مزرعه ارتباط، روشی موثر برای حمله به الگوریتم Pagerank در سیستم‌های توصیه‌گر مبتنی برگراف آیتم‌ها

امروزه سیستم‌های توصیه‌گر به جزء جداناپذیری از وب‌سایت‌های تجارت الکترونیک تبدیل‌شده‌اند. بااین‌حال، عمومی و قابل‌دسترس بودن این سیستم‌ها موجب آسیب‌پذیری آن‌ها در مقابل حمله کاربرهای سودجو گشته است. مطالعات بسیاری آسیب‌پذیری الگوریتم‌های مختلف توصیه‌گر را در مقابل حمله‌هایی که با ایجاد پروفایل‌های جعلی صورت می‌گیرند، مورد بررسی قرار داده اند، که تمرکز بسیاری از آن‌ها بر روش‌های قدیمی از جمله الگوریتم‌های پالایش گروهی بوده است. گروهی از الگوریتم‌های توصیه‌گر که مورد توجه سرویس های مختلف اینترنتی قرار گرفته‌اند، برای ارائه پیشنهاد به کاربر از روش‌های مختلف تحلیل گراف از جمله قدم‌زنی تصادفی بهره می‌برند. مطالعات محدودی در زمینه بررسی آسیب‌پذیری الگوریتم‌های توصیه‌گر مبتنی بر گراف صورت گرفته که بر انواع خاصی از این روش‌ها تمرکز دارند. از این رو در این مقاله، آسیب‌پذیری گروهی از الگوریتم‌های مبتنی بر گراف که از ایده الگوریتم رتبه‌بندی pagerank در وب برای امتیاز‌بندی آیتم‌ها و تولید پیشنهاد‌هایشان استفاده می‌کنند، مورد بررسی قرارگرفت. بدین منظور با بهره‌گیری از حمله‌های هرزه‌نگاری اعمال‌شده به الگوریتم رتبه‌بندی pagerank ، مدل حمله جدیدی به نام مزرعه ارتباط، پیشنهاد می‌شود. نتایج به‌دست‌آمده از اعمال حمله‌های مختلف به این تکنیک‌ها نشان داده‌اند که مدل حمله ارائه شده، بر این دسته از الگوریتم‌های توصیه‌گر مبتنی بر گراف تاثیرگذار است.

Link farm, an effective attack to Page Rank in algorithm in graph-based recommender systems

Nowadays recommender systems have become an integral part of ecommerce websites. However the general and accessibility of these systems has made them vulnerable to attack by profiteering users. Numerous studies have examined the vulnerability of various recommender algorithms to attacks created by creating fake profiles, many of which have focused on older methods, including group refinement algorithms.A group of recommender algorithms considered by various Internet services use a variety of graph analysis methods, including random steps, to provide suggestions to the user. There are limited studies on the vulnerability of graphbased recommender algorithms that focus on specific types of these methods. Therefore, in this paper, the vulnerability of a group of graphbased algorithms that use the idea of ​​PageRank ranking algorithm on the web to score items and generate their suggestions was examined.To do this, a new attack model called the link farm is proposed using the PageRank ranking algorithm applied. The results obtained from the application of different attacks to these techniques have shown that the proposed attack model affects this group of graphbased recommender algorithms.