[发明专利]一种基于卷积神经网络的托攻击检测方法

说明书

本发明涉及一种基于卷积神经网络的托攻击检测方法，对原始数据采用不同的托攻击模型进行攻击，获得攻击后的数据集；构建基于卷积神经网络的检测模型并从数据集中选择样本进行训练直至检测模型收敛，封装所述检测模型；采集数据，提取数据的特征参数组成特征向量，输入所述检测模型，所述检测模型输出分类结果为虚假用户或真实用户。本发明利用深度学习思想，提出的模型可提取高维非线性特征以实现托攻击检测，弥补了现有检测方法的不足。本发明基于卷积神经网络的托攻击检测方法具有比现有的托攻击检测方法更加高的准确率和稳定性。

技术领域

本发明涉及电数字数据处理技术领域，尤其涉及一种基于卷积神经网络的托攻击检测方法，适用于于大型商业平台用户网络系统的防护工作。

背景技术

推荐系统是电子商务平台、资讯平台等互联网平台向用户推荐资讯、提供建议，以帮助用户快速从互联网上获得自己真正想要的信息的一种系统。推荐系统通过挖掘用户的评分历史或者购买记录而进行个性化的推荐服务，被众多互联网公司(例如亚马逊，今日头条等)采用。恶意攻击比如托攻击对于推荐系统的精确性有着致命的影响。托攻击是一些经销商为了获取更多的利益，通过自动地增加虚假的用户以干扰推荐系统的一种手段。托攻击的常被用于来提高使用者的商品的评分，同时降低其竞争对手的评分。在此背景下，托攻击检测算法的研究成为网络服务商提高推荐系统效率和推广服务的重要途径。

托攻击检测算法的主要目标就是从大量的正常用户中找到由托攻击模型产生的虚假用户。现有的托攻击检测算法基于的一个主要假设是：由托攻击模型产生的虚假用户之间是高度相似的。基于这样的假设，现有的托攻击检测算法设计了许多用于区分正常用户和虚假用户的评分特征。在获得不同用户的各种评分特征值之后，托攻击检测算法通过机器学习的方法如聚类算法等试图找到分割普通用户和虚假用户的超平面，进而判断用户是否为虚假用户。因此目前的检测方法存在两点不足：(1)人为设计的特征局限于人类的有限经验以及不能保证线性可分，难以获得较高的查全率和查准率。(2)现有的评分特征都是针对某类特殊的攻击模型而设计的，当面临未知的托攻击策略时，现有的托攻击检测方法存在严重不足。综上，现有方法在准确率和稳定性上有较大改进空间。

发明内容

针对现有技术中存在的问题，本发明提供一种基于卷积神经网络的托攻击检测方法，利用深度学习思想，提出的模型可提取高维非线性特征以实现托攻击检测，弥补了现有检测方法的不足。

为达到上述目的，本发明提供了一种基于卷积神经网络的托攻击检测方法，包括：

对原始数据采用不同的托攻击模型进行攻击，获得攻击后的数据集，包含真实用户及虚假用户评分特征向量；

构建基于卷积神经网络的检测模型并从所述数据集中选择样本进行训练直至检测模型收敛，封装所述检测模型；

采集数据，提取数据的特征参数组成评分特征向量，输入所述检测模型，所述检测模型输出分类结果为虚假用户或真实用户。

进一步地，对原始数据采用不同的托攻击模型进行攻击包括：采用不同的攻击策略，每种攻击策略设置多种不同的攻击比例以及不同的填充比例。

进一步地，所述攻击策略包括随机攻击、平均攻击、流行攻击、段落攻击、AoP攻击以及随机攻击与段落攻击混合、平均攻击与流行攻击混合。