本节测试使用本章提出的基于目标项目分析方法SVM-TIA检测托攻击，研究在推攻击和核攻击意图下，训练集中填充规模和攻击规模对SVM分类器性能的影响，在该实验中参数设置如下：
填充规模：填充规模分别为1％、3％、5％、7％；
攻击规模：攻击规模分别从1％～20％不等；
攻击模型：攻击模型采用随机攻击模型、均值攻击模型、段攻击模型以及流行攻击模型。
本实验使用MoveLens 100K数据集，并且为了得到准确的实验结果，在相同的条件下重复50次实验，对实验结果求平均值。实验分别计算了在不同攻击意图（推攻击或者核攻击）下，不同攻击模型在攻击规模和填充规模不同的情况下SVM-TIA算法的效率。实验结果如图5.5和图5.6所示。
图5.5是推攻击下当攻击规模变化时不同攻击模型的检测率，4个子图分别是填充规模为1％、3％、5％、7％情况下不同攻击模型在攻击率变化时的检测率。从图5.5中可以看出，填充规模相同时，检测效率随着攻击规模的增大而提高；攻击规模相同时，检测效率随填充规模的增加而升高。
从图5.5的4个子图可以看出，使用SVM-TIA托攻击检测算法检测不同攻击类型的托攻击时，检测效果随填充规模和攻击规模的增加而变高。这是由于随着攻击规模的增加，数据集类不均衡问题得到一定程度的缓解，并且随着填充规模的增加，各个概貌属性提取用户概貌的信息量增加，有助于托攻击检测算法的分类。
图5.5 推攻击下当攻击规模变化时不同攻击模型的检测率
图5.6是推攻击下当攻击规模变化时不同攻击模型的假正率。4个子图分别是填充规模为1％、3％、5％、7％时不同攻击模型在攻击率变化时的假正率。从图5.6可以看到，当填充规模相同时，假正率随着攻击规模的增大而减小；在相同的攻击规模下，假正率随填充规模的增加而降低；从图5.6（a）和图5.6（b）可以看出，当填充率分别为1％和3％时，检测结果的假正率较高，并且随着攻击率的增加假正率呈减少趋势。当填充规模大于5％，攻击规模大于3％时，假正率基本为0。
从图5.6的4个子图可以看出，使用SVM-TIA托攻击检测算法检测不同攻击类型的托攻击时，随着填充规模和攻击规模的增加，假正率降低。这和图5.5的检测结果趋势相反，说明随着攻击规模和填充规模的增加，SVM-TIA托攻击检测算法对真实概貌和托攻击概貌的分类效果越好。(www.xing528.com)
图5.6 推攻击下当攻击规模变化时不同攻击模型的假正率
图5.7是核攻击下当攻击规模变化时算法对不同攻击模型的检测率，4个子图分别是填充规模为1％、3％、5％、7％时，不同攻击模型在攻击率变化时的检测率。从图5.7可以看出，在填充规模相同时，检测率随着攻击规模的增大而提高；在相同的攻击规模下，检测率随填充规模增加而升高；当填充规模大于5％，攻击规模大于10％时，检测率较高。对比推攻击下的检测结果，两种攻击类型在相同条件下差别不大，检测算法对核攻击意图的假正率稍微低于推攻击意图的假正率。这是因为所使用数据集中评分为最高分或最低分的比例不同，导致检测核攻击相比推攻击时，使用基于目标项目分析方法过滤真实概貌时误判概率较低。
图5.7 核攻击下当攻击规模变化时不同攻击模型的检测率
图5.8是核攻击时，检测结果假正率随攻击规模变化时的情况，即真实概貌被托攻击检测算法误判为托攻击概貌的数量与算法检测到的概貌的数量的比值。4个子图分别是填充规模1％、3％、5％、7％，攻击规模变化时不同攻击模型检测结果的假正率。
从图5.8可以看出，在填充规模相同时，检测结果假正率随着攻击规模的增大而减小；在相同的攻击规模下，假正率随填充规模增加而降低；当填充规模大于5％，攻击规模大于3％时，假正率基本为0。对比推攻击下的检测结果，检测算法对核攻击意图的假正率稍微低于推攻击意图的检测率。
当使用基于监督学习的SVM托攻击检测算法时，如果托攻击概貌较少，SVM不能取得较好的结果，概貌误判率较高。将SVM检测结果利用目标项目分析的方法对误判概貌进行过滤，可以提高检测的准确率。
图5.8 核攻击下当攻击规模变化时不同攻击模型的假正率
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。
