本文针对在线评论社区自媒体影响力增加,带来的众包活动恶意影响舆论与竞争对手口碑的场景,提出了一种端到端的中文评论自动化众包攻击方法。自动化众包攻击方法通过生成大量高质量、主题符合、倾向性一致的中文众包评论,来达到引导舆论、改变商家口碑等众包活动的目的。本文攻击方法包括两个部分组成,批量文本生成模型与数据集质量提升模型。其中,批量文本生成模型分为三个子网络组成,汉字嵌入网络、堆叠LSTM网络、Softmax抽样网络,该模型通过从真实评论集学习和分析,达到生成大量中文众包评论的目的;数据集质量提升模型分为两个子模块,主题建模模块、倾向性分析模块,针对堆叠LSTM网络对数据集质量依赖性较大的问题,该模型聚合评论数据集中的主题与倾向性,提升数据集质量。然后,本文给出了四种应对众包攻击的防御方法,包括基于语言学分析的防御方法、基于指纹信息比较的防御方法、用户调查研究、基于概率分布的防御方法。其中,基于语言学分析的防御方法和基于指纹信息比较的防御方法是目前众包平台使用广泛的众包评论检测方法,实验表明本文提出的自动化众包攻击可以轻松绕过这两种防御方法;用户调查研究通过人工调查问卷的方式,最直观地考量本文生成的众包评论是否具有引导舆论的内容价值,实验表明本文生成的众包评论可以混杂在真实评论中不被轻易识别;基于概率分布的防御方法是针对本文攻击方法提出的一种对应防御策略,通过比对数据集中汉字概率分布相似度的方式,来识别评论是否为生成的众包评论,实验结果表明该防御策略表现出优于前两种防御方法的效果。本文的主要主要工作贡献由以下三块内容组成。1)针对英文评论与中文评论在组织结构上的不同,在传统英文文本生成模型的基础上,增加汉字嵌入网络和Softmax随机抽样网络,来达到批量生成具有一定语义内容的中文评论,构建自动化众包攻击方法的目的。汉字嵌入网络基于降维与嵌入的思想,将汉字字符对应的长one-hot向量降维至短嵌入向量,新的嵌入向量包含了汉字字符间的语义关联关系,能够更好地用以文本生成模型。同时又讨论了字符嵌入方法与词汇嵌入方法在自动化众包攻击场景中的优缺点,词汇嵌入能更好表达语义,但汉字嵌入更适合模仿新颖词汇快速更新的在线评论。另外,Softmax抽样网络基于Softmax分层函数的思想,新增温度参数T来控制生成众包评论质量与多样性的平衡,温度参数T越小,则生成的中文众包评论更加接近真实评论,但整个生成众包评论集的多样性会下降,包含的众包评论类型会较为单一。温度参数T越大,则生成的众包评论更加具有创新性,文本内容更加多样,但是每条众包评论更容易出现错误词汇,语义不连贯的问题。最后在实验中讨论了温度参数T最合适的区间。2)针对堆叠LSTM网络对评论数据集质量依赖性较高的问题,提出了一种提升数据集质量的方法,包括基于NMF算法的主题建模模块和基于SACI算法的倾向性分析模块。针对自动化众包攻击的特殊场景,两种策略都为无监督策略。NMF算法将数据集划分为不同的主题,并提取主题所对应的关键词集,来提升数据集的主题一致性。其中SACI算法计算中文评论中的情感倾向性,进一步划分数据集,来提升数据集的倾向性一致性。最后在实验中讨论了原始数据集存在星级和倾向性与评论文本内容本身不一致的问题,实验表明改进数据预处理步骤可以过滤掉一部分垃圾评论,自动化提取评论主题与倾向性,提升评论数据集质量。3)针对自动化众包攻击的防御问题,给出了四种防御方法。其中,基于语言学分析的SVM分类方法是众包评论检测的主要手段,实验表明当温度参数T取0.8至1.2之间时,SVM分类器无法正确区分生成的众包评论与真实评论;基于指纹信息比较的防御方法是识别众包评论的另一手段,实验表明众包评论并不是简单地从原数据集复制而来,而具有一定的创新性;用户调查研究从人工的角度分析众包评论的内容影响力,实验表明生成的众包评论可以混杂在真实评论中而不被识别;基于概率分布的防御方法从数据集中汉字概率分布相对稳定的角度出发,实验表明该防御方法有比前两种防御方法更优良的表现。本文面向中文评论社区,针对端到端的自动化众包攻击与防御方法进行了一系列研究。本文研究不仅可以用于在线评论社区的自动化众包攻击场景,也可以应用于各种中文短文本生成的攻击场景,例如虚假短新闻,短谣言的攻击场景等。本文研究是对网络空间安全中自媒体恶意竞争领域的重要补充。