在本小节中使用的数据集是MovieLens 100K数据集，MovieLens 1M数据集，NetFlix数据集（子集）和Eachmovie数据集，测试DeR-TIA算法在不同数据集下的检测效率，检测算法的子适应性。实验测试了段攻击模型中选择项目个数变化时DeR-TIA算法的检测结果，并分析不同数据集下对托攻击的检测结果，然后和文献［90］中的算法比较，最后为了测试DeR-TIA算法检测混合攻击的性能，设计了实验使用DeR-TIA算法检测混合攻击模型，并给出了实验结果。
图4.8 填充规模变化时不同数据集下托攻击检测准确率和假正率
（1）不同数据集下DeR-TIA算法的性能
图4.8是使用DeR-TIA托攻击检测算法在不同数据集下的检测率和误判率。图4.8（a）是当攻击规模为5％，填充规模变化时的托攻击检测率，图4.8（b）是相同攻击规模与填充规模下的误判率。从图4.8（a）可以看出，在填充规模为0到3％时，托攻击检测率随填充规模的增加也提高；当填充规模大于3％时，DeR-TIA托攻击检测算法的检测率接近100％。另外，在填充规模为0到3％时，DeR-TIA托攻击检测算法的误判率不断下降；当填充规模大于3％时，DeR-TIA托攻击检测算法的误判率小于0.5％。
（2）DeR-TIA算法和其他算法比较
在第二组实验中，本书使用MovieLens 100K数据集进行结果展示，用DeR-TIA算法与一种无监督的βρ-based方法比较。比较算法中段攻击概貌的被选择项目IS=0，填充规模为5％，攻击规模分别为1％、3％、5％、7％、9％时的检测率与误判率。从图4.9可以看出，当填充规模大于2％时，DeR-TIA算法的检测效率要高于βρ-based方法；βρ-based方法的误判率在10％左右徘徊，而DeR-TIA算法的误判率不超过1％。总体来说，DeR-TIA算法的检测率和误判率要优于βρ-based方法。
图4.9 两种托攻击检测算法检测率和误判率比较
（3）当段攻击概貌中被选择项目个数变化时DeR-TIA算法的性能(www.xing528.com)
第三组实验比较了两种算法在填充规模为5％，攻击规模分别为1％、3％、5％、7％、9％时，段攻击概貌中被选择项目个数变化时的检测效率。从图4.10可以发现DeR-TIA算法的检测率和误判率要优于βρ-based方法。
图4.10 托攻击概貌中被选择项目个数变化时两种算法比较
（4）混合攻击模型下DeR-TIA算法的性能
为了检验DeR-TIA算法检测混合攻击模型的性能，本书设计了两种混合攻击类型，分别是随机＆流行混合攻击模型和均值＆流行攻击模型，并且按照1∶1的比例生成托攻击概貌，与单类攻击模型作了对比。下面的实验主要用于测试在当攻击率为10％，填充率发生变化时，使用DeR-TIA算法检测各种攻击模型的性能。从图4.11（a）可以看出，当填充率小于10％时，算法的灵敏度随填充率的增加而增加；当填充率大于10％时，算法的灵敏度接近100％。从图4.11（b）可以看出，检测结果的AUC指标和灵敏度指标趋势基本一致，当填充率小于10％时，算法的AUC值随填充率的增加而升高；当填充率大于10％时，算法的灵敏度接近1。图4.12是检测指标区分度随填充率变化时的结果。从图4.12可以看出，区分度值一直保持100％附近，这说明使用DeR-TIA算法检测混合攻击模型的检测率较高。
图4.11 不同攻击模型下的灵敏度和AUC
图4.12 不同攻击模型下的区分度
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
