.png){kind=icon}
返回
Latent diffusion model-based data poisoning attack against QoS-aware cloud API recommender system
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111120.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在云时代，云API作为数据输出、能力复制和服务交付的最佳载体之一，已成为面向服务软件开发生命周期的核心要素。然而，随着云API数量急剧增加所带来的显著挑战，服务质量（QoS）感知的云API推荐系统在引导用户选择最合适的API方面发挥着关键作用。但由于云API的逐利本质和网络环境的开放性，QoS感知的云API推荐系统极易受到数据投毒攻击。这些攻击通过操纵推荐结果以符合攻击者的目标，对云API生态系统造成严重破坏。针对QoS感知云API推荐系统的现有数据投毒方法已从基于传统启发式的方法演变为基于生成对抗网络（GAN）的方法。尽管这种演变提升了攻击性能，但在攻击有效性与隐蔽性之间实现有效平衡仍具挑战性。为解决此问题，本文提出了一种基于潜在扩散模型（Latent Diffusion Model）的数据投毒攻击方法。首先，通过多个自编码器将真实用户-云API交互数据压缩至潜在特征空间，以缓解数据稀疏性对模型训练的限制；随后利用扩散模型学习该潜在空间内真实用户与云API交互数据的分布。此外，为模型训练设计了攻击损失函数，以生成高质量、难以检测且具有攻击性的虚假用户数据。在真实数据集WS-DREAM上的实验结果表明，基于潜在扩散模型的数据投毒攻击方法在攻击有效性、隐蔽性和泛化性方面均优于基线方法。本文旨在从攻击与防御视角提升对云API推荐安全的认知，为防御者开发有效防御策略奠定基础，并推动可信赖QoS感知云API推荐系统的发展。LDM实现代码的公开地址为：https://github.com/yjq012/LDM。
Keyword:
Recommender system
Cloud API
Data poisoning attack
Diffusion model
Latent space
期刊
IF:
4.6
论文数:
1.7K
被引数:
1.6W
机构
暂无机构信息
引用论文
Latest trends of security and privacy in recommender systems: A comprehensive review and future perspectives推荐系统的安全和隐私的最新趋势: 全面回顾和未来展望.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容