هجوم تزوير جماعي وكيلي فعّال وفعّال على أنظمة التوصية

هذا هو الكود الرسمي للورقة البحثية: "An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems". تقدم هذه الورقة AGAS، وهو هجوم تزوير مدفوع بنماذج اللغة الكبيرة (LLM) ضد أنظمة التوصية القائمة على التصفية التعاونية ذات الصندوق الأسود. يقوم منسّق واحد بتنسيق مجموعة من العمال من المستخدمين المزيفين عبر سلسلة من الجولات. في كل جولة، يختار المنسّق واحدة من ثماني استراتيجيات ويُسنِد دورًا لكل عامل. ثم يقرر العمال العناصر التي سيقيّمونها باستخدام حلقة استدلال خاصة بهم على نمط ReAct.

---

1. نظرة عامة على المستودع

agent_attack_rs/
  bash/                           # Reviewer-friendly shell scripts (RQ1–RQ5)
  prompts/                        # Coordinator + per-role prompt templates
  scripts/run_agas.py             # Single entry point (--dataset --victim ...)
  src/agas/
    roles.py                      # Role enum {PR, SN, CA, IN} (paper symbols)
    signals.py                    # WorkerSignals (τ, γ, φ) + EnvSignals (ρ, Δρ, η, ξ, a)
    strategies.py                 # 8-strategy enum
    agents/                       # Coordinator + Worker policies
    simulation/                   # Episode runner (= AGAS algorithm outer loop)
    llm/                          # OpenAI / Ollama
    recsys/                       # Surrogate + 11-victim backends
    data/                         # Dataset loaders + preprocessing pipeline
  tests/                          # Pytest suite

2. ملخّص المنهجية

يقوم AGAS بإنشاء أربعة أدوار للعاملين (رموز الورقة في roles.py):

الرمز	الاسم الكامل	ما الذي يفعله
PR	Profiler	تقييمات آمنة لعناصر الحشو لاستكشاف المنصة وبناء مجموعات الجسور.
SN	Sniper	دور الحمولة؛ دفع مباشر نحو الهدف أو ترقية عنصر الجسر.
CA	Camouflageur	دور التخفّي؛ يعيد بناء الثقة عبر نشاط يبدو حميدًا.
IN	Inactive	لا إجراء في هذه الجولة (تهدئة أو حجر).

في كل جولة يختار المنسّق استراتيجية واحدة بالضبط من بين ثماني استراتيجيات من strategies.py (انظر method_strategies.tex):

1. Victim Probe (S1_VICTIM_PROBE)
2. Bridge Building (S2_BRIDGE_BUILDING، ضحايا الرسم البياني فقط)
3. Warm-up (S3_WARM_UP)
4. First Push (S4_FIRST_PUSH)
5. Silent Slowdown (S5_SILENT_SLOWDOWN)
6. Profile Cleanup (S6_PROFILE_CLEANUP)
7. Safe Replacement (S7_SAFE_REPLACEMENT)
8. Main Attack (S8_MAIN_ATTACK)

يقود المنسّق تلك القرارات انطلاقًا من مجموعتين من الإشارات (signals.py):

• إشارات العاملين τ_{t,w}, γ_{t,w}, φ_{t,w} — الثقة، والمخاطر، و مُدقّق بنيوي. تطابق معادلات التحديث method_coordinator.tex تمامًا (eq:trust_update، eq:risk_update، eq:risk_decay، eq:profile_validator).
• إشارات البيئة ρ^{(t)}, Δρ^{(t)}, η_t, ξ_t = (q_t, s_t), a_t — الرتبة، وحركة الرتبة، ومعدل القبول، وإشارة الكبت، وعلامة التنبيه. درجة الاشتباه q_t هي المجموع الموزون بمعامل 0.2 للحدود الخمسة المُعيّرة (d̂_t, δ̂_t, m̂_t, ŝ_t, g_t) من eq:round_suppression_terms و eq:round_suppression_score.

حلقة الجولة (ASCII)

                ┌─────────────────────────────────────────────────┐
   t=0…T-1 ──►  │ 1. Observe ρ^{(t)}, update memory m_t           │
                │ 2. Update τ, γ, φ, η, ξ, a                       │
                │ 3. Coordinator picks Strategy ∈ {S1…S8}          │
                │    and assigns Role ∈ {PR, SN, CA, IN} per worker│
                │ 4. Workers act (filler / bridge / target items)  │
                │ 5. Validate + accept actions → ΔR̃^{(t+1)}        │
                │ 6. Refit / query victim → ρ^{(t+1)}              │
                └─────────────────────────────────────────────────┘
                          │
                          ▼
                   t* = argmin_t ρ^{(t)}, return R* = [R ; R̃^{(≤t*)}]

تُنفَّذ الحلقة الخارجية في src/agas/simulation/episode.py وتحاكي algorithms/agas_end_to_end.tex.

3. البيئة

المكوّن	المتطلب	تم اختباره مع
Python	≥ 3.10	3.13.5
PyTorch	≥ 2.1 (الأهداف فقط)	2.11.0+cu128
CUDA	اختياري	12.8
NumPy	≥ 1.24	2.4.2
Pandas	≥ 2.0	3.0.1
SciPy	≥ 1.10	1.17.0
scikit-learn	≥ 1.3	1.8.0
openai SDK	≥ 1.12	2.21.0

لا يُشترط PyTorch وCUDA إلا لنماذج الضحية الخاصة بالتعلّم العميق (إضافة [targets]). تعمل حلقة AGAS الأساسية والمسارات القائمة على القواعد / البديلة على CPU دون أي اعتماد على GPU.

4. التثبيت

pip install -e .
# If you want to use the deep-learning victim models (LightGCN, NeuMF, …)
pip install -e '.[targets]'

متغيرات البيئة المطلوبة:

المتغير	الغرض	الافتراضي
OPENAI_API_KEY	مفتاح OpenAI Responses API لمنسّق / نماذج العمال LLMs.	(غير معيّن → احتياطي)
OPENAI_MODEL	اسم النموذج المُمرَّر إلى OpenAI.	gpt-5.1

4. مجموعات البيانات

تقيّم الورقة البحثية على ستة معايير CF عامة (انظر experiment.tex):

الاسم المختصر	المصدر	المستخدمون	العناصر	التفاعلات	التنزيل	ضع الملفات الخام في
ML-100K	MovieLens 100K	943	1,682	100,000	GroupLens	data/ml-100k/
ML-1M	MovieLens 1M	6,040	3,706	1,000,209	GroupLens	data/ml-1m/
Genome 2021	MovieLens Tag Genome 2021	37,941	84,661	2,000,000 (محدود)	GroupLens	data/genome2021/
Netflix	Netflix Prize	342,445	17,434	2,000,000 (محدود)	Kaggle	data/netflix/
Douban	Douban Movie	28,057	49,176	8,085,679	HKUST	data/douban/
Amazon	Amazon Reviews 2018	998,653	30,964	2,000,000 (محدود)	UCSD	data/amazon/