推荐系统中分析基于目标项目的托攻击检测方法对比

为了更好地测试本节提出的SVM-TIA算法的托攻击检测效果，本节选择了基于SVM和粗糙集的托攻击检测算法RSVM［71］、C4.5算法、KNN算法等几个传统的监督学习的托攻击检测算法作对比实验。为了确保实验结果的可信性，每组实验结果都是独立重复50次，并计算评价指标的平均值。在MovieLens 00K数据集中，注入填充规模为3％，攻击规模分别为1％、2％、5％、10％、20％的托攻击概貌。检测随机攻击、均值攻击、流行攻击模型下推攻击和核攻击时检测结果的召回率和准确率，检测结果见表5.3和表5.4。

表5.3　推攻击下填充规模为3％攻击规模不同时各种托攻击检测算法比较

表5.4　核攻击下填充规模为3％攻击规模不同时各种托攻击检测算法比较(www.xing528.com)

从表5.3中可以看出在测试的3种攻击模型中，SVM-TIA的托攻击检测结果的准确率是几种方法中最优的，并且随着攻击规模的增加其检测准确率逐渐提高，当攻击规模大于10％时，SVM-TIA算法的准确率接近100％。

从表5.3和表5.4中可以看出，随着攻击率增加，SVM-TIA算法的召回率逐渐增加。当攻击率较小时，SVM-TIA托攻击检测方法的召回率在四种托攻击检测算法中是较低的，这是由托攻击检测类不均衡问题引起的。在相同条件下，SVM-TIA算法的召回率比SVM托攻击检测算法的召回率高。这说明使用自适应人工合成样本方法Borderline-SMOTE可以帮助缓解类不均衡问题，在一定程度上提高托攻击检测算法的召回率。