论文总字数：23590字

摘 要

近年来网络上信息量的大幅度增长得益于网络的迅速发展，人们面对着日益严重的"信息过载"现象,却对如何从纷繁的数据中快速获得自己所需要的信息而苦恼不已。在这样的背景下,推荐系统已经成为大数据环境下帮助企业推广产品获得利润并且帮助用户快速寻找自己想要的信息的必备工具。但由于推荐系统有一定的开放性,有心人很容易抓住这个特点对其攻击。

所以,随之而来的信息推荐领域的一个新的研究热点就是如何对外界攻击进行检测和防御,确保电子商务推荐系统的安全。本课题利用爬虫技术获取了豆瓣网的用户评分数据，利用SDlib库模拟输入三种攻击数据，分别为随机攻击，平均攻击以及流行攻击，并做标记，接着对数据进行预处理,构造实验数据集,建立训练集以及测试集。建立基于深度学习的推荐系统攻击检测与防御模型，系统分析了攻击的类型及其特点，分析正常用户和攻击用户的差异性，进而得到评价攻击行为的检测参数，模型训练并输出测试集对正常用户和攻击用户的预测准确率，对实验的结果进行可视化展示。

关键词：推荐系统 网络爬虫 托攻击 卷积神经网络 自动编码器

Recommendation system attack detection based on deep learning

ABSTRACT

In recent years ，because of the rapid development of the network ,thousands of information has increased on the internet, faced with the increasingly serious phenomenon of "information overload", people are troubled by how to quickly obtain the information they need from the complex data.In this context, recommendation system has become a necessary tool to help enterprises promote products to obtain profits and help users quickly find the information they want in the context of big data.But because the recommendation system has a certain degree of openness, it is easy to grasp the characteristics of the attack.

Therefore, a new research hotspot in the field of information recommendation is how to detect and defend against external attacks to ensure the security of e-commerce recommendation system. This topic crawler technology is used to collect the user rating data of douban, analog input data, three kinds of attack using SDlib library respectively random attack, attack and popular attack on average, and marking , then the data is preprocessed, the experimental data set is constructed, the training set and the test set are established.Based on the recommendation of deep learning attack detection and defense system model, system analyzes the types and characteristics of attack, analysis of the differences between normal users and attack, and then get the evaluation methods of attack detection parameters, model training and output test set for normal users and attack prediction accuracy, visualize the experimental results.

Key Words: Recommendation system; web spider; Joe attack; Convolutional Neural Network;Autoencoder

目录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1研究背景 1

1.2研究现状 1

1.2.1推荐系统的研究现状 2

1.2.2推荐系统攻击检测研究现状 3

1.3本课题主要工作 3

1.4本课题章节安排 4

第二章 相关知识背景 5

2.1python语言 5

2.2深度学习 5

2.3卷积神经网络 6

2.4自动编码器 8

2.5推荐系统托攻击 9

2.6本章小结 10

第三章 基于深度学习的推荐系统攻击检测模型 11

3.1pytorch 11

3.2主要模型 11

3.3模型的优化 12

3.4本章小结 17

第四章 攻击检测实验及结果分析 19

4.1数据预处理 19

4.1.1数据集介绍 22

4.1.2注入攻击 23

4.1.3加载数据 24

4.1.4数据集的划分 25

4.2实验过程分析 25

4.2.1创建批次 25

4.2.2输入层 25

4.2.3输出层 26

4.3模型训练 26

4.4实验结果展示 27

4.5本章小结 28

第五章 总结与展望 29

5.1总结 29

5.2展望 29

参考文献 30

致谢 32

第一章 绪论

1.1研究背景

由于互联网的出现和普及，人们习惯了在网上获取大量的信息,这也大大方便了人们的日常生活与学习。同时也伴随着的是网络资源信息的爆炸型增长,人们面对着日益严重的"信息过载"现象,如何从如此庞大繁杂的信息世界里准备地获取自己想要的信息逐渐成为现代人们生活的一大难题。此时,推荐系统就应运而生,它的存在已成为"互联网"大数据环境下帮助用户准确快速地寻找自己想要的信息,以及帮助企业推广产品获得利润的必备工具和有效手段。利用好用户的历史数据并分析建模,再从中挖掘用户可能感兴趣的项目,为用户提供针对性的服务。在现代社会应用需求的推动下，推荐技术已经成为工商业以及学术界新的高潮。自2007年, 人工智能的推荐系统领域的专门顶级会议ACM正式召开,该会议聚集了国内外高质量的推荐系统工作研究者,主要围绕各种推荐场景下技术改进方案来展开,由此也衍生了诸多专注于推荐系统方案的专题会议和期刊。

但是由于系统本身对用户的灵敏性及开放性,使其很容易遭到外界的攻击。在商业利益的驱动下,部分恶意商家刻意地向系统中植入一些伪造的用户概貌,使得推荐系统的准确性受到影响。之后不久，就有人提出攻击模型的概念，根据攻击者的行为或者用意不同，现阶段可以将攻击模型分为流行、均值、分段以及随机攻击模型。使用不同的攻击模型可以实现不同的攻击效果。

请支付后下载全文，论文总字数：23590字