این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

در این مقاله برای جلوگیری از حملات شیلینگ در سیستم های توصیه گر آنلاین چندین متریک را برای آنالیز درجه‌بندی الگوها‌ی کاربران مخرب و ارزیابی پتانسیل آنها پیشنهاد می‌دهیم.

مقدمه

سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی نقش افزاینده‌ای را در فیلتر کردن اطلاعات در یک سیستم اطلاعاتی عظیم و پربار دارند. آنهاد نه تنها به کاربران برای پیدا کردن آیتم‌های مرتبط کمک می‌کنند، بلکه برای کمپانی‌هایی که آیتم‌هایی را با افزایش نرخ فروش و فروشهای متقابل ایجاد می‌کنند نیز سودمند است.

اخیرا سیستم‌های توصیه‌گر تجاری در تجارت الکترونیک [۵]، فیلم، و توصیه‌گرهای موزیک[۱۴] و … استفاده شده است. هم‌چنین برخی تحقیقات  به آنها گرایش دارد (برای مثال PocketLens [6]، و یا ClickStream CF را مشاهده کنید [۳]) و یا حتی گرایش‌های دولتی نیز دارد (مانند سرویس ناسا برای توصیه‌ی گزارش‌های تکنیکی مرتبط [۷]). در چنین فیلترینگ‌های مشارکتی که مبتنی بر سیستم‌های توصیه‌گر است، با رتبه‌بندی آیتم‌های مشخصی پروفایل‌هایی را می‌سازند، و برای همدیگر توصیه‌های شخصی‌سازی شده‌ای را بدست می‌آورند، که مبتنی بر ارتباط بین رتبه‌بندی آنها و دیگر کاربران است.

الگوریتم های فیلترینگ مشارکتی

مهم‌ترین انواع الگوریتم ها برای فیلترینگ مشارکتی (CF) آنهایی هستند که مبتنی بر کاربر و آیتم هستند:

  1. الگوریتم‌های مبتنی بر کاربر برای هر کاربر یک همسایگی کاربری ساخته است که همراه با ایده‌های شبیه در سیستم است. سپس رتبه بندی‌ها از این کاربران به منظور ایجاد توصیه‌ها برای کاربران مورد هدف به کار گرفته می‌شود.
  2. الگوریتم‌های مبتنی بر آیتم یکسری از آیتم‌های شبیه را برای یک آیتم محاسبه می‌کند و این شباهت‌ها برای محاسبه‌ی توصیه‌ها استفاده می‌کند

متاسفانه از آنجایی که رتبه‌بندی ممناسب باعث فروش خوب می‌شود، این سیستم‌ها متمایل به مدیریت تولیدکنندگان و یا کاربران مخرب هستند. نمونه‌های مدیریت در [۴] بیان شده است و شامل حملاتی از سیستم‌های معریف مانند Amazon و eBay است. تحقیقات اخیر نشان داده است که بیشتر الگوریتم‌های معروف در برنامه‌های CF اخیر مورد استفاده قرار گرفته است که مدیریتش راحت‌تر است. به ویژه این می‌تواند توسط ایجاد کاربران تقلبی که مجموعه‌ای از آیتم‌های مورد نظر را رتبه‌بندی کرده‌اند و سپس دیگر آیتم‌ها را ، بدست آید، و روشش نیز این است که آنها شبیه‌ به پروفایل‌های کاربران قانونی می‌شوند. نتیجه‌ی ایده‌آل بعنوان حملات شیلینگ شناخته شده است و شامل افزایش یا کاهش رتبه‌بندی ایتم‌های مورد هدف است.

حملاتی که روی سیسم‌های توصیه‌گر است می‌توانند روی کیفیت تخمین برای بسیاری از کاربران تاثیر گذارد، و منجر به کاهش رضایت کلی کاربر از سیستم می‌شود.  هزینه‌ی چنین حملاتی زمان و پول کاربر است و باعث چالش‌های جدی برای مدیران سیستم‌های توصیه‌گر می‌شود، که این مدیران باید مهاجمان شیلینگ را به صورت دستی شناسایی کنند. این آسیب‌پذیری سیستم‌های توصیه‌گر تشدید نیز می‌شود و این در زمانی است که آن به سیستم‌های شخصی‌سازی شده که در آن یک مهاجم می‌تواند پروفایل تقلبی را معرفی کند بسط یافته است که ایجاد پروفایل تقلبی برای افزایش علاقه‌ی عمومی برای یک مجموعه از منابع مورد هدف است.

براساس مشاهدات بالا که در آن مهاجمان شیلینگ از پروفایل‌های ترکیبی استفاده می‌کنند، در این مقاله ما استفاده از متریک‌های آماری برای آشکار ساختن الگوهای مهاجمان شیلینگ را بررسی می‌کنیم. ما با زمایشاتی این متریک‌ها را برای حملات دانایی صفر ارزیابی می کنیم و الگوریتمی را پیشنهاد می‌دهیم که از آنها برای کشف و جدا کردن مهاجمان شیلینگ استفاده می‌کند. این اولین الگوریتمی است که به طور موثری حملات عمومی را روی سیستم‌های توصیه‌گر کشف می‌کند[۴].

شاید این مقاله هم به دردتان بخورد  تشخیص حمله شیلینگ از طریق تحلیل الگوهای انتخاب

ساختار مقاله

در ادامه‌ی این مقاله ما در رابطه با موضوعات زیر بحث می‌کنیم: در بخش ۲ الگوریتم‌های CF معروف را معرفی می‌کنیم و کارهای موجودی که برای حفاظت از سیستم‌های توصیه‌گر در برابر حملات است را معرفی می‌کنیم. در بخش ۳ چندین متریک آماری را تعریف می‌کنیم که می‌تواند به منظور شناسایی الگوهای درجه‌بندی مهاجمان شیلینگ بکار گرفته شود و سپس ما هر کدام از آنها را به صورت تجربی آنالیز می‌کنیم که این در بخش ۴ است. در بخش ۵ ما الگوریتمی را پیشنهاد می‌دهیم که مهاجمان شیلینگ را توسط  استفاده از این متزیک‌ها پیدا می‌کند. در نهایت ما نشان می‌دهیم که چگونه آن می‌تواند به یک سیستم توصیه‌گر مبتنی بر وب بسط یابد که این در بخش ۶ بیان شده است و خلاصه و نتیجه‌گیری نیز در بخش ۷ است.

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

درباره احسان رضایی

سفارش ترجمه آنلاین خدمات ترجمه مقاله isi به صورت فوری کاهش هزینه و زمان در سفارش ترجمه آنلاین

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *