افزایش دقت تشخیص حملات تزریق پروفایل در سیستم های پیشنهاد دهنده مشارکتی با استفاده از سیستمایمنی مصنوعی
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 428
This Paper With 5 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
KBEI03_133
تاریخ نمایه سازی: 11 مرداد 1396
Abstract:
سیستمهای پیشنهاددهندهی مبتنی بر فیلترسازی مشارکتی از جمله رایج ترین سیستم های پیشنهاد دهنده مورد استفاده در وبسایت های تجاری میباشند. امکان دسترسی آزادانهی کاربران به این سیستم ها، آنها را مستعد حملات تزریق پروفایل نموده است. در اینگونه حملات تعدادی پروفایل جعلی با هدف افزایش یا کاهش امتیازات داده شدهبه آیتم های مورد نظر به سیستم تزریق میگردند. تاکنون روش هایی به منظور کشف این حملات ارایه شدهاند که مبتنی بر الگوریتمهای ماشین بردار پشتیبان، محاسبات آماری، شبکهی عصبی و ... میباشند. اما این روشها از مشکلاتی همچون پایین بودن دقت تشخیص رنج می برند. از جمله روش هایی که میتوانند در جهت کشف حملات تزریق پروفایل به کار گرفته شوند، الگوریتمهای مبتنی بر سیستم ایمنی مصنوعی هستند. الگوریتم پیشنهادی در این مقاله دارای دو بخش اصلی است: الگوریتم AIRS به منظور دسته بندی در تشخیص حملات تزریق پروفایل و الگوریتم opt-aiNet برای بهینه سازی پارامترهای الگوریتم AIRS برای انجام آزمایشهای ارزیابی مجموعه داده ی MovieLens-1M مورد استفاده قرار گرفته است. الگوریتم پیشنهادی در مقایسه با کارهای پایه در نظر گرفته شده دارای دقت بیشتری میباشد. این روش به طور میانگین از دقت 94.9% در بهترین حالت از دقت 98% برخوردار می باشد.
Keywords:
حملهی تزریق پروفایل , سیستم ایمنی مصنوعی , سیستمپیشنهاد دهنده , سیستم تشخیص ایمنی مصنوعی , فیلترسازی مشارکتی , کشف حمله
Authors
فرزانه محمدی
دانشکده فنی و مهندسی ، دانشگاه شیخ بهایی استان اصفهاناصفهان، ایران
مهدی باطنی
دانشکده فنی و مهندسی ، دانشگاه شیخ بهایی استان اصفهاناصفهان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :