基于改進支持向量機的推薦系統托攻擊檢測方法

摘 要： 使用具有較好泛化能力的支持向量機算法建立推薦系統托攻擊檢測模型，由于在傳統支持向量機算法中，用來控制錯誤識別樣本懲罰度的懲罰因子的具體參數以及不敏感損失參數的具體參數由使用者決策，并在較大程度上決定支持向量機的性能。標準PSO算法的收斂性能基本取決于學習算子和慣性系數等重要參數的選取。標準PSO算法前期收斂速度很快，后期則比較緩慢，粒子群趨同性造成算法后期容易陷入局部最小值，即進入早熟。因此，使用混沌優化算法與PSO算法共同完成對傳統支持向量機算法的優化。最后使用MovieLense100K數據集進行實例分析，從檢測結果對比可以看出，填充率越高，檢測準確率越高，研究的改進支持向量機具有最優的檢測性能，能夠幫助推薦系統防范托攻擊，以得到較精準的用戶評分數據。

關鍵詞： 推薦系統； 托攻擊； 改進支持向量機算法； 混沌優化算法

中圖分類號： TN98?34； TP311 文獻標識碼： A 文章編號： 1004?373X（2016）18?0096?03

Abstract： A support vector machine algorithm with good generalization ability is used to establish the shilling attack detection model of recommendation system. In traditional support vector machine algorithm， the specific parameters of the penalty factor used to control the misrecognition sample penalty and insensitive loss parameters are determined by users， which can decide the performance of support vector machine to a great extent. The convergence performance of the standard PSO algorithm depends on the selection of the important parameters， such as learning operator and inertia coefficient. The convergence speed of the standard PSO algorithm is fast at early stage and relatively slow at latter stage， and the algorithm is easy to fall into local minimum （early maturity） due to PSO convergence. Therefore， both the chaos optimization algorithm and PSO algorithm are used to optimize the traditional support vector machine algorithm. The MovieLense100K dataset is used for instance analysis. The detection results show that the higher the filling rate is， the higher detection accuracy becomes. The improved support vector machine algorithm has the best detection performance， and can help the recommendation system to prevent the shilling attack， so as to obtain more accurate user rating data.

Keywords： recommendation system； shilling attack； improved support vector machine algorithm； chaos optimization algorithm

0 引 言

隨著互聯網的不斷發展，人們獲取越來越多的信息，但是面對海量的數據和信息，人們難以在短時間內獲取自己需要的信息，而個性化推薦系統的出現能夠幫助人們快速獲取信息，為用戶帶來方便。在現行的推薦算法中，使用最為廣泛的方法就是協同過濾推薦方法，但是外部惡意使用者極易通過協同過濾推薦方法的開放性和用戶參與性對其進行惡意攻擊。攻擊者（可能是競爭者）偽造用戶概貌（或用戶偏好數據），影響被推薦系統的推薦結果， 通常稱之為“用戶概貌注入攻擊”或“托攻擊”。因此對推薦系統托攻擊的檢測，提高推薦系統托攻擊防范能力是保證推薦系統可靠運行的重要方法，也是目前推薦系統研究方向中的熱點問題之一[1]。

有督導的機器學習方法中，支持向量機算法因其具有較好的泛化能力、具有稀疏表示解等諸多優良特性而在托攻擊檢測領域得到較好應用，其檢測性能優于決策樹、神經網絡等算法[2]。

1 托攻擊特征提取

本文使用整體信息熵、窗口信息熵以及窗口填充規模對推薦系統進行托攻擊特征提取。

式中：fi是支持向量機實際輸出；yi是期望輸出[8?9]。

本文改進支持向量機算法步驟如下：

STEP 1：初始化最大進化代數、慣性系數取值范圍、種群規模、學習算子取值范圍、粒子群飛行速度取值范圍等改進混沌粒子群優化算法的參數，以及初始化不敏感損失參數、懲罰因子、最優權系數、RBF的核參數等支持向量機算法參數。

STEP 2：將粒子個體極值設定為該粒子的當前位置。通過均方差函數計算粒子適應度值，將最優的粒子的個體極值設定為全局極值。

STEP 3：如果達到收斂條件，則直接跳轉到STEP 10，否則進入STEP 4繼續優化。

STEP 4：對粒子的位置和速度采用混沌模型與PSO算法結合的優化方法進行更新。

STEP 5：若適應度值滿足[FPdi

STEP 6：若更新后的[Pdbest]，滿足[FPdbest<][FGdbest]，則更新[Gdbest]。

STEP 7：如果達到收斂條件，則直接跳轉到STEP 10，否則進入STEP 8繼續優化。

STEP 8：計算種群適應值的方差[δ2]，如果滿足早熟處理條件，則進行早熟處理操作，如果不滿足早熟處理條件，則跳轉到STEP 4。

STEP 9：對粒子的位置和速度采用混沌模型與PSO算法結合的優化方法進行更新。對陷入局部最小值的粒子進行早熟處理操作，之后跳轉到STEP 3。

STEP 10：通過上述方法得到支持向量機的懲罰因子、不敏感損失參數、最優權系數及RBF的核等參數的最優解，實現對支持向量機參數的優化的改進[10?11]。

3 實例分析

本文以MovieLense100K數據集中的數據作為實例進行分析，MovieLense100K數據集包含了900多位用戶對1 600多部電影多達100 000條評分數據?，F在假設該數據集中沒有任何托攻擊數據，本文針對攻擊為15%，填充率設定在5%，10%，15%以及20%情況下的隨機攻擊、流行攻擊以及均值攻擊這三種攻擊模式進行檢測，使用常規的支持向量機算法、標準粒子群優化的支持向量機算法與本文改進支持向量機算法進行對比研究[12]。不同算法對為15%的攻擊規模下三種攻擊模式的檢測準確率及查全率對比如圖1，圖2所示。

從檢測結果對比可以看出，填充率越高，檢測準確率越高，本文研究的改進支持向量機具有最優的檢測性能，能夠幫助推薦系統防范托攻擊，以得到較精準的用戶評分數據。三種算法針對填充率為5%，10%，15%以及20%時的訓練時間對比如表1所示。本文研究的改進支持向量機同樣具有明顯優勢，其訓練時間最短，能夠有效提高托攻擊檢測的效率。

4 結 論

對推薦系統托攻擊的檢測，提高推薦系統托攻擊防范能力是保證推薦系統可靠運行的重要方法，也是目前推薦系統研究方向中的熱點問題之一。本文使用具有較好泛化能力的支持向量機算法建立推薦系統托攻擊檢測模型，使用混沌優化算法與PSO算法共同完成對傳統支持向量機算法的優化。最后使用MovieLense100K數據集進行實例分析，從檢測結果對比可以看出，填充率越高，檢測準確率越高，本文研究的改進支持向量機具有最優的檢測性能，能夠幫助推薦系統防范托攻擊，以得到較精準的用戶評分數據。

參考文獻

[1] 呂成戍.基于特征選擇和支持向量機的托攻擊檢測方法[J].計算機應用與軟件，2015，32（5）：270?272.

[2] 呂成戍.基于代價敏感支持向量機的推薦系統托攻擊檢測方法[J].計算機工程與科學，2014，36（4）：697?701.

[3] 呂成戍，王維國.不均衡數據集下基于SVM的托攻擊檢測方法[J].計算機工程，2013，39（5）：132?135.

[4] 呂成戍，王維國.一種基于混合策略的推薦系統托攻擊檢測方法[J].計算機工程與科學，2013，35（8）：174?179.

[5] 匡芳君，徐蔚鴻，張思揚.基于改進混沌粒子群的混合核SVM參數優化及應用[J].計算機應用研究，2014，31（3）：671?674.

[6] 匡芳君.群智能混合優化算法及其應用研究[D].南京：南京理工大學，2014.

[7] 霍明.短期負荷預測的支持向量機模型參數優化方法研究[D].長沙：湖南大學，2009.

[8] 王佳.混合核支持向量機參數優化及其應用研究[D].長沙：長沙理工大學，2011.

[9] 毛志亮.混合核函數支持向量機在發酵過程建模中的應用研究[D].無錫：江南大學，2011.

[10] 單黎黎，張宏軍，王杰，等.一種改進粒子群算法的混合核ε?SVM參數優化及應用[J].計算機應用研究，2013，30（6）：1636?1639.

[11] 陳其松.智能優化支持向量機預測算法及應用研究[D].貴陽：貴州大學，2009.

[12] 呂成戍，王維國.基于SVM?KNN的半監督托攻擊檢測方法[J].計算機工程與應用，2013，49（22）：7?10.