추천 시스템에서 시링 공격에 대한 비지도 오염된 사용자 프로필 식별

추천 시스템은 정교하게 제작된 프로필의 주입을 통해 조작에 취약합니다. 최근의 일부 프로필 식별 방법은 특정 공격 시나리오에서만 잘 작동합니다. 일반적인 공격 탐지 방법은 일반적으로 복잡하거나 레이블 샘플이 필요합니다. 이러한 방법은 과도하게 훈련될 위험이 있으며, 주석 작업은 높은 비용을 초래합니다. 본 연구에서는 각 종류의 시링 공격에 대해 특별히 설계된 모델을 활용하여 공격 프로필을 식별하는 비지도 분할 정복 방법을 제안합니다. 처음에, 우리의 방법은 프로필 집합을 표준 공격과 혼란 행동 공격이라는 두 가지 공격 유형으로 분류합니다. 이후, 프로필은 식별된 공격 유형에 따라 추출된 특징 공간 내에서 클러스터로 분리됩니다. 공격 프로필의 선택은 의심되는 클러스터 내의 대상 항목 분석을 통해 결정됩니다. 특히 우리의 방법은 사전 지식이나 주석을 요구하지 않는 장점을 제공합니다. 또한 식별 방법이 특정 공격 유형에 맞게 설계됨에 따라 정밀도가 높아지며, 덜 복잡한 모델을 사용합니다. 다양한 공격 설정에서 MovieLens-100K와 Netflix에 대한 실험 결과로 검증된 우리의 모델은 현재 탐지 방법에 비해 표준 및 혼란 행동 공격 식별에서 우수한 정확도와 감소된 실행 시간을 보여줍니다.