Page 355 - 《软件学报》2026年第6期

2674 软件学报 2026 年第 37 卷第 6 期

针对上述问题, 本文提出一种基于可信数据增强的 QoS 感知云 API 推荐系统投毒攻击持续防御方法. 首先,
我们从“以攻学防”的视角, 构建基于可信数据增强的投毒攻击持续防御框架. 该框架通过向被污染的数据集注入
可信用户来实现持续防御. 其中, 引入可信用户旨在使数据驱动的推荐系统能够尽可能准确地学习到真实用户和
云 API 的特征表示, 从而保证推荐结果的准确性和推荐系统抵御恶意攻击的能力. 其次, 在可信用户生成方面, 提
出启发式、基于深度学习以及扩散模型的可信用户生成方法. 其中, 启发式方法利用用户和云 API 历史交互 QoS
数据的统计特征来生成可信用户数据. 基于深度学习的方法通过建模用户和云 API 交互关系来生成可信用户数
据. 扩散模型采用迭代去噪的方式学习真实 QoS 数据分布来生成高质量可信用户数据. 最后, 我们在真实世界云
API QoS 数据集上进行大量实验, 并在 11 个经典基线推荐算法上评估本文所提方法的有效性.
综上所述, 本文的主要贡献如下.
(1) 建立基于可信数据增强的投毒攻击持续防御框架. 在投毒攻击已成功的情况下, 通过注入可信数据来消解
投毒攻击的影响和增强推荐系统的鲁棒性.
(2) 给出面向推荐系统的投毒攻击问题, 基于可信用户的持续防御问题形式化定义. 引入防御强度和防御规模
两种防御策略, 灵活应对不同方式的数据投毒攻击, 提升防御效果.
(3) 提出基于扩散模型的可信用户生成算法. 利用扩散模型在捕捉复杂交互关系方面的优势, 以迭代去噪的方
式学习用户与云 API 之间的真实交互, 生成高质量可信用户数据.
(4) 在真实数据集和 11 种推荐算法上进行大量实验, 结果表明利用可信用户可有效消解数据投毒攻击的影响
并能够提升推荐系统的鲁棒性. 混合攻击、防御规模和防御强度下的实验进一步验证了所提方法的有效性.
本文将在第 1 节对相关工作进行回顾和总结. 第 2 节详细阐述面向 QoS 感知云 API 推荐系统基于可信数据
增强的持续防御框架并给出相关定义. 第 3 节详细介绍基于扩散模型的可信用户生成算法. 第 4 节利用真实云
API QoS 数据集进行实验并分析结果. 最后, 对全文进行总结并对今后的工作进行展望.
1 相关工作

1.1 QoS 感知的云 API 推荐
根据使用技术的不同, 现有 QoS 感知的云 API 推荐方法可被分为 3 类: 基于协同过滤的、基于矩阵分解的和
基于深度学习的云 API 推荐方法.
基于协同过滤的推荐方法根据计算方式的不同可细分为基于用户的协同过滤 (user-based collaborative
filtering, UCF) 和基于云 API 的协同过滤 (API-based collaborative filtering, ACF) [18] . UCF 的基本思想是利用历史交
互数据计算用户之间的相似性, 找到与目标用户偏好相似的其他用户, 然后根据这些相似用户的 QoS 来协同预测
未知云 API 的 QoS, 最后根据预测的 QoS 完成高质量云 API 推荐. 不同于 UCF, ACF 根据历史交互数据计算云
API 之间的相似性, 然后把与用户调用过的相类似的云 API 推荐给用户. 进一步, 研究人员提出了混合协同过滤推
荐算法 [19] , 结合上下文信息感知的协同过滤推荐算法 [20] 来提高推荐结果的准确性. 尽管基于协同过滤推荐算法易
于实现和结构易于解释, 但其性能严重依赖于用户和云 API 之间可用的交互数据, 因此在数据稀疏及冷启动场景
下, 基于协同过滤的推荐方法将难以有效找到准确的相似邻居, 从而降低了推荐结果的准确性.
基于矩阵分解的推荐方法将用户与云 API 交互的高维稀疏数据投影至两个低维稠密矩阵, 即“用户隐特征矩
阵”和“API 隐特征矩阵”, 以此挖掘两者的潜在特征. 然后, 利用用户和云 API 隐特征向量之间的内积运算进行
QoS 预测. 针对大规模数据集, 基于矩阵分解的推荐算法训练需要大量计算资源和时间成本, FunkSVD 算法通过
融入随机梯度下降策略与正则项, 既有效缓解了计算耗时过大问题, 又避免了过拟合, 增强了模型的泛化能力 [21] .
BiasSVD 通过引入偏差项, 更精准地捕捉了交互信息及个体差异 [22] . SVD++结合了显式反馈与隐式反馈, 从而更
准确地捕获用户偏好 [23] . 矩阵分解技术通过低秩近似、隐向量表示及全局拟合策略, 有效应对了推荐系统中的数
据稀疏挑战, 但基于矩阵分解的推荐方法通过简单的内积运算难以充分拟合用户与云 API 间复杂非线性的交互关
系, 从而限制了其性能表现.