發(fā)布時間：2020-02-06所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要：作為一種應(yīng)對信息過載問題的有效手段，協(xié)同過濾推薦系統(tǒng)被廣泛應(yīng)用到諸多領(lǐng)域.然而托攻擊的存在嚴(yán)重影響了推薦系統(tǒng)的推薦質(zhì)量，因此如何保障推薦系統(tǒng)不受托攻擊的影響已經(jīng)成為推薦系統(tǒng)安全領(lǐng)域的研究熱點.本文首先介紹托攻擊產(chǎn)生的動機及分類，然后對
摘 要：作為一種應(yīng)對“信息過載”問題的有效手段，協(xié)同過濾推薦系統(tǒng)被廣泛應(yīng)用到諸多領(lǐng)域.然而托攻擊的存在嚴(yán)重影響了推薦系統(tǒng)的推薦質(zhì)量，因此如何保障推薦系統(tǒng)不受托攻擊的影響已經(jīng)成為推薦系統(tǒng)安全領(lǐng)域的研究熱點.本文首先介紹托攻擊產(chǎn)生的動機及分類，然后對推薦系統(tǒng)中的托攻擊檢測技術(shù)和魯棒推薦算法的現(xiàn)狀進行分析，最后對推薦系統(tǒng)安全領(lǐng)域的未來發(fā)展趨勢進行了展望.
關(guān)鍵詞：推薦系統(tǒng);協(xié)同過濾;托攻擊;攻擊檢測;魯棒推薦
推薦系統(tǒng)(recommendersystems)[1]是一種解決“信息過載”的有效手段，能夠基于用戶-項目評分矩陣為用戶提供推薦.協(xié)同過濾(collaborativefiltering，CF)是推薦系統(tǒng)中應(yīng)用最為廣泛的一種，目前已被廣泛應(yīng)用于電子商務(wù)、電 影 和 視 頻 網(wǎng) 站、音 樂 網(wǎng) 絡(luò) 電 臺、社 交 網(wǎng) 絡(luò) 等 諸 多 領(lǐng) 域[2-3]，如 著 名 的 Amazon、Netflix、YouTube、Facebook等平臺均使用協(xié)同過濾推薦系統(tǒng).這種技術(shù)能夠依據(jù)用戶的歷史評分概貌尋找與其相似的近鄰，根據(jù)多個最近鄰的概貌信息為目標(biāo)用戶產(chǎn)生推薦結(jié)果.協(xié)同過濾推薦系統(tǒng)的預(yù)測模式符合現(xiàn)實生活中人的行為模式，然而自身的開放性也為惡意用戶提供了可乘之機，即惡意用戶可通過向評分系統(tǒng)中注入大量虛假用戶概貌來產(chǎn)生對其有利的推薦結(jié)果[4-5].例如，在電子商務(wù)應(yīng)用環(huán)境，一些不法商家可能會委托提供專門服務(wù)的灰色組織對其產(chǎn)品評最高分或者對其競爭對手的產(chǎn)品評最低分，以提升或降低目標(biāo)產(chǎn)品被系統(tǒng)推薦的頻率.2014年，19家虛假評論公司被檢測出在 Yahoo、Yelp等多個評分系統(tǒng)中進行虛假欺詐評價[6].惡意用戶的 這 種 行 為 被 稱 為 托 攻 擊(shillingattack)，也稱為概貌注入攻擊(profilesinjectionat-tack)或推薦攻擊(recommenderattack)[4].已有研究表明，協(xié)同過濾推薦系統(tǒng)在面對“托攻擊”時呈現(xiàn)脆弱性[4，7]，因此推薦系統(tǒng)安全一直是一個不容忽視的問題.
由于推薦系統(tǒng)具有重要的應(yīng)用價值，而推薦系統(tǒng)安全能夠影響和制約推薦系統(tǒng)的使用及發(fā)展，因此托攻擊問題自出現(xiàn)以來一直受到國內(nèi)外學(xué)者的廣泛關(guān)注.德國的漢諾威大學(xué)、美國的德保爾大學(xué)、愛爾蘭都柏林大學(xué)等及國內(nèi)的西安交通大學(xué)、南京財經(jīng)大學(xué)、重慶大學(xué)、燕山大學(xué)等研究團隊均對該領(lǐng)域進行了深入研究并取得了豐碩成果.目前，盡管已有少量針對托攻擊檢測的綜述文獻[4，8-9]，但未能包含近幾年該領(lǐng)域取得的最新研究成果，且攻擊檢測技術(shù)并不是實現(xiàn)推薦系統(tǒng)安全的唯一手段.根據(jù)已有的研究[10]，推薦系統(tǒng)安全機制包括攻擊檢測技術(shù)和魯棒推薦算法.為此，本文總結(jié)自托攻擊概念出現(xiàn)以來，托攻擊模型、攻擊檢測技術(shù)和魯棒推薦算法領(lǐng)域的最新進展，討論已有工作的局限性，進而對未來的發(fā)展趨勢和研究方向進行預(yù)測.
1 托攻擊模型的產(chǎn)生及發(fā)展
協(xié)同過濾推薦系統(tǒng)中，系統(tǒng)根據(jù)每個用戶最近鄰的概貌信息為其生成推薦列表，因此惡意用戶可利用推薦系統(tǒng)的開放性，人為地向系統(tǒng)中注入大量虛假概貌，企圖成為多個真實用戶的近鄰，進而達到影響真實用戶推薦結(jié)果的目的.這種向推薦系統(tǒng)注入虛假概貌的行為即為托攻擊，2004年由 Lam 等[11]首次正式提出.自此以后，推薦系統(tǒng)中的托攻擊問題一直備受關(guān)注.依據(jù)攻擊目的的 不 同，托攻擊可分為推攻擊(pushat-tack)和核攻擊(nukeattack).推攻擊試圖提升目標(biāo)項目的推薦排名，而核攻擊則相反.
圖1為攻擊概貌的一般結(jié)構(gòu)，其中：IS 和IF 分別為選擇項目集合和填充項目集合，it 表示目標(biāo)項目，IΦ 則為未評分的項目集合.由圖1可知，為達到攻擊目的和意圖，攻擊用戶除對目標(biāo)項目進行異常評分外，還需對許多其他項目進行評分，這些被評分的非目標(biāo)項目被稱為選擇項目或填充項目.不同攻擊模型中，IS和IF 的選擇方式不同，這些項目上的評分值生成策略也不同，分別由函數(shù)δ 和σ確定.攻擊的目標(biāo)項目可以是單個或多個，目標(biāo)項目it 的評分值由函數(shù)γ 確定.
1.1 標(biāo)準(zhǔn)攻擊
文獻[11]最先提出了2種基本的標(biāo)準(zhǔn)攻擊模型，分別為隨機攻擊(randomattack)和均值攻擊(averageattack).隨后文獻[12-13]提出了流行攻擊(bandwagonattack)、分段攻擊(segmentattack)和love/hate攻擊.Gunes等[4]則在流行攻擊 基礎(chǔ)上，討 論 了 逆 流 行 攻 擊 (reversebandwagonattack).近 來，Seminario等[14-15]提出了 PUA(poweruserattack)和 PIA(poweritemattack).不同攻擊模型對推薦系統(tǒng)評分集所需的先驗知識不同，表1列出了8種標(biāo)準(zhǔn)攻擊模型的生成策略，推攻擊時目標(biāo)項目均被注入最高分，核攻擊時目標(biāo)項目則被評最低分.
表1中，rrandom表示對應(yīng)項目上的評分值服從整個評分集上的評分均值和方差的正態(tài)分布，raverage表示評分值服從對應(yīng)項目上的評分均值和方差的正態(tài)分布，rmax和rmin分別表示推薦系統(tǒng)中的最高評分值和最低評分值.
1.2 模糊攻擊
為逃避檢測，攻擊用戶可采用混淆技術(shù)來增大攻擊檢測的難度，目前已有的混淆技術(shù)[16]主要有：噪音注入(noiseinjection)、用戶偏移(usershifting)、目標(biāo)偏移(targetshifting)和流行裝填[7].
1)噪音注入：在選擇項目或填充項目的評分上加上一個隨機數(shù).
2)用戶偏移：對攻擊用戶u，在其攻擊概貌中，任意挑選部分選擇項目和填充項目，在這些項目的原有評分值上均增加一個偏移量，偏移量的具體值由用戶u 對應(yīng)的偏移函數(shù)決定.
3)目標(biāo)偏移：將每個攻擊概貌中對應(yīng)目標(biāo)項目的評分值替換為次高分(推攻擊)或次低分(核攻擊).
4)流行裝填：即 AoP攻擊，在前x%的流行項目集合上選擇填充項目構(gòu)造均值攻擊.項目流行程度依據(jù)項目上的被評分?jǐn)?shù)量.
將這些混淆技術(shù)應(yīng)用在標(biāo)準(zhǔn)攻擊上即為模糊攻擊，顯然混淆技術(shù)使得模糊攻擊比普通的標(biāo)準(zhǔn)攻擊更為復(fù)雜，其檢測難度也相應(yīng)增大.
1.3 群組攻擊
Su等[17]最先提到了推薦系統(tǒng)中的組攻擊場景，即每個攻擊用戶僅攻擊目標(biāo)項目集中的一部分而非全部.這種組攻擊場景的檢測并不復(fù)雜，因此很長一段時間以來，群組攻擊模型并未被單獨討論.不同于傳統(tǒng)的托攻擊模型，組攻擊模型應(yīng)是一種全新的攻擊模型.攻擊群組內(nèi)的多個攻擊概貌彼此協(xié)同，共同攻擊一個或一組關(guān)聯(lián)的目標(biāo)項目.2012年，Wang等[18]提出了一種新的群組攻擊模型的生成算法，在基于均值攻擊或隨機攻擊模型生成的攻擊概貌基礎(chǔ)上，按照一定的策略生成攻擊組中的組成員概貌，嚴(yán)格條件的群組攻擊生成模型需滿足：1)群組內(nèi)的任意2個不同概貌間均有共同評分項目;2)任意3個不同概貌間均無共同評分項目;3)任意2個不同概貌間的相似度均為-1.由于每個組成員其評分行為都和正常用戶相近，這使得從個體檢測角度出發(fā)的托攻擊檢測模型失效.由于這些攻擊概貌間相似度較低，因此與傳統(tǒng)的托攻擊模型相比，組攻擊的檢測也更為復(fù)雜.然而，按照文獻中組攻擊模型的生成策略構(gòu)造的群組其規(guī)模是受限的，即能夠同時滿足這3個條件的概貌較少，因此群組攻擊模型的生成方法還有待深入研究.
2 托攻擊檢測技術(shù)
自2004年托攻擊模型被提出以來，國內(nèi)外學(xué)者對托攻擊檢測方法進行了深入研究并取得了一系列成果.托攻擊檢測問題常被視為二分類問題，可從機器學(xué)習(xí)角度將托攻擊檢測技術(shù)分為基于監(jiān)督學(xué)習(xí)的攻擊檢測、基于半監(jiān)督學(xué)習(xí)的攻擊檢測和基于無監(jiān)督學(xué)習(xí)的攻擊檢測.
2.1 基于監(jiān)督學(xué)習(xí)的攻擊檢測
基于監(jiān)督學(xué)習(xí)的攻擊檢測將托攻擊檢測問題視為分類問題，首先基于訓(xùn)練集中的標(biāo)記樣本訓(xùn)練分類器，進而對測試集中的攻擊 概 貌 進 行 分 類.Burke等[19]在 提 出 的 通 用 特 征 和 專 有 特 征 基 礎(chǔ) 上，利 用 訓(xùn) 練 好 的KNN 分類器檢測隨機攻擊和均值攻擊.伍之昂等[20]提出了一種有效的特征選擇方法，在已知攻擊類型的先驗條件下，使用樸素貝葉斯分類(NaiveBayesianClassifier)來檢測托攻擊.李文濤等[21]提出了3種基于項目流行度的檢測特征，利用所提特征訓(xùn)練決策樹算法檢測攻擊概貌，對于包含大量隨機選擇項目的攻擊概貌具有較好的檢測效果.Zhang等[22]從項目流行度和新穎度角度，利用互信息知識和 Hilbert-Huang變換提取評分項目序列上的檢測特征，訓(xùn)練支持向量機(SVM)分類器檢測攻擊概貌.Yang等[23]和 Zhang等[24]對集成檢測算法進行了研究，通過訓(xùn)練多個基分類器實現(xiàn)攻擊概貌的集成檢測，提升了托攻擊檢測器的檢測精度.Zhou[25]針對 AoP展開研究，利用詞頻-逆文檔頻率法提取 AoP攻擊特征.周巍等[26]提出了基于 SVM和目標(biāo)項目的托攻擊檢測方法，通過使用自適應(yīng)人工合成樣本方法 Borderline-SMOTE 方法對邊界樣本進行擬合，緩解了推薦系統(tǒng)托攻擊檢測中存在的類不均衡問題，一定程度上提高了檢測性能.此外，Zhou等[27]針對未知類型的攻擊檢測問題，提出了一種基于仿生模式識別的檢測方法，利用仿生模式識別實現(xiàn)訓(xùn)練集(僅包含真實概貌)上的最佳覆蓋，覆蓋范圍外的測試樣本則被判別為攻擊概貌.
基于監(jiān)督學(xué)習(xí)的托攻擊檢測方法通常在檢測單一的已知攻擊類型時具有優(yōu)越的檢測性能，但對于混合攻擊卻效果不好，這是因為不同攻擊類型下攻擊概貌的特征不同，需要根據(jù)混合攻擊的類型及比例調(diào)整特征的權(quán)重參數(shù)，從而達到理想的分類效果.此外監(jiān)督學(xué)習(xí)需要在標(biāo)記數(shù)據(jù)集上訓(xùn)練分類器，而在許多真實場景中，大量標(biāo)記數(shù)據(jù)的獲取是困難的，這很大程度上制約了基于監(jiān)督學(xué)習(xí)的托攻擊檢測方法的發(fā)展.
2.2 基于半監(jiān)督學(xué)習(xí)的攻擊檢測
盡管在很多實際場景中獲取大量標(biāo)記數(shù)據(jù)是困難的，但通常有部分概貌是很容易識別和標(biāo)記的，同時大量無標(biāo)記數(shù)據(jù)是容易獲取的，據(jù)此出現(xiàn)了一系列基于半監(jiān)督學(xué)習(xí)的攻擊檢測方法.Cao等[28]提出了一種兩階段的半監(jiān)督檢測模型，首先在部分標(biāo)記數(shù)據(jù)上訓(xùn)練樸素貝葉斯分類器，然后通過帶參數(shù)的最大期望(EM)算法組合無標(biāo)記數(shù)據(jù)，從而檢測出攻擊概貌.伍之昂等[29]提出了一種針對混合托攻擊的半監(jiān)督檢測器——— HySAD.HySAD基于常用的統(tǒng)計特征，利用半監(jiān)督樸素貝葉斯方法在部分標(biāo)記數(shù)據(jù)上訓(xùn)練初始分類器，然后利用無標(biāo)記數(shù)據(jù)對初始分類器進行改進.該方法利用極大似然估計參數(shù)值，使用類似最大期望算法迭代求解，能夠?qū)㈦S機攻擊和均值攻擊二者構(gòu)成的混合攻擊下的攻擊用戶和正常用戶進行有效區(qū)分，提升了混合攻擊的檢測效果.此外，Zhang等[30-31]提出了一種基于半監(jiān)督學(xué)習(xí)的群組攻擊檢測方法.
基于半監(jiān)督學(xué)習(xí)的攻擊檢測方法能夠在大量無標(biāo)記數(shù)據(jù)場景下，充分利用部分標(biāo)記數(shù)據(jù)的準(zhǔn)確性，實現(xiàn)真實概貌和攻擊概貌的有效區(qū)分，相比于需要大量標(biāo)記數(shù)據(jù)的有監(jiān)督檢測方法具有更廣闊的應(yīng)用場景.
2.3 基于無監(jiān)督學(xué)習(xí)的攻擊檢測
基于監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的攻擊檢測均依賴于特征指標(biāo)和訓(xùn)練集，因此無需訓(xùn)練過程的無監(jiān)督方法一直受到廣泛關(guān)注.
Mehta等[32-33]利用主成分分析(principalcomponentanalysis，PCA)計算概貌的主成分系數(shù)得分，認為攻擊概貌對推薦系統(tǒng)貢獻的信息較少，因此在主成分空間上取值較小.這種方法對推薦系統(tǒng)中的多種托攻擊模型均具有優(yōu)越的檢測性能，但需要預(yù)先獲知攻擊規(guī)模(攻擊概貌數(shù)量)，這在實際中較難準(zhǔn)確獲取.Bry-an等[34]提出了一種基于基因領(lǐng)域 Hv-score的無監(jiān)督檢測方法，首先借鑒基因領(lǐng)域 Hv-score指標(biāo)的計算方法度量推薦系統(tǒng)中每個用戶的可疑度，然后基于高 Hv-score值的用戶識別出目標(biāo)項目，最后結(jié)合識別出的目標(biāo)項目檢測出所有的攻擊概貌.這種方法能夠檢測多種標(biāo)準(zhǔn)攻擊及模糊攻擊，但僅適用于檢測單個目標(biāo)項目的攻擊場景.Hurley等[7]提出了一種基于 Neyman-Pearson理論的無監(jiān)督檢測方法，該方法不需先驗知識，但僅用來檢測高填充率和大規(guī)模的標(biāo)準(zhǔn)攻擊和 AoP攻擊，對低填充率和小規(guī)模的攻擊檢測效果較差.Lee等[35]認為有效的攻擊概貌應(yīng)位于真實概貌分布的中心，利用聚類的方法將用戶劃分為多個簇，進而利用所提出的簇參數(shù)檢測出攻擊概貌所在的簇.該方法僅對填充規(guī)模較大的均值攻擊具有良好的檢測效果.文獻[36]提出了一種基于信念傳播(beliefpropapation)算法的無監(jiān)督檢測方法.該方法不依賴用戶的評分模式，而是在假定已知多個目標(biāo)項目前提下，利用信念傳播算法推斷出概貌是否屬于攻擊用戶，然而該方法的檢測性能與目標(biāo)項目數(shù)量有關(guān)，在目標(biāo)項目數(shù)量較少時其檢測性能較差.文獻[37-38]從圖論的角度解決托攻擊檢測問題，他們認為攻擊概貌間是彼此高度相似的，因此用戶評分相似矩陣中的最大子陣包含了所有的攻擊用戶.文獻[39]在用戶-項目的二分圖中，基于部分已標(biāo)記的攻擊用戶迭代計算所有用戶和項目的可疑程度.所提方法的檢測性能不受攻擊模型類型的影響，對傳統(tǒng)的托攻擊模型或群組攻擊均具有優(yōu)越的檢測性能，但該方法需要預(yù)先標(biāo)記出一些攻擊概貌并且需預(yù)先獲取攻擊概貌數(shù)量.Yang等[40]提出了一種基于圖挖掘和圖相似的無監(jiān)督檢測方法，首先利用圖挖掘方法構(gòu)建可疑用戶集，然后結(jié)合目標(biāo)項目分析方法識別出可疑用戶集中的攻擊 用 戶.這種檢測方法不受具體的攻擊類型影響，但 不 能 檢 測 小 規(guī) 模 的 攻 擊.另 外，Yang等[41]在已有的大量托攻擊檢測特征基礎(chǔ)上，應(yīng)用自適應(yīng)的結(jié)構(gòu)學(xué)習(xí)選擇更有效的特征，利用基于密度的聚類算法聚類可疑用戶，最后結(jié)合目標(biāo)項目識別攻擊用戶.近來，Zhang等[42]提出了一種基于隱馬爾科夫模型和層次聚類的無監(jiān)督檢測方法，首先基于隱馬爾科夫模型計算每個用戶的可疑度，然后通過層次聚類技術(shù)識別出攻擊用戶.這種方法對多種傳統(tǒng)托攻擊模型具有卓越的檢測性能，但不能有效檢測出 AoP攻擊.
3 魯棒推薦技術(shù)
協(xié)同過濾推薦算法對托攻擊呈現(xiàn)脆弱性，為使推薦算法具備抑制托攻擊的能力，人們圍繞推薦算法自身的魯棒性進行研究，提出了各種魯棒推薦技術(shù).
3.1 基于內(nèi)存的魯棒推薦算法
針對基于用戶的協(xié)同過濾算法中攻擊用戶對目標(biāo)用戶的影響問題，文獻[43]最先采用了鄰域過濾機制，通過聚類技術(shù)將目標(biāo)用戶的近鄰分為攻擊用戶組和真實用戶組，僅利用真實用戶組的評分概貌對目標(biāo)用戶進行評分預(yù)測.后來，信任的概念被引入推薦系統(tǒng)中，文獻[44]利用目標(biāo)用戶與近鄰間的信任關(guān)系來為目標(biāo)用戶選取最近鄰居，文獻[45]提出了一種基于雙重鄰居選取策略的魯棒推薦算法，一方面考慮與目標(biāo)用戶的興趣相近，另一方面考慮與目標(biāo)用戶間的可信程度，綜合這2方面為目標(biāo)用戶選取可信近鄰.由于在近鄰中引入了可信度量機制，從而緩解了攻擊用戶對目標(biāo)用戶的影響.文獻[46]提出了一種自動建立信任的防攻擊推薦算法，能夠依據(jù)評分系統(tǒng)動態(tài)調(diào)整用戶間信任關(guān)系，從而為目標(biāo)用戶選取可信鄰居進行推薦.文 獻[47]提出了一種基于k-距離的用戶可疑度度量技術(shù)，利用基于距離的離群點檢測技術(shù)尋找可疑用戶，并綜合用戶可疑度和用戶間相似度為目標(biāo)用戶選取最近鄰，從而達到魯棒推薦的目的.此外，Yi等[48]也提出了一種基于可疑用戶度量和多維信任的魯棒推薦方法，從用戶評分的權(quán)威性、客觀性和相似性這3個方面度量與目標(biāo)用戶間的隱含信任關(guān)系，綜合用戶的可疑度及用戶間的信任關(guān)系為目標(biāo)用戶選擇可信的最近鄰.
3.2 基于模型的魯棒推薦算法
基于模型的推薦算法不是直接利用用戶-項目評分?jǐn)?shù)據(jù)產(chǎn)生推薦，而是利用訓(xùn)練得到的抽象模型為目標(biāo)用戶進行推薦.目前，基于模型的協(xié)同過濾推薦算法廣泛使用的技術(shù)是矩陣分解.與基于內(nèi)存的協(xié)同過濾推薦算法相比，基于模型的推薦算法本身具有一定的魯棒性.然而矩陣分解中的最小二乘估計量對離群點敏感，為此出現(xiàn)了魯棒矩陣分解算法.
文獻[49-50]提出了基于 M-估計量的魯棒推薦算法，該算法對于中、小規(guī)模的托攻擊具有一定的魯棒性.此外，Mehta等[51]也提出了基于奇異值分解的魯棒推薦算法，該方法在過濾掉可疑概貌后的評分?jǐn)?shù)據(jù)集上進行基于奇異值的矩陣分解，但所提方法不適合應(yīng)用在大規(guī)模數(shù)據(jù)集.文獻[52]提出了基于 L-估計量的魯棒推薦算法，通過限制目標(biāo)函數(shù)的范圍來降低攻擊概貌的影響，該方法雖然提高了推薦算法的魯棒性，但由于舍棄了部分真實概貌數(shù)據(jù)而降低了推薦精度.Zhang等[53]引入核函數(shù)計算用戶間相似度，引入 Welsch加權(quán) M-估計量進行模型訓(xùn)練，通過對特征矩陣的魯棒參數(shù)估計實現(xiàn)了推薦算法的魯棒性.文獻[54]提出了基于用戶聲譽的魯棒推薦算法，將用戶聲譽和矩陣分解模型進行了結(jié)合，增強了系統(tǒng)抵御均值攻擊的能力.文獻[55]提出了基于核矩陣分解的魯棒推薦方法.近來，伊華偉等[56]提出了一種新的魯棒推薦算法，首先利用模糊核聚類方法對用戶概貌進行聚類，然后對含有攻擊概貌的聚類利用支持向量機進行分類，進而過濾掉識別出的攻擊概貌，最后通過矩陣分解技術(shù)實現(xiàn)魯棒推薦.
相關(guān)期刊推薦：《河北大學(xué)學(xué)報(自然科學(xué)版)》(雙月刊)創(chuàng)刊于1962年，是河北大學(xué)主辦的自然科學(xué)綜合性學(xué)術(shù)刊物，國內(nèi)外公開發(fā)行。本刊主要刊登數(shù)學(xué)、物理學(xué)、化學(xué)、生物學(xué)、電子及計算機科學(xué)等學(xué)科的基礎(chǔ)研究和應(yīng)用研究方面的原創(chuàng)性學(xué)術(shù)論文。本刊在編輯出版過程中，始終堅持辦刊宗旨，堅持質(zhì)量第一的原則，嚴(yán)把稿件質(zhì)量關(guān)。近年來，本刊曾多次榮獲各種榮譽稱號，取得了明顯的社會效益。為保證本刊的權(quán)威性，杜絕任何形式的抄襲稿。稿件文責(zé)由作者自負，編輯部有權(quán)作必要的修改。文稿在3個月內(nèi)未收到退修或錄用通知，作者可自行處理，另投他刊。未被錄用的稿件一般不退稿，請自留底稿。有投稿需求的作者，可以咨詢期刊天空在線編輯。
