推荐系统已经成为信息检索的有效工具,利用协同过滤技术通过采集用户的偏好信息,从海量信息中过滤出满足用户兴趣的信息并且主动推荐给用户,在一定程度上解决了信息过载的问题。但是由于推荐系统自身所具有的开放性以及对用户偏好信息的依赖性,导致系统很容易遭受恶意用户的攻击。这些恶意攻击者通过向系统注入虚假评分来影响推荐结果,为保证推荐系统的安全性,国内外研究者提出了各种攻击检测方法。然而,攻击者也在不断地寻找新的方法发动攻击。本文在分析国内外研究现状的基础上,针对新型的高级用户攻击进行了深入的研究,在协同过滤推荐系统环境下,高级用户能够对呈现给其他用户的推荐结果发挥相当大的影响。首先,针对现有的高级用户选择方法不能有效识别出有影响力的高级用户的问题,从社会网络分析角度出发,提出一种基于社会网络频度中心思想的聚合近邻频度与近邻相似度方法。通过综合考虑用户之间关系的存在与否及用户之间的关系强度,能够准确地识别出系统中有影响力的高级用户。其次,针对已有的推荐系统攻击方面的研究主要集中在用户评分的相似性统计模型上,具有固定的生成模式,很容易被一些攻击防御技术检测出来,本文设想攻击者转向基于显式影响力措施的高级用户发动攻击,从而影响推荐系统预测和top-N推荐列表。以选出的真实高级用户为基础,构建高级用户攻击模型,模拟出高级用户攻击概貌。然后,针对现有的攻击检测算法对新型的高级用户攻击检测准确度不高的问题,提出一种无监督的高级用户攻击检测算法。该算法从有攻击行为的高级用户的评分特征角度出发,寻找被攻击项目,再根据被攻击项目检测出高级用户攻击概貌。最后,在Movie Lens数据集上与已有的高级用户选择方法和攻击检测算法进行实验对比。