در سال‌های اخیر سیستم‌های پیشنهاددهنده یکی از مؤثرترین متدهای پردازش اطلاعات شناخته‌شده‌اند و مشکل سرریز اطلاعات را برطرف نموده‌اند. در این میان سیستم‌های پیشنهاددهنده که از الگوریتم پالایش مشارکتی استفاده می‌کنند به دلیل طبیعت بازشان هنوز هم دارای یکسری از مشکلات هستند. یکی از این مشکلات حملات شیلینگ یا تزریق پروفایل می‌باشد. این حملات سبب تغییر در نتایج پیشنهادی سیستم به کاربران و درنتیجه عدم رضایت مشتریان از این سیستم‌ها می‌شوند. تحقیقات نشان داده است که تمام حملات واردشده به این سیستم‌ها در یک بازه زمانی کوتاه، به‌منظور افزایش و یا کاهش رتبه‌بندی‌های موجود در سیستم انجام می‌شوند. اکثر مهاجمان مایل هستند تا رتبه‌های درون این سیستم‌ها را به نفع اهداف خود دست‌کاری کنند. تاکنون روش‌های زیادی برای تشخیص این دسته از حملات ارائه‌شده است که در آن¬ها دقت تشخیص پایین و نرخ تشخیص غلط بالا است که بایستی کمتر شود. روش‌های تشخیص اکثراً به دودسته کلی مبتنی بر آیتم و مبتنی بر کاربر تقسیم می‌شوند و در آن‌ها از الگوریتم‌ها¬¬ی داده‌کاوی استفاده می‌شود.
در این پژوهش یک روش تشخیص حملات آیتم‌های ناهنجار، بر مبنای خوشه‌بندی سری‌های زمانی رتبه‌ها ارائه‌شده است. سپس برای توصیف رفتار رتبه‌های قرارگرفته درون هر خوشه مدل احتمالی توزیع نرمال استفاده‌شده است. درنهایت به‌منظور مقایسه و یافتن تفاوت بین توزیع‌های هر خوشه از مفهوم واگرایی استفاده می‌شود. روش پیشنهادی ارائه‌شده در این مقاله با روش تشخیص آیتم‌های ناهنجار توسط پارتیشن‌بندی پویای سری‌های زمانی که بر اساس دانش فعلی، نتایج ارزیابی قابل قبولی در بین دیگر روش‌ها داشته است مقایسه گردید.نتایج آزمایش‌ها بر روی مجموعه داده100K Movielens و با شبیه‌سازی دو نوع حمله تصادفی و باندواگن در سایزهای% 5، 10%، 15%، 20%، 25% ثبت گردیده است. نتایج حاصل از دو معیار ارزیابی دقت تشخیص حملات و نرخ تشخیص غلط به‌صورت میانگین حاکی از آن بود که به ترتیب 7/3 و 1/2 درصد بهبود حاصل‌شده است.