于金霞,李佳昕,李星宇,湯永利

(1. 河南理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,河南 焦作 454003;2. 河南理工大學(xué) 軟件學(xué)院,河南 焦作 454003)

0 引 言

推薦系統(tǒng)可以方便地幫助人們作出決策,其中協(xié)同過濾算法因其良好的推薦性能被廣泛地應(yīng)用于眾多電子商務(wù)的平臺中,如GroupLens[1],NetFlix[2],Youtube[3]等。近年來,網(wǎng)絡(luò)中存在許多惡意攻擊者采用托攻擊手段干擾協(xié)同過濾算法推薦結(jié)果的情況。為提高推薦系統(tǒng)的安全性和推薦結(jié)果的可靠性,研究人員提出了各種用于識別托攻擊的檢測方案。這些方案大致可分為無監(jiān)督類型的檢測方案和有監(jiān)督類型的檢測方案。

基于無監(jiān)督類型的檢測方案通常采用無標(biāo)簽的樣本數(shù)據(jù)訓(xùn)練聚類模型,以此來實現(xiàn)對評分矩陣中的虛假用戶的檢測需求。Mehta等[4]提出了PCA-VarSelect方法,通過降維方法將真實用戶和虛假用戶區(qū)分開來;Putri等[5]使用了多種聚類算法,并提出了優(yōu)化K的方法,使每個聚類的方差無顯著增加,提高了檢測效果;針對群攻擊的托攻擊檢測精度低的問題,Cai等[6]提出了一種基于群體成員行為特征的三段檢測方法。由于此類檢測方案所使用的樣本數(shù)據(jù)未進(jìn)行標(biāo)簽標(biāo)定,樣本數(shù)據(jù)在區(qū)分類別時會產(chǎn)生較大的歧義性。同時,多數(shù)無監(jiān)督檢測方法需要一定的先驗知識[7],這在實際應(yīng)用中通常是難以實現(xiàn)的,這些問題的存在都會影響模型整體的檢測效果。針對樣本分類歧義性問題,在基于有監(jiān)督的檢測方案中得到了較為良好的改觀。該類檢測方案使用事先標(biāo)定好標(biāo)簽的樣本數(shù)據(jù)訓(xùn)練檢測模型,在一定程度上提高了模型的檢測性能。伊華偉等[8]在第一階段使用聚類算法對用戶概貌進(jìn)行聚類,并在第二階段利用支持向量機分類器對第一階段的聚類結(jié)果進(jìn)行分類,用于檢測攻擊概貌;Hao等[9]提出通過融合超圖譜特征的檢測模型,構(gòu)建2種顯示特征訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)用于區(qū)分虛假用戶;伍之昂等[10]提出了一種特征選擇算法,利用熵值對特征指標(biāo)進(jìn)行排序,能夠在面對不同攻擊算法時分別選擇相應(yīng)特征進(jìn)行檢測;Karthikeyan等[11]利用由17個特征指標(biāo)組成的特征集,通過SVM分類器對用戶進(jìn)行托攻擊檢測。

上述所提出的基于無監(jiān)督和有監(jiān)督的檢測方案在一定程度上完成了對托攻擊手段的識別需求。但是,在面對由基于局部概貌信息的攻擊和基于整體概貌信息的攻擊這2種攻擊類型所組成的復(fù)雜攻擊場景時,該類方法的檢測靈活性和穩(wěn)定性未能得到良好的解決。其主要體現(xiàn)在以下2個方面:①靈活性差。每當(dāng)新用戶加入評分矩陣時,檢測模型需對評分矩陣整體樣本數(shù)據(jù)進(jìn)行計算;②穩(wěn)定性低。訓(xùn)練上述檢測模型時所使用的特征均需要研究人員基于其對托攻擊的先驗知識生成,當(dāng)評分矩陣中的虛假用戶由多種類型或者新類型的托攻擊手段生成時,檢測模型的性能將會受到較為嚴(yán)重的影響。針對上述問題,提出了一種基于多尺度特征融合的托攻擊檢測方法。

1 基于多尺度特征融合技術(shù)的托攻擊檢測方法

惡意攻擊者通過對系統(tǒng)注入虛假用戶來干擾推薦系統(tǒng)的行為稱為托攻擊,其中,虛假用戶的評分信息被稱為攻擊概貌,由目標(biāo)項、選擇項、填充項和空白項4部分體現(xiàn)。依據(jù)對上述4項不同的賦值方式,托攻擊可分為基于局部概貌信息的攻擊和基于整體概貌信息的攻擊,托攻擊種類如圖1所示。

圖1 托攻擊種類Fig.1 Shilling attack type

基于局部概貌信息的托攻擊生成的虛假用戶,其攻擊概貌中的選擇項與填充項的評分值以正常用戶的評分為基礎(chǔ),根據(jù)不同攻擊方式所對應(yīng)的計算過程生成;基于整體概貌信息的托攻擊生成的虛假用戶,其攻擊概貌中的評分項除目標(biāo)項外,選擇項、填充項與空白項的評分值與正常用戶的評分值完全相同。

1.1 檢測方法框架構(gòu)成

基于局部概貌信息的托攻擊行為生成的虛假用戶同正常用戶在多處局部項目的評分值中就能夠展現(xiàn)出較為顯著的差異性;而基于整體概貌信息的托攻擊行為生成的虛假用戶同正常用戶在局部評分值中存在一致性,二者之間的差異需要通過分析整體評分方能發(fā)現(xiàn)。針對現(xiàn)有的托攻擊檢測方法在面對以上2種攻擊行為時所暴露出來的靈活性差、穩(wěn)定性低的問題,提出了基于多尺度特征融合的托攻擊檢測方法(shilling attack detection method based on multi-scale feature fusion,SAD-MFF)。該方法主要由構(gòu)建用戶評分信息圖、模型訓(xùn)練及未知目標(biāo)預(yù)測3個階段組成,如圖2所示。

圖2 檢測方法框架Fig.2 Detection method framework

1)構(gòu)建用戶評分信息圖。該階段使用矩陣正整化、二進(jìn)制矩陣化和圖像可視化3種技術(shù),為單個用戶構(gòu)建評分信息圖。各個用戶的評分信息圖之間相互獨立,互不干擾。在面對不斷增加的新用戶時,過往的人工特征提取不僅需要從全體用戶的角度出發(fā),還會影響老用戶已生成的特征值;而SAD-MFF方法只針對該新用戶構(gòu)建評分信息圖,從生成特征圖到檢測完成,不影響其他用戶,極大地提升了檢測模型的靈活性,有效解決了現(xiàn)有檢測方法中存在的靈活性差問題。

2)模型訓(xùn)練。該階段所訓(xùn)練的模型為多尺度特征融合神經(jīng)網(wǎng)絡(luò)模型,模型由特征圖層提取、特征圖層融合和分類預(yù)測3個模塊組成。其中,特征圖層提取模塊從評分信息圖中抽取出5種不同尺度的特征圖層。不同尺度的有效特征圖如圖3所示,25×25和12×12這2種大尺度特征圖層中包含像素點較為豐富,可代表用戶的局部評分信息;6×6、3×3和1×1這3種小尺度特征圖層包含像素點較為稀疏,可概括出用戶的整體評分信息。特征圖層融合模塊用于整合不同特征圖層中所包含的信息,并在分類預(yù)測模塊對用戶評分信息圖所屬類別進(jìn)行最終判定。模型提取到的不同尺度的特征不依賴研究人員的先驗知識,去除了人為因素的干擾,可分別有效地表示出基于局部概貌信息的攻擊行為和基于整體概貌信息的攻擊行為,進(jìn)而在面對同時包含2種攻擊類型的復(fù)雜場景時,模型可穩(wěn)定地區(qū)分出正常用戶與虛假用戶。

圖3 不同尺度的有效特征圖Fig.3 Effective feature maps at different scales

3)未知目標(biāo)預(yù)測。該階段使用數(shù)據(jù)集中20%的未參加模型訓(xùn)練的樣本作為測試集來評價模型的檢測性能,實驗過程與結(jié)果詳見第2節(jié)。

1.2 構(gòu)建用戶評分信息圖

用戶評分信息圖的構(gòu)建過程如圖4所示,主要使用矩陣正整化、二進(jìn)制矩陣化和圖像可視化3種技術(shù)。

圖4 用戶評分信息圖的構(gòu)建Fig.4 Construction of user rating infographic

1)矩陣正整化。矩陣正整化模塊的目的是將原始評分矩陣中的評分值均轉(zhuǎn)化為非負(fù)整數(shù)。圖4中,R為原始評分矩陣,R′為原始評分矩陣R處理后得到的正整化矩陣。矩陣R的處理過程為

(1)

2)二進(jìn)制矩陣化。以用戶為單位,對正整化評分矩陣R′以用戶為單位進(jìn)行劃分,得到相應(yīng)一維數(shù)組。將數(shù)組中的每個元素轉(zhuǎn)化為一個6位的二進(jìn)制序列,如30可以轉(zhuǎn)化為“011110”,0轉(zhuǎn)化為“000000”。將所有二進(jìn)制序列整合為6×m的二進(jìn)制矩陣T。例如,一維數(shù)組[30,25,0,…,50]可以轉(zhuǎn)化為二進(jìn)制矩陣T,其轉(zhuǎn)置矩陣為

(2)

3)圖像可視化。圖4中,對每個二進(jìn)制矩陣進(jìn)行可視化處理,將矩陣中數(shù)值為0所對應(yīng)的像素點表示為黑色,數(shù)值為1對應(yīng)的像素點表示為白色。圖5為實際生成的4個用戶評分信息圖,正常用戶的評分項目存在部分密集的情況,而虛假用戶的評分項目分布比較均勻且分散。

圖5 用戶評分信息圖Fig.5 User rating infographic

1.3 多尺度特征融合神經(jīng)網(wǎng)絡(luò)

多尺度特征融合神經(jīng)網(wǎng)絡(luò)檢測模型一共使用7個卷積層對用戶評分信息圖進(jìn)行特征圖層提取,多尺度特征融合神經(jīng)網(wǎng)絡(luò)檢測模型如圖6所示。

圖6 多尺度特征融合神經(jīng)網(wǎng)絡(luò)檢測模型Fig.6 Multi-scale feature fusion neural network detection model

選用后5個有效卷積層的輸出作為有效特征圖。對于大尺圖的特征圖層,每個像素點代表的是用戶的局部評分信息;對于小尺度的特征層,每個特征圖層的像素點代表的是用戶整體的評分信息;多尺度特征的融合將用戶的局部評分信息與用戶的整體評分信息融合,使提取到的特征更加全面。模型的具體細(xì)節(jié)描述如下。

1)特征圖層提取模塊。將用戶信息圖作為模型的輸入,通過7個卷積層對用戶信息圖進(jìn)行特征提取,每個卷積層只進(jìn)行一次卷積,卷積層之間被一個池化層隔開。每個卷積層輸出對應(yīng)的特征圖層,圖6中,選取Conv3、Conv4、Conv5、Conv6、Conv7為有效卷積層,有效卷積層輸出的特征圖層被稱為有效特征圖層。將這5個有效特征圖層分別與1個卷積核做卷積得到一張有效特征圖。每個有效特征圖的計算式為

(3)

2)特征圖層融合模塊。通過Flatten函數(shù)將5個有效特征圖分別拉成對應(yīng)的一維向量Xi,這些向量具體表示為

(4)

2 實驗過程及結(jié)果分析

2.1 數(shù)據(jù)集與實驗環(huán)境

實驗采用的是MovieLens-100k公開數(shù)據(jù)集,該數(shù)據(jù)集包含了943個不同用戶對1 682部不同電影的評分,其評分分布在[0,5]上。數(shù)據(jù)集的評分?jǐn)?shù)值由高到低表示用戶對不同項目的喜愛程度,沒有評分的電影表示該用戶未看過此電影。原則上,數(shù)據(jù)集MovieLens-100k中不包含虛假用戶,實驗使用文獻(xiàn)[12]提出的無組織惡意攻擊方式生成虛假用戶對數(shù)據(jù)集進(jìn)行攻擊注入。與傳統(tǒng)的攻擊模式不同,無組織惡意攻擊的選擇項和填充項的個數(shù)以及各個評分的函數(shù)都不被限定為同一種。該攻擊方法假設(shè)存在多個攻擊者,每個攻擊者分別采用基于局部概貌信息的攻擊和基于整體概貌信息的攻擊偽造虛假用戶評分信息影響推薦系統(tǒng)。

為了進(jìn)一步說明SAD-MFF方法的有效性,將SAD-MFF與UD-HMM方法[13]、CoDetector方法[14]、FAP方法[15]分別在不同填充率和不同攻擊規(guī)模上進(jìn)行對比。本文分別設(shè)置攻擊規(guī)模為30%時的不同填充率和填充率為5%時的不同攻擊規(guī)模這2組實驗。在訓(xùn)練檢測模型時,實驗從數(shù)據(jù)集中隨機選擇80%的數(shù)據(jù)樣本作為訓(xùn)練集,20%的數(shù)據(jù)樣本作為測試集,其中,正常用戶和虛假用戶的比例在不同攻擊規(guī)模下有所不同。重復(fù)100次實驗,取實驗的檢測準(zhǔn)確率、檢測精確度、檢測召回率、F1-score這4個性能指標(biāo)的均值用于比較。

在硬件方面,計算機配置為Intel(R) Core(TM) i5-10210U,主頻為1.60 GHz,內(nèi)存為16.0 GByte,GPU的型號為 GeForce MX350,軟件環(huán)境基于64位的Windows 10操作系統(tǒng),采用Python語言。

2.2 不同項目填充率下的實驗結(jié)果與分析

圖7—圖10分別展示的是SAD-MFF與3種對比方法在攻擊規(guī)模為30%時,不同項目填充率下的檢測準(zhǔn)確率、精確率、召回率和F1-score變化趨勢。

圖7 檢測準(zhǔn)確率對比Fig.7 Comparison of detection accuracy

1)準(zhǔn)確率對比。圖7中,FAP方法對無組織惡意攻擊下的托攻擊檢測準(zhǔn)確率低,難以有效檢測區(qū)分虛假用戶和正常用戶,與該方法相比,SAD-MFF的檢測準(zhǔn)確率在任意項目填充率下都具有較高的準(zhǔn)確率;CoDetector和UD-HMM這2種方法的檢測準(zhǔn)確率隨項目填充率的增加而上升,與這2種方法相比,SAD-MFF受攻擊規(guī)模和項目填充率的影響較小,一直保持較高檢測準(zhǔn)確率。

2)精確率對比。圖8中,隨著項目填充率的增加,FAP對正常用戶的檢測精確率有下降趨勢,對虛假用戶的檢測精確率有所波動,但沒有明顯的上升或下降趨勢;CoDetector方法的檢測精確率不斷上升,與項目填充率呈正相關(guān)關(guān)系;UD-HMM方法的檢測精確率總體呈上升趨勢,其中,填充率為7%時,對正常用戶的檢測精確率稍微有所下降;與以上3種方法相比,SAD-MFF方法在項目填充率改變的情況下比較穩(wěn)定,能夠保持高檢測精確率。

圖8 檢測精確率對比Fig.8 Comparison of detection precision

3)召回率對比。圖9中,隨著項目填充率的上升,FAP方法的檢測召回率有輕微下降的趨勢,但是比較穩(wěn)定;CoDetector方法和UD-HMM方法的檢測召回率有明顯上升。與以上3種實驗相比,SAD-MFF的檢測召回率在穩(wěn)定性上與FAP保持一致,有較高穩(wěn)定性,在檢測召回率數(shù)值上顯著高于對比實驗。

圖9 檢測召回率對比Fig.9 Comparison of detection recall

4)F1-score對比。圖10中,隨項目填充率的不斷增大,FAP方法對正常用戶的檢測F1-score比較穩(wěn)定,對正常用戶的檢測F1-score有下降趨勢但不明顯,對虛假用戶的F1-score先下降后上升;CoDetector方法與UD-HMM方法的F1-score有所增加,受項目填充率的影響較大;SAD-MFF的F1-score一直保持較高水平,有上升的趨勢但不明顯,受項目填充率的影響較小,較穩(wěn)定。

圖10 F1-score對比Fig.10 Comparison of F1-score

2.3 不同攻擊規(guī)模下的實驗結(jié)果與分析

表1為SAD-MFF與3種對比方法在項目填充率為5%時,不同攻擊規(guī)模下的檢測準(zhǔn)確率、精確率、召回率和F1-score,表1中括號內(nèi)的數(shù)值表示3個對比實驗在4個評價指標(biāo)中與SAD-MFF的差距。

表1 5%填充率下不同攻擊規(guī)模的實驗結(jié)果Tab.1 Experimental results of different attack scales at 5% fill rate %

1)準(zhǔn)確率對比。在攻擊規(guī)模為10%、30%和50%時,SAD-MFF的檢測準(zhǔn)確率分別為98.45%、99.18%和99.35%,均遠(yuǎn)高于UD-HMM方法[13]、CoDetector方法[14]、FAP方法[15]。3種對比方法的檢測準(zhǔn)確率,在攻擊規(guī)模為10%,同本文方法差距最大,在攻擊規(guī)模為50%時,差距最小。

2)精確率對比。在3種攻擊規(guī)模下,對于正常用戶而言,SAD-MFF方法的檢測精確率不低于99%,隨著攻擊規(guī)模的增加,FAP方法與SAD-MFF方法之間的檢測精確率差距越來越大,CoDetector方法和UD-HMM方法與SAD-MFF之間的檢測精確率差距越來越小。對于虛假用戶而言,SAD-MFF方法的檢測精確率不低于90%,隨著攻擊規(guī)模的增加,FAP方法的檢測精確率與之差距不斷減少,CoDetector方法和UD-HMM方法的檢測精確率與之差距不斷增加。

3)召回率對比。不同攻擊規(guī)模下,SAD-MFF的檢測召回率始終保持在98%以上,檢測值隨攻擊規(guī)模的增加而上升。3種對比方法與SAD-MFF方法對正常用戶的檢測召回率差距與攻擊規(guī)模呈負(fù)相關(guān)關(guān)系,對虛假用戶的檢測召回率差距呈正相關(guān)關(guān)系。

4)F1-score對比。3種攻擊規(guī)模下,SAD-MFF方法對正常用戶的F1-score穩(wěn)定在99.4%,其中FAP方法始終與SAD-MFF保持32%左右的差距,CoDetector方法和UD-HMM方法與SAD-MFF方法之間的差距隨攻擊規(guī)模的增加不斷減少;隨著攻擊規(guī)模的增加,SAD-MFF方法對虛假用戶的F1-score從94.2%上升至99%,FAP方法的F1-score與之差距隨之減少,CoDetector方法與UD-HMM方法的F1-score與之差距增加。

在不同攻擊規(guī)模和不同填充率下的托攻擊檢測中,本文提出的SAD-MFF均可以保持較高的檢測性能,而FAP、CoDetector和UD-HMM這3種檢測方法在面對填充率和攻擊規(guī)模多變的復(fù)雜應(yīng)用場景時,其檢測性能均出現(xiàn)了明顯的波動。從上述的實驗結(jié)果可以看出,本文所提方法具有良好的檢測穩(wěn)定性。3種對比方案所提出的托攻擊檢測方法建立在單一攻擊種類的先驗知識之上,具有主觀性。而實驗中采用的無組織惡意攻擊的虛假用戶構(gòu)造方法采用的評分策略是多樣的、新穎的,3種對比實驗在面對該攻擊時不具備檢測該攻擊模式的先驗知識,效果較差。SAD-MFF方法在檢測該攻擊生成的虛假用戶時,利用卷積神經(jīng)網(wǎng)絡(luò)模型提取到用戶評分信息的整體特征與局部特征,模型訓(xùn)練與檢測中自動提取到的特征具有客觀性,能夠使SAD-MFF方法在面對未知的新型攻擊或者多重攻擊時,展現(xiàn)出與其他方法相比更高的性能與穩(wěn)定性。

3 總結(jié)與展望

針對現(xiàn)有托攻擊檢測在識別類型多變的托攻擊手段時存在的靈活性差、穩(wěn)定性弱的問題,提出一種基于多尺度特征融合的托攻擊檢測方法。該方法使用灰度可視化技術(shù)將用戶評分信息以用戶為單位轉(zhuǎn)化為圖片,提高托攻擊檢測的靈活性。然后使用多尺度特征融合神經(jīng)網(wǎng)絡(luò)檢測模型,提取每個用戶信息圖的局部特征和整體特征,使該方法在面對由多種攻擊或新型攻擊手段生成的虛假用戶時,能夠檢測出虛假用戶,提升了檢測的穩(wěn)定性。實驗分別在5種不同項目填充率和3種攻擊規(guī)模下開展了2組系統(tǒng)實驗并進(jìn)行全面分析,結(jié)果顯示,SAD-MFF的準(zhǔn)確率和精確率均達(dá)到90%以上,其中,在攻擊規(guī)模為50%、填充率為10%的情況下,本方法的效果最好,準(zhǔn)確率高達(dá)99.7%。

所提方案能靈活應(yīng)對新用戶增加的情況,擁有穩(wěn)定的檢測性能,但是難以應(yīng)對項目新增造成的用戶評分信息圖尺寸變化的情況。尺寸改變對SAD-MFF模型的準(zhǔn)確性及有效性影響有待深入研究,可以采用圖片標(biāo)準(zhǔn)化的方法在一定程度上得到改觀。