Maskelenmiş Veriler için Kümeleme-Tabanlı Şilin Atak Tespit Yöntemi

Year 2016, Volume: 28 Issue: 2, 207 - 216, 01.06.2016

Alper Bilge Zeynep Batmaz Hüseyin Polat

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.

Keywords

Şilin Atak, Ortak Filtreleme, Şilin Atak Tespit Etme, Mahremiyet, Doğruluk

Clustering-based Shilling Attack Detection Method for Masked Data

Abstract

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.

Keywords

Shilling Attack, Collaborative Filtering, Shilling Attack Detection, Privacy, Accuracy