加，如何给每个用户推荐适合他的物品是一个巨大的挑战。针对这样的挑战，很多协同过滤的推荐方法被提出。

协同过滤的基本假设是在原来表现出类似的兴趣爱好的用户，在以后也应该有类似的兴趣爱好。协同过滤有两种主要的类别，即基于存储的协同过滤方法和基于模型的协同过滤方法。基于存储的协同过滤方法直接利用用户给物品的评分信息来预测用户感兴趣的物品。这类方法又分为两大类，即基于用户的协同过滤方法和基于物品的协同过滤方法。其中基于用户的协同过滤方法会首先找到一个用户的相似用户，再将相似用户喜欢的物品推荐给该用户；基于物品的协同过滤方法会把一个用户喜欢的物品的相似物品推荐给该用户。基于模型的协同过滤方法首先利用用户给物品的评分信息训练得到一个预测模型，再利用该预测模型来生成对每个用户的推荐。

上述两大类协同过滤的方法一般都假设用户给物品的评分如实地反映了用户的喜好。但在我们实际生活中，物品拥有者会通过伪造虚假用户给予虚假评分的方式，来操控推荐系统，从而增加自己的利益。例如，攻击者可以伪造虚假用户，在评分行为上和正常用户相似，给自己的物品很高的分数，或者给自己竞争对手的物品很低的分数。现有的研究工作表明基于协同过滤的推荐方法很容易受到恶意攻击的影响。

针对这种问题，很多恶意攻击检测的方法被提出。现有的恶意攻击检测的方法主要包含统计的方法、聚类的方法和分类的方法。统计的方法通过检测可疑的评分来查找恶意攻击者。聚类的方法根据用户的评分信息将用户聚成若干表现相近的簇，其中最小的簇中的用户被视为恶意攻击者。分类的方法首先根据每个用户给物品的评分信息提取出该用户的特征，再根据用户的特征和标记(即是否是恶意攻击者)训练得到一个检测恶意攻击者的分类模型。

现有恶意攻击检测的应用场景均是针对有组织的大规模攻击，而非无组织的小规模的攻击。有组织的大规模攻击如，一个物品拥有者根据同一种策略伪造数百个用户，其中每个伪造用户要仿照正常用户评价多种物品，并给自己的物品很高的分数。然而目前推荐系统通过多种机制来提高攻击的代价，从而减少恶意攻击的发生，如，验证码的广泛使用，越来越多的网上平台需要短信验证或邮箱验证来完成注册，用户只有购买了一件物品才能够给予评价的机制等等。在这种背景下，高昂的成本使得发动有组织的大规模攻击难以实施。但无组织的小规模攻击依然广泛存在，如，网购零售平台上具有竞争关系的商家之间可能会互相攻击，如伪造若干个用户给自家物品打高分，给竞争对手的物品打低分，而不同商家采用的攻击策略也是不同的。此时，现有攻击检测方法无法通过检测同种攻击策略的方式有效地检测出恶意攻击者，这使得攻击评分仍然大量存在于推荐系统中，致使推荐方法的效果变差。因此，推荐系统需要一种可对无组织恶意攻击进行检测的学习算法。

发明内容