网络信息的海量性和不间歇性令用户难以快速地定位目标内容,如何快捷的为用户在“信息过载”的情况下实现高质量的推荐成为研究热点。在诸多推荐系统当中,协同过滤推荐系统因其高效、便捷的个性化推荐技术成为应用最为广泛的系统之一。“协同”意味着用户彼此信任,但与系统交互的用户中不排除含有与系统目的对立的参与者。带有不良企图的用户可以通过向系统中添加伪造出的用户信息来影响推荐结果,我们将其称为托攻击。伪造用户的存在除了会使商品的推荐频率随着恶意用户的目的变动,还会降低用户对推荐系统的信任度,因此如何防御托攻击,保障协同过滤推荐系统的安全性变得尤为重要。现有的托攻击防御方法主要利用伪造用户评分值、评分长度、攻击用户间相似度聚类等特征或者方式过滤攻击用户概貌,但实际生活中,由于用户行为等因素使得真实用户商品间存在一定关联,而伪造用户因其随机评分的特点无法维持商品关联性,现有检测方法未从此角度进行防御,若恶意用户在伪造信息时考虑了商品关联性,现有检测方法是否依旧保持较强的鲁棒性值得研究。本文深入分析针对协同过滤托攻击的防御方法,前期研究了真实用户与伪造用户的商品关联性存在差异,后期深入分析了现有托攻击的防御方法,提出了基于项目相关性的攻击方法,以此验证现有检测方法的不足,另利用项目关联差异度提出了一种实用性更强更有效的托攻击的防御方法。本文的主要贡献为:分析发现了真实用户与伪造用户的商品间关联存在很大的区别,利用此特点提出了基于项目相关性的攻击方法,实验结果显示新攻击方法在有限的知识成本下,不仅保障了攻击效果,还提高了躲避检测方法的能力,验证了现有检测方法在面对此类攻击的不足。针对现有托攻击防御方法的不足,根据真实用户商品间关联过于复杂,恶意用户易伪造用户评分但难以复刻商品关联性的特点,提出了基于项目关联差异度的检测方法,该方法不仅能用于检测现有攻击方法,也能有效的对混合不同攻击方法生成的伪造用户数据集进行检测。实验表明,我们提出的防御方法适用性及鲁棒性更强。