随着互联网的飞速发展,人们已经进入了数据爆炸的时代,数据的数量可以代表一个企业的发展能力,数据的质量能够推动企业产品的更新迭代。面对如此海量的数据,如何快速地为用户提供有用的、关键的、感兴趣的信息变得十分的重要,因此推荐系统应运而生。而协同过滤推荐系统则是推荐领域应用最广泛的技术之一。本文通过研究传统的协同过滤推荐算法,以及该算法所面临的K近邻(K nearest neighbours,KNN)攻击问题,以获得协同过滤推荐系统抵御攻击能力和推荐精确度之间的平衡为目标,设计了一种用于抵御随机攻击的协同过滤推荐算法(Resist Random Attacks on Collaborative Filtering,RRACF)。通过引入Elasticsearch搜索技术,设计了一种基于Elasticsearch的用于抵御随机攻击的协同过滤推荐算法(Resist Random Attacks on Collaborative Filtering with Elasticsearch,ES-RRACF)。RRACF算法通过使用Z-score数据规范化技术、用户的兴趣漂移权重以及Laplace加噪机制来抵御随机攻击,同时又使得算法拥有较好的推荐精确度。而ES-RRACF算法在RRACF的基础上,通过使用Elasticsearch搜索技术代替传统的通过计算用户之间相似度的方式来选取最近邻居集合,大大节省了算法的计算时间。为了验证算法的有效性和实用性,本文利用MovieLens数据集,对上述算法进行了实验仿真,并将ES-RRACF部署在一个电影推荐原型系统中进行测试,结果表明,ES-RRACF算法具有应用价值,能够使得推荐系统更加的鲁棒。