Maskelenmiş Veriler için Kümeleme-Tabanlı Şilin Atak Tespit Yöntemi

Abstract

İnternet’in yaygınlaşması ile beraber hem ortak filtreleme hem de mahremiyetin korunması artan ilgi görmektedir. Mahremiyeti koruyarak doğru önerileri hızlı bir şekilde kullanıcıya sunmak üzere mahremiyet-tabanlı ortak filtreleme algoritmaları geliştirilmiştir. Ortak filtreleme algoritmaları gibi mahremiyet-tabanlı ortak filtreleme sistemleri de şilin ataklarına maruz kalabilir. Şilin atakları hedef ürünlerin popülaritesini yükseltmek veya düşürmek amacıyla kullanılan ataklardır. Bu ataklar filtreleme sisteminin veri tabanına birbirine benzeyen belli miktarda sahte kullanıcı profilinin eklenmesi ile gerçekleştirilir. Sahte profillerin tespit edilmesi gerekmektedir. Bu çalışmada maskelenmiş veri içeren mahremiyet-tabanlı ortak filtreleme sistemleri için kümeleme temelli bir şilin atak yöntemi tasarlanmıştır. Önerilen yöntemin başarısı gerçek veri ile yapılan deneylerle ölçülmüştür. Deney sonuçları önerilen metodun başarılı bir şekilde şilin atakları tespit ettiğini göstermiştir.

Collaborative filtering and privacy protection are receiving increasing attention with the widespread use of the Internet. Privacy-preserving collaborative filtering schemes have been proposed to provide accurate recommendations efficiently while preserving privacy. Like collaborative filtering algorithms, privacy-preserving collaborative filtering methods might be subjected to shilling attacks. These attacks are used to increase or decrease the popularity of target items. Shilling attacks are conducted by inserting fake profiles into filtering systems’ databases. It is imperative to detect these fake profiles. In this study, we propose a clustering-based shilling attack detection method for privacy-preserving collaborative filtering schemes holding masked data. We perform real data-based experiments to evaluate the proposed scheme. Our empirical outcomes show that the method is able to successfully detect shilling attacks.