本文關(guān)鍵詞：基于特征選擇的托攻擊檢測(cè)研究

  更多相關(guān)文章： 托攻擊 推薦系統(tǒng) 信息熵 離群度 流行度

【摘要】：協(xié)同過濾推薦作為一種重要的個(gè)性化服務(wù),越來越廣泛的應(yīng)用于電子商務(wù)領(lǐng)域,為用戶獲取推薦信息和商家營(yíng)銷提供了極大的便利。然而托攻擊的出現(xiàn),嚴(yán)重降低了推薦系統(tǒng)的準(zhǔn)確性和可用性,一定程度上制約了電子商務(wù)的發(fā)展。為此,托攻擊檢測(cè)的研究受到了廣泛關(guān)注,本文在國(guó)內(nèi)外專家研究基礎(chǔ)之上,就基于特征選擇的托攻擊檢測(cè)方法展開研究。由于托攻擊的檢測(cè)具有時(shí)效性,故隨著時(shí)間推移,有必要重復(fù)檢測(cè)。但初次檢測(cè)和后續(xù)重復(fù)檢測(cè)對(duì)算法的要求不同,初次檢測(cè)要求算法結(jié)果盡可能準(zhǔn)確,后續(xù)重復(fù)檢測(cè)則要求算法具有較高的時(shí)間效率。因此,本文分別針對(duì)這兩種不同需求展開托攻擊檢測(cè)算法的研究,并且將檢測(cè)算法分解成兩個(gè)子問題:有效的特征指標(biāo)選擇和基于特征指標(biāo)集的檢測(cè)算法。首先,考慮到傳統(tǒng)托攻擊檢測(cè)算法不能靈活應(yīng)對(duì)多種托攻擊類型的情況,提出了一種基于信息熵動(dòng)態(tài)選取檢測(cè)指標(biāo)的特征選擇算法。結(jié)合信息熵的特性,將正常用戶和攻擊用戶的劃分看作兩類隨機(jī)事件,計(jì)算特征指標(biāo)的信息熵,并以此判斷其分類能力,完成特征選擇。接著,設(shè)計(jì)了一種基于離群度的無監(jiān)督檢測(cè)算法,從特征值向量離群度的角度來識(shí)別攻擊用戶。分別在Movie Lens數(shù)據(jù)集上構(gòu)造不同模型的托攻擊,以此驗(yàn)證算法的正確性,再與其他幾種主流的檢測(cè)算法進(jìn)行對(duì)比試驗(yàn),驗(yàn)證算法的性能。然后,針對(duì)后續(xù)檢測(cè)的高時(shí)間效率需求,在初次檢測(cè)得到真實(shí)用戶概貌集的基礎(chǔ)上,提出一套基于項(xiàng)目流行度的托攻擊特征提取方法。因?yàn)榱餍卸仁腔趯?duì)項(xiàng)目評(píng)分?jǐn)?shù)量的統(tǒng)計(jì),所以在計(jì)算的復(fù)雜度上有較大的降低,再以真實(shí)用戶與攻擊用戶在對(duì)評(píng)分項(xiàng)目的選擇上存在差異為切入點(diǎn),得出用戶平均項(xiàng)目流行度和用戶項(xiàng)目流行度信息熵兩個(gè)特征指標(biāo),與上面的檢測(cè)算法結(jié)合來完成后續(xù)的托攻擊重復(fù)檢測(cè)。最后,根據(jù)以上算法設(shè)計(jì)實(shí)現(xiàn)一個(gè)托攻擊檢測(cè)的仿真系統(tǒng),通過模擬實(shí)際中托攻擊檢測(cè)的整個(gè)過程來驗(yàn)證本文所提出檢測(cè)方法的正確性。
【關(guān)鍵詞】：托攻擊 推薦系統(tǒng) 信息熵 離群度 流行度
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-14
• 1.1 課題研究背景8
• 1.2 課題研究意義8-9
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀9-10
• 1.4 論文研究?jī)?nèi)容10-12
• 1.5 論文結(jié)構(gòu)安排12-14
• 第2章 托攻擊檢測(cè)相關(guān)理論概述14-20
• 2.1 托攻擊概述14
• 2.2 托攻擊的屬性14-15
• 2.3 托攻擊的概貌結(jié)構(gòu)與模型15-17
• 2.4 托攻擊檢測(cè)方法與特征指標(biāo)17-20
• 第3章 基于信息熵的特征選擇方法20-28
• 3.1 引言20
• 3.2 基于信息熵特征選擇的可行性分析20-21
• 3.3 基于信息熵的特征指標(biāo)選擇算法21-25
• 3.4 實(shí)驗(yàn)以及結(jié)果分析25-27
• 3.4.1 算法實(shí)驗(yàn)數(shù)據(jù)集與評(píng)價(jià)指標(biāo)25-26
• 3.4.2 訓(xùn)練集的構(gòu)造方法與參數(shù)設(shè)定26-27
• 3.4.3 實(shí)驗(yàn)結(jié)果27
• 3.5 小結(jié)27-28
• 第4章 基于特征向量離群度的無監(jiān)督托攻擊檢測(cè)方法28-38
• 4.1 引言28
• 4.2 離群點(diǎn)與離群度概述28-29
• 4.3 基于離群度的檢測(cè)算法模型29-32
• 4.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析32-36
• 4.4.1 實(shí)驗(yàn)數(shù)據(jù)集與參數(shù)設(shè)定32
• 4.4.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析32-36
• 4.5 小結(jié)36-38
• 第5章 基于用戶項(xiàng)目流行度特征提取的托攻擊檢測(cè)方法38-48
• 5.1 引言38
• 5.2 基于項(xiàng)目流行度的特征提取方法的可行性分析38-40
• 5.3 項(xiàng)目平均流行度的特征指標(biāo)提取40-42
• 5.4 基于信息熵的特征指標(biāo)提取方法42-44
• 5.5 實(shí)驗(yàn)與結(jié)果分析44-47
• 5.6 小結(jié)47-48
• 第6章 仿真實(shí)驗(yàn)系統(tǒng)與總結(jié)展望48-56
• 6.1 引言48
• 6.2 系統(tǒng)設(shè)計(jì)目標(biāo)48-49
• 6.3 系統(tǒng)設(shè)計(jì)49-52
• 6.4 實(shí)例分析52
• 6.5 本文工作總結(jié)52-53
• 6.6 下一步研究53-56
• 參考文獻(xiàn)56-62
• 致謝62

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 饒鮮;楊紹全;魏青;董春曦;;基于熵的入侵檢測(cè)特征參數(shù)選擇[J];系統(tǒng)工程與電子技術(shù);2006年04期

2 王東琦,王長(zhǎng)山,林延福;檢測(cè)SYN洪水攻擊的動(dòng)態(tài)模型[J];現(xiàn)代電子技術(shù);2004年23期

3 周勇林;由林麟;張永錚;;基于命名及解析行為特征的異常域名檢測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年20期

4 李彬,戴銀濤,胡昌振;Linux下一種入侵檢測(cè)特征提取及規(guī)則制定方法[J];計(jì)算機(jī)安全;2003年11期

5 曹政;入侵檢測(cè)技術(shù),雞肋還是機(jī)會(huì)?——入侵檢測(cè)的幾個(gè)問題和解決途徑[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2003年04期

6 孟磊;劉勝利;劉龍;陳嘉勇;孫海濤;;基于心跳行為分析的木馬快速檢測(cè)方法[J];計(jì)算機(jī)工程;2012年14期

7 張小兵,葉新銘,石立新;入侵檢測(cè)中的告警分析研究[J];內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年05期

8 蔣宗華;劉軍;;基于動(dòng)態(tài)克隆選擇的入侵檢測(cè)及其搜索核特征的研究[J];電腦與信息技術(shù);2006年06期

9 胡建康;徐震;馬多賀;楊婧;;基于決策樹的Webshell檢測(cè)方法研究[J];網(wǎng)絡(luò)新媒體技術(shù);2012年06期

10 黎利輝;;基于遺傳模擬退火算法的入侵檢測(cè)特征選擇研究[J];計(jì)算機(jī)安全;2010年07期

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 金婉霞 本報(bào)記者 王春;檢測(cè)H7N9 僅需兩小時(shí)[N];科技日?qǐng)?bào);2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 姜德迅;代碼壞味檢測(cè)方法研究及重構(gòu)分析[D];哈爾濱工業(yè)大學(xué);2014年

2 任少卿;基于特征共享的高效物體檢測(cè)[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

3 許舟軍;基于異常分析的入侵檢測(cè)關(guān)鍵技術(shù)研究[D];天津大學(xué);2006年

4 郁繼鋒;基于數(shù)據(jù)挖掘的Web應(yīng)用入侵異常檢測(cè)研究[D];華中科技大學(xué);2011年

5 任斐;基于數(shù)據(jù)挖掘的自適應(yīng)異常檢測(cè)研究[D];吉林大學(xué);2009年

6 滕少華;基于對(duì)象監(jiān)控的分布式協(xié)同入侵檢測(cè)[D];廣東工業(yè)大學(xué);2008年

7 李戰(zhàn)春;入侵檢測(cè)中的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D];華中科技大學(xué);2007年

8 李鴻彬;SIP網(wǎng)絡(luò)中入侵檢測(cè)與防御系統(tǒng)關(guān)鍵技術(shù)的研究[D];中國(guó)科學(xué)院研究生院（沈陽(yáng)計(jì)算技術(shù)研究所）;2012年

9 劉長(zhǎng)龍;基于側(cè)信道分析的硬件木馬檢測(cè)技術(shù)研究[D];天津大學(xué);2013年

10 張福勇;面向惡意代碼檢測(cè)的人工免疫算法研究[D];華南理工大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胥小馬;使用多特征和多線索的駕駛員人臉檢測(cè)技術(shù)[D];北京理工大學(xué);2015年

2 李先飛;基于外貌特征的行人檢測(cè)方法研究與軟件實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 劉秋榮;面向代碼壞味檢測(cè)的閾值動(dòng)態(tài)優(yōu)化方法[D];北京理工大學(xué);2016年

4 崔靜靜;基于I-K-Means聚類的樸素貝葉斯HRNB分類算法在入侵檢測(cè)中的應(yīng)用研究[D];河南理工大學(xué);2014年

5 成俊;基于人體部件的復(fù)雜場(chǎng)景行人檢測(cè)研究[D];南昌航空大學(xué);2016年

6 張瑞琴;基于信息熵聚類的異常檢測(cè)方法研究[D];北京交通大學(xué);2016年

7 溫天宇;基于特征選擇的托攻擊檢測(cè)研究[D];華僑大學(xué);2016年

8 張宇;復(fù)雜環(huán)境下的行人檢測(cè)[D];電子科技大學(xué);2016年

9 郝建波;微博突發(fā)話題檢測(cè)、跟蹤與傳播預(yù)測(cè)技術(shù)研究[D];哈爾濱工程大學(xué);2013年

10 李娜娜;基于免疫的層次異常檢測(cè)研究[D];河北工業(yè)大學(xué);2005年

，

本文編號(hào)：787440