1.一种基于混合特征值的托攻击检测方法，其特征在于，包括以下步骤：步骤1，选取真实用户数据集和攻击用户数据集，混合后得到混合矩阵数据集；

步骤2，针对混合矩阵数据集中的每个用户的近邻平均用户相似度、均值方差，加权评分一致度，流行项目的卡方估计值和新颖项目的卡方估计值五个特征值进行特征提取，得到五个特征向量；

步骤3，将所有用户的近邻平均用户相似度、均值方差和加权评分一致度三个特征向量共同组成一个矩阵，通过K-means聚类算法将该矩阵分为两类，为第一真实用户集合和第一攻击用户集合；

步骤4，将流行项目的卡方估计值的特征向量和第一阈值比较，将新颖项目的卡方估计值的特征向量和第二阈值比较，将这两个特征向量均大于各自阈值的用户设定为真实用户，将这两个特征向量均小于各自阈值的用户标记为攻击用户，得到第二真实用户集合和第二攻击用户集合；

步骤5，将步骤3和步骤4得到的第一攻击用户集合和第二攻击用户集合进行交集运算，得到最终攻击用户集合，剩余的用户为真实用户集合。

2.根据权利要求1所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤1中，攻击用户数据集和真实用户数据集的混合模型为流行攻击模型。

3.根据权利要求1所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤2具体包括以下步骤：步骤2.1，将混合矩阵数据集输入至Matlab程序中，其中用户用U＝{u1,u2,u3...}来表示，项目用I＝{i1，i2，i3....}表示，U为混合矩阵数据集的行，I为混合矩阵数据集的列；

步骤2.2，提取每个用户的近邻平均用户相似度、均值方差，加权评分一致度，流行项目的卡方估计值和新颖项目的卡方估计值五个特征值；

(1)DegSim表示近邻平均用户相似度，，第u个用户的DegSim计算公式如下式(5)：其中， 是皮尔逊相似度，u，v表示数据集DATE中两个不同的用户，r表示用户u对项目的评分，k指要选取最近的用户数目；

(2)MeanVar表示均值方差，第u个用户的MeanVar的计算公式如下式(6)：其中，PU,F是用户U的所有评分项目中把最高的评分减去之后剩下的集合项目，|Pu,F|是指该集合中所有项目的总数，ru，j为用户u对填充项目j的评分值， 为用户u对项目的平均评分；

(3)WDA表示加权评分一致度，第u个用户的加权评分一致度的计算公式如下式(7)所示：其中，Nu表示用户u评价过的项目个数，NRi表示项目i被评价过的次数，ri表示项目i的评分均值，ru,i表示用户u对项目i的评分；

(4)CHIP表示流行项目的卡方估计值，其计算公式如下式(8)所示：其中，I表示数据集中所有的项目，A表示既属于有评分项目集合又属于流行项目集合的个数，B表示属于有评分的项目集合但是不属于流行项目集合的个数，C表示不属于有评分项目的集合却属于流行项目的集合个数，D表示既不属于有评分项目的集合也不属于流行项目的集合个数；

(6)CHIN表示新颖项目的卡方估计值，其计算公式如下式(9)所示：其中，I表示数据集中所有的项目，A1表示既属于有评分项目集合又属于新颖项目的集合个数，B1表示属于有评分的项目集合但是不属于新颖项目的集合个数，C1表示不属于有评分项目的集合但属于新颖项目的集合个数，D1表示既不属于有评分项目的集合也不属于新颖项目的集合个数。

4.根据权利要求3所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤2中的流行项目的卡方估计值计算前需计算每个项目的流行度，按照项目流行度降序排序，把所有项目分为流行项目集合和非流行项目集合。

5.根据权利要求4所述的一种基于混合特征值的托攻击检测方法，其特征在于，第i项目的流行度的计算公式如下式(2)所示：其中Di表示混合矩阵A中所有真实用户的合集，ru，i表示用户u对项目i的评分；若ru,i＝φ，则Ψ(ru,i)＝0，若ru，i＝φ，则Ψ(ru，i)＝0，其中，φ代表空集。

6.根据权利要求3所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤2中的新颖项目的卡方估计值计算前需计算每个项目的新颖度，按照项目新颖度降序排序，把所有项目分为新颖项目集合和非新颖项目集合。

7.根据权利要求3所述的一种基于混合特征值的托攻击检测方法，其特征在于，每个项目的新颖度的计算公式如下式(3)所示：第i个项目新颖度INovi的计算公式如下：

其中，|Dg|表示现在集合中的所有用户数目，ru,i表示用户u对项目i的评分，φ代表空集；

式中，Novu,i表示第u个用户对其任意一个项目的新颖程度，计算公式如下：其中，Nu表示用户u的项目评分数，w(i,j)表示项目i和项目j的余弦相似度。

8.根据权利要求3所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤3中K-means聚类算法将矩阵分为两类具体包括以下步骤：步骤3.1首先在样本中随机选择K个质心点；

步骤3.2分别计算剩余的数据到前面所选的K个质心点之间的欧式距离，然后得到距离最短的样本数据，就将此类样本数据与该质心点归为一类，共得到K类数据；

步骤3.3重新对每一类中的数据进行计算，找到新的中心点，然后根据前面计算剩余样本与新的中心点的距离，将距离短的放为一类；

步骤3.4重复步骤3.2和3.3，直到质心点的位置不再改变，样本聚类完成。

9.根据权利要求8所述的一种基于混合特征值的托攻击检测方法，其特征在于，步骤

3.4样本聚类后聚类质量的衡量指标由函数J表示，d维数据X＝{xj|xj∈Rd,i＝1,2,3,...,N}聚集成基准点分别为c1，c2，c3，…，ck的k个类簇W1，W2，W3，…，Wk，其中 |Wi|为类簇Wi中样本点的个数，函数J计算公式如下式(10)所示：其中，dij(xj,ci)表示样本点xj与基准点ci的欧氏距离。