عنوان پایان‌نامه
شناسایی تهاجم در سیستمهای توصیه گر مبتنی بر پالایش مشارکتی به کمک تحلیل دنباله ها
- رشته تحصیلی
- علوم تصمیم و مهندسی دانش
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 556;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78582;کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 556;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78582
- تاریخ دفاع
- ۰۳ اسفند ۱۳۹۴
- دانشجو
- فرخنده زنده فیلی
- استاد راهنما
- سامان هراتی زاده
- چکیده
- سیستمهای توصیه‌گر، با بهره‌گیری از علایق کاربران و تاریخچه امتیازات کاربران به محصولات متفاوت سیستم، می‌توانند پیشنهاداتی مناسب به کاربران ارائه دهند. امروزه با توجه به گسترش روزافزون اطلاعات، سیستمهای توصیه‌گر کاربردهای فراوانی پیدا کرده‌اند؛ در سال‌های اخیر افزایش رقابت میان شرکت‌های مختلف از یک‌سو و گسترش سیستم توصیه‌گر از سوی دیگر، سبب شده است تا برخی از شرکت‌ها با ایجاد امتیازات جعلی برای کالاهای خود، محبوبیت کالا را به صورت تقلبی افزایش داده و موجب شده سیستمهای توصیه‌گر (به ویژه سیستمهای پالایش مشارکتی) کالای تهاجمی را به عنوان یک کالای ایده‌آل به سایر کاربران پیشنهاد دهند و فروش آن کالا افزایش یابد. این در حالی است که این پیشنهاد، در واقعیت پیشنهاد مناسبی نیست و پس از مدتی، موجب کاهش کارایی سیستم، نارضایتی مشتریان و از دست رفتن اعتماد آن‌ها به سیستم می‌شود. از این‌رو شناسایی امتیازات یا کاربران جعلی از اهمیت زیادی برخوردار است و می‌تواند کارایی سیستم را تا حد قابل توجهی افزایش دهد. روش‌های فعلی از دو مشکل عدم تشخیص حملات کاربران واقعی سیستم و تشخیص حملات در بازه‌های زمانی طولانی رنج می‌برند. در این پایان‌نامه، ما روش‌های جدیدی به نام SFDetector و PSDetector ارائه می‌دهیم که با بهره‌گیری از اطلاعات کاربران و دنباله‌های رفتاری آن‌ها، می‌توانند رفتارهای غیر طبیعی کاربران واقعی در امتیازدهی به یک کالای مشخص در بازه‌های زمانی مختلف را شناسایی کنند. در این پژوهش از الگوهای دنباله‌ای که با خرید یک کالا در زمان‌های مختلف مطابقت دارد، استفاده شده تا بازه‌های زمانی را که در آن یک رفتار غیرعادی در خرید یک کالا مشاهده شده، به عنوان بازه‌ی زمانی ناهنجار شناسایی شوند. نتایج نشانگر عملکرد بهتر سیستم نسبت به الگوریتم‌های کنونی است.
- Abstract
- Recommender Systems are intelligent tools which help users to find the set of relevant products among a large number of available products. These systems generally use collaborative filtering techniques that recommends items based on the opinions of similar users. One of the main challenges of collaborative filtering algorithms is their vulnerability to shilling attacks. shilling attacks refers to injection of biased ratings for a target item in order to increase/decrease its popularity. Existing approaches for shilling attack detection assumes that biased ratings are inserted to the system by new user profiles in short period of time. Accordingly, they suffer from poor performance when biased ratings inserted in longer time intervals or by old users. In this thesis, we introduce new methods called PSDetector and SFDetector that covers this issue based on discovering users' behavioral sequence. More clearly, PSDetector exploits sequential pattern discovery algorithm to learn users' behavioral model and detect time intervals that a large number of users unexpectedly rates to a specific item. SFDetector uses the sequential pattern as a feature vector to extract the difference of rating intervals and detect time intervals where a large number of users rates to a target item. Our experiment demonastrate that PSDetector and SFDetector significantly outperforms the state of the art algorithm especially as the time interval of shilling attack gets longer. Recommender system, Shilling attack, sequential pattern
