هجوم الثقب الأسود على استرجاع قواعد البيانات المتجهية

يحتوي هذا المستودع على التنفيذ المرافق لورقة Black-Hole Attack from Embedding Space Defects. يستغل هجوم الثقب الأسود عيبًا هندسيًا في فضاءات التضمين عالية الأبعاد — المركزية المدفوعة بالمحورية (centrality-driven hubness) — لتسميم قواعد البيانات المتجهية: عدد صغير من المتجهات الخبيثة المحقونة بالقرب من مراكز العناقيد تصبح أقرب الجيران لجزء كبير من استعلامات المستخدمين، دون الحاجة إلى أي معرفة بتلك الاستعلامات.

المتطلبات

• Python ≥ 3.10
• FAISS (يُوصى باستخدام GPU: faiss-gpu؛ أو CPU: faiss-cpu)
• NumPy، Pandas، PyArrow (لإدخال/إخراج parquet)
• scikit-learn، tqdm
• PyTorch وTransformers (مطلوبان فقط لـ scripts/encode_*.py؛ خط أنابيب الهجوم نفسه لا يستورد torch)

تثبيت التبعيات الأساسية:

pip install numpy pandas pyarrow scikit-learn tqdm faiss-gpu

البدء السريع

1. تنزيل البيانات وتحضيرها

# Download BEIR datasets
bash scripts/download_data.sh

# Encode to vectors + build FAISS indexes
bash scripts/process_data.sh

عدّل مصفوفتي MODELS وDATASETS في كل سكربت لاختيار نماذج أو مجموعات بيانات محددة.

2. تشغيل هجوم أساسي

# Full-Export Attack on HotpotQA with Contriever
python run.py --model contriever --src hotpotqa

هذا يشغّل خط الأنابيب الكامل: تحميل المتجهات → التجميع العنقودي → توليد المتجهات الخصامية → الحقن → بناء الفهرس المسموم → تقييم MO@10 وASR وFPR.

3. الوسائط الرئيسية

العَلَم	الافتراضي	الوصف
--model / --src	contriever / hotpotqa	نموذج التضمين ومجموعة البيانات المصدر
--mode	default	default (نفس مجموعة البيانات) أو transfer (عبر مجموعات البيانات)
--preprocess	default	default أو query_trans أو multi_query_transfer
--cluster	kmeans	kmeans أو minibatch_kmeans أو faiss_gpu
--num-copies / --epsilon	10 / 0.001	عدد النسخ المُشوَّشة لكل مركز عنقودي؛ مقدار التشويش
--eval-k / --sample-queries	10 / 3000	تقييم أعلى‑k؛ عدد الاستعلامات المُعيَّنة
--eval-index-types	FlatIP	أنواع الفهارس المراد تقييمها: FlatIP وHNSW وIVF وIVFPQ
--eval-runners	evaluate	خطوات التقييم: evaluate وevaluate_recall وevaluate_defense وevaluate_defense_performance_loss وevaluate_mitigation_defense وevaluate_mitigation_performance_loss
--result-subdir	تلقائي	دليل فرعي تحت data/result/ لملف JSON الناتج

مسارات الهجوم

تتوافق مسارات الهجوم الأربعة الموصوفة في الورقة مع الاستدعاءات التالية:

المسار	الأمر
(1) تصدير قاعدة البيانات الكامل	python run.py --mode default --preprocess default
(2) تصدير قاعدة البيانات الجزئي	تصدير جزء من المتجهات خارجيًا قبل التجميع العنقودي؛ وبقية خط الأنابيب مطابقة لـ (1)
(3) هجوم مجموعة البيانات البديلة	python run.py --mode transfer --preprocess multi_query_transfer --victim <dataset>
(4) تسميم مجموعات البيانات العامة المُضمَّنة مسبقًا	تعديل ملفات .npy لمجموعة بيانات مُضمَّنة مسبقًا وإعادة رفعها إلى HuggingFace

بالنسبة لـ (3)، يبني المهاجم متجهات خبيثة من استعلامات جميع مجموعات البيانات الأخرى ويحقنها في الضحية. يجب أن تكون ملفات .npy الخاصة بالاستعلامات لمجموعات البيانات المصدر البديلة موجودة في data/vector/.

تقييم الدفاع

لتشغيل الدفاع القائم على الكشف:

python run.py --model contriever --src hotpotqa \
    --eval-runners evaluate_defense evaluate_defense_performance_loss

لدفاع القائم على التخفيف (طريقة واحدة أو أكثر):

python run.py --model contriever --src hotpotqa \
    --eval-runners evaluate_mitigation_defense evaluate_mitigation_performance_loss \
    --mitigation-methods cl2 zn nohub

عرض توضيحي

يحتوي demo/ على مثال مصغّر قائم بذاته يبني قاعدة معرفة صغيرة من مجموعة بيانات BEIR، ويشفّرها، ويحقن متجهات خبيثة، ويقيس التأثير على مستوى الاسترجاع. يستخدم ملف requirements.txt الخاص به ولا يعتمد على src/. راجع demo/src/main.py للحصول على تفاصيل واجهة سطر الأوامر.

مجموعات البيانات والنماذج

يحدد config.json النماذج المدعومة (contriever، bge، gte) ومجموعات البيانات (14 معيارًا من BEIR). لإضافة نموذج جديد، وسّع config.json وتأكد من وجود ملفات المتجهات .npy ضمن data/vector/<model>_<dataset>.npy.

الاستشهاد

@misc{li2026trustvectorsvectordatabase,
      title={Can You Trust the Vectors in Your Vector Database? Black-Hole Attack from Embedding Space Defects}, 
      author={Hanxi Li and Jianan Zhou and Jiale Lao and Yibo Wang and Zhengmao Ye and Yang Cao and Junfen Wang and Mingjie Tang},
      year={2026},
      eprint={2604.05480},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2604.05480}, 
}