Page 368 - 《软件学报》2026年第6期

陈真 等: 可信数据增强的 QoS 感知云 API 推荐系统投毒攻击持续防御 2687

2.0 1.50 1.52
γ=0 γ=5% γ=10% γ=20% γ=0 γ=5% γ=10% γ=20% γ=0 γ=5% γ=10% γ=20%
1.51
1.9 1.48
1.50
1.8
1.46
RMSE RMSE RMSE 1.49
1.44
1.7
1.48
1.6 1.42
1.47
1.5 1.40 1.46
Rnd_A Avg_A Bdg_A Gan_A Rnd_A Avg_A Bdg_A Gan_A Rnd_A Avg_A Bdg_A Gan_A
攻击方式 攻击方式 攻击方式
(a) APCC (b) FunkSVD (c) MLP
图 7 不同防御强度下的 RMSE 变化

1.2 0.75 0.62
Rnd_D Bdg_D Avg_D Rnd_D Bdg_D Avg_D Rnd_D Bdg_D Avg_D
Vae_D Gan_D Diff_D Vae_D Gan_D Diff_D Vae_D Gan_D Diff_D
1.1 0.70 0.60
1.0 0.65 0.58
MAE MAE MAE
0.9 0.60 0.56
0.8 0.55 0.54
0.7 0.50 0.52
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
防御规模 防御规模 防御规模
(a) APCC (b) FunkSVD (c) MLP
图 8 不同防御规模下的 MAE 变化

1.94 1.60 1.60
Rnd_D Bdg_D Avg_D Rnd_D Bdg_D Avg_D Rnd_D Bdg_D Avg_D
1.92
Vae_D Gan_D Diff_D 1.56 Vae_D Gan_D Diff_D 1.55 Vae_D Gan_D Diff_D
1.90
1.88 1.52 1.50
RMSE 1.86 RMSE 1.48 RMSE 1.45
1.84
1.82
1.44 1.40
1.80
1.78 1.40 1.35
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
防御规模 防御规模 防御规模
(a) APCC (b) FunkSVD (c) MLP
图 9 不同防御规模下的 RMSE 变化

由图 8 和图 9 可知, MAE 和 RMSE 值均随着防御规模的增大而降低, 表明更多的可信用户注入使得推荐系统
学得更准确的特征表示, 降低恶意用户的影响, 提高推荐系统的鲁棒性. 但是, 当防御规模达到某个阈值时, 这种下
降趋势会明显放缓, 甚至出现上升情况. 这表明, 虽然增加防御规模可以在一定程度上提高防御的有效性, 但是可
信用户的质量是非常重要的, 盲目增加防御规模可能难以得到理想的防御效果. 如果可信用户的质量难以保证, 防
御规模过大可能不会产生良好的防御效果, 甚至会产生负面影响.
5 总 结

本文针对 QoS 感知的云 API 推荐系统投毒攻击问题, 从“以攻学防”视角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. 解决了现有检测防御方法难以避免的漏检和误检的不足. 首先, 构建
基于可信数据增强的投毒攻击防御框架, 在投毒攻击已成功的情况下, 通过注入可信数据来降低攻击的影响和增