یک رویکرد جدید ردیابی ناهنجاری آیتم در برابر حملات شیلینگ در سیستم های توصیه همکاری با استفاده از تکنیک قطعه بندی فاصله زمانی دینامیک
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 705
فایل این مقاله در 25 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SENACONF02_178
تاریخ نمایه سازی: 30 آبان 1394
چکیده مقاله:
انواع گوناگون کاربردهای وب ، رضایت بیشتر مشتریان و منافع بیشتر را بدست آورده است چون که با موفقیت با توصیه های شخصی سازی ، مجهز شده است . با این حال ،افزایش شایع حمله کننده های شیلینگ از پروفیل های رتبه بندی سودار برای دستکاری توصیه سیتسم استفاده می کند.که نه تنها دقت توصیه و رضایت مشتری را پایین می آورد، بلکه به قابلیت اعتماد پلات فورم های تراکنش و شرکت کنندگان آسیب می زند. بسیاری از مطالعات، روش هایی را در بربر حملات شیلینگ ، به خصوص پروفایل کاربر مبتنی بر ردیابی ، پیشنهاد داده اند . با این حال،این ردیابی از استخراج مشخصه جهانی حمله کنندگان رنج می برد.که مستقیما منجر به عملکرد ضعیف هنگام رویارویی بابهبود انواع حملات شیلینگ می شود.این مقاله،یک تکنیک قطعه بندی فاصله زمانی دینامیک را براساس رویکرد ردیابی ناهنجاری آیتم برای نشان دادن این مشکل ارائه میکند. به ویژه، این مطالعه توسط مشخصه های حمله مشترک از جایگاه پروفایل آیتم بازرسی می شود و می تواند حملات را صرف نظر از نوع خاص حملات ردیابی کند.تکنیک قطعه بندی پیشنهاد شده، می تواند سایز فاصله زمانی را برای گروه به عنوان رتبه بندی حملات پیاپ، تایید کند. بعلاوه، جدا از سنجش های تاثیر پذیری ، توجه کمی به استحکام روش های ردیابی شده است،که شامل اندازه گیری دقت و پایداری نتایج می شود .از این رو ،یک سنجش پایداری را به عنوان یک مکمل برای تخمین استحکام معرفی کردیم . از طریق آزمایشات روی دیتاست MovieLens، عملکرد رویکرد پیشنهادی نشان داده شده است ، و مقدار رویکرد پیشنهادی برای کاربردهای آنلاین ، توجیه شده است .
کلیدواژه ها:
نویسندگان
سید محمد سلیمانی
مدرس (مربی) ،گروه فناوری اطلاعات ، مرکز آموزش علمی کاربردی شهرداری بیارجمند
حسن خاکپورچناری
دانشجو ،گروه فناوری اطلاعات ، مرکز آموزش علمی کاربردی شهرداری بیارجمند
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :