Tez No İndirme Tez Künye Durumu
392208
On the robustness of privacy-preserving collaborative filtering schemes / Gizlilik-tabanlı ortak filtreleme metotlarının gürbüzlüğü üzerine
Yazar:İHSAN GÜNEŞ
Danışman: DOÇ. DR. HÜSEYİN POLAT
Yer Bilgisi: Anadolu Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
Dizin:
Onaylandı
Doktora
İngilizce
2015
122 s.
Gizlilik-tabanlı ortak filtreleme artan ilgi görmektedir. Gizliliği ihlal etmeden doğru öneriler üreten değişik algoritmalar vardır. Ortak filtreleme algoritmalarında olduğu gibi gizlilik-tabanlı ortak filtreleme algoritmaları da şilin ataklarına maruz kalabilir. Bu atakların amacı belli ürünlerin popüleritesini artırmak veya azaltmaktır. Bunlar sistemin genel performansını etkileyebilir. Bu nedenle, bu tür atakların gizliliği koruyarak nasıl tasarlanacağı, gizlilik-tabanlı ortak filtreleme algoritmalarının ne kadar gürbüz oldukları, şilin profillerin nasıl tespit edileceği ve bunların analizlerinin yapılması önemlidir. Bu tezde öncelikle gizlilik endişeleri olduğunda şilin atakların nasıl tasarlanacağı çalışılmıştır. Ayrıca gizliliği koruyan hafıza-tabanlı, model-tabanlı ve hibrit ortak filtreleme algoritmalarının gürbüzlük analizleri yapılmıştır. Şilin atakların maskelenmiş profiller içeren veri tabanlarında nasıl tespit edilebilecekleri araştırılmıştır. Varolan şilin profil tespit etme metotlarına ek olarak, yeni bir şilin atak tespit algoritması önerilmiştir. Genel performansın analizi için gerçek verilerle deneyler yapılmıştır. Bu deney sonuçları gizliliği koruyarak etkili şilin ataklarının tasarlanabileceğini göstermiştir. Ayrıca mevcut şilin profil tespit metotlarının maskelenmiş veri tabanlarında şilin ataklarını etkili şekilde tespit edebildiklerini göstermiştir. Bunlara ek olarak, yeni metodun şilin profilleri başarılı şekilde tespit ettiği gözlenmiştir. Son olarak, hafıza-tabanlı ve hibrit algoritmalara göre model-tabanlı gizliliği koruyan ortak filtreleme algoritmalarının şilin ataklarına karşı daha gürbüz oldukları görülmüştür.
Privacy-preserving collaborative filtering has been receiving increasing attention. There are various algorithms providing accurate recommendations while preserving privacy. Like collaborative filtering algorithms, privacy-preserving collaborative filtering methods might be subjected to shilling attacks. Such attacks are employed by malicious users to increase/decrease the popularity of some target items. They might affect the overall performance of recommendation systems. Therefore, it is imperative to design such attacks with privacy concerns, determine how robust the privacy-preserving collaborative filtering schemes are, how to find out fake profiles, and analyze them. In this dissertation, designing shilling attacks with privacy concerns is studied. Also, robustness analysis of various privacy-preserving collaborative filtering schemes (memory-based, model-based, and hybrid methods) is performed. Determining fake or shilling profiles from perturbed databases is scrutinized. Besides employing the modified existing detection methods, a new shilling attack detection algorithm is proposed. Real data-based experiments are conducted for assessing the overall performance. Empirical outcomes show that designing effective shilling attacks with privacy concerns is possible. Also, existing detection methods can be effectively used to determine fake profiles from masked data. In addition, the novel detection method is successful on filtering out shilling profiles. Compared to memory-based and hybrid schemes, privacy-preserving model-based recommendation algorithms are very robust against shilling attacks.