Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
AGAS — Framework d'attaque de shilling de groupe agentique piloté par LLM qui manipule les classements de systèmes de recommandation à filtrage collaboratif en boîte noire à l'aide de stratégies multi-rôles adaptatives tout en échappant à la détection. | Kitploit
Outils/GitHubGitHub/phkhanhtrinh23/agas
Apprentissage AutomatiqueArticles et RechercheApprentissage et ÉducationSécurité de l'IAAttaque Adversariale
GitHubphkhanhtrinh23/agas

AGAS

Framework d'attaque de shilling de groupe agentique piloté par LLM qui manipule les classements de systèmes de recommandation à filtrage collaboratif en boîte noire à l'aide de stratégies multi-rôles adaptatives tout en échappant à la détection.

Voir le dépôt
2104il y a 1 moisPas encore vérifié
Partager

Une attaque efficace et efficiente par groupe d'agents de shilling sur les systèmes de recommandation

arXiv visitors

Ceci est le code officiel de l'article : « An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems ». Cet article présente AGAS, qui est une attaque de shilling pilotée par LLM contre des systèmes de recommandation à filtrage collaboratif en boîte noire. Un Coordinateur orchestre un pool de workers utilisateurs factices sur une séquence de tours. À chaque tour, le Coordinateur choisit l'une des huit stratégies et attribue un rôle à chaque worker. Les workers décident ensuite quels items noter en utilisant leur propre boucle de raisonnement de style ReAct.

AGAS pipeline


1. Aperçu du dépôt

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. Récapitulatif de la méthode

AGAS instancie quatre rôles de travailleurs (symboles de l'article dans roles.py) :

SymboleNom completCe qu'il fait
PRProfilerÉvaluations sûres d'éléments de remplissage pour sonder la plateforme et construire des pools de pont.
SNSniperRôle de charge utile ; poussée directe de la cible ou promotion d'élément de pont.
CACamouflageurRôle furtif ; reconstruit la confiance avec une activité d'apparence bénigne.
INInactifAucune action ce tour (refroidissement ou quarantaine).

À chaque tour, le Coordinateur choisit exactement l'une des huit stratégies de strategies.py (voir method_strategies.tex) :

  1. Sonde de victime (S1_VICTIM_PROBE)
  2. Construction de pont (S2_BRIDGE_BUILDING, victimes de graphe uniquement)
  3. Échauffement (S3_WARM_UP)
  4. Première poussée (S4_FIRST_PUSH)
  5. Ralentissement silencieux (S5_SILENT_SLOWDOWN)
  6. Nettoyage de profil (S6_PROFILE_CLEANUP)
  7. Remplacement sûr (S7_SAFE_REPLACEMENT)
  8. Attaque principale (S8_MAIN_ATTACK)

Le Coordinateur pilote ces décisions à partir de deux groupes de signaux (signals.py) :

  • Signaux des travailleurs τ_{t,w}, γ_{t,w}, φ_{t,w} — confiance, risque et un validateur structurel. Les équations de mise à jour correspondent exactement à method_coordinator.tex (eq:trust_update, eq:risk_update, eq:risk_decay, eq:profile_validator).
  • Signaux d'environnement ρ^{(t)}, Δρ^{(t)}, η_t, ξ_t = (q_t, s_t), a_t — rang, mouvement de rang, taux d'acceptation, signal de suppression, indicateur d'alerte. Le score de suspicion q_t est la somme pondérée à 0,2 des cinq termes normalisés (d̂_t, δ̂_t, m̂_t, ŝ_t, g_t) issus de eq:round_suppression_terms et eq:round_suppression_score.

Boucle de tour (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*)}]

La boucle externe est implémentée dans src/agas/simulation/episode.py et reflète algorithms/agas_end_to_end.tex.

3. Environnement

ComposantExigenceTesté avec
Python≥ 3.103.13.5
PyTorch≥ 2.1 (cibles uniquement)2.11.0+cu128
CUDAfacultatif12.8
NumPy≥ 1.242.4.2
Pandas≥ 2.03.0.1
SciPy≥ 1.101.17.0
scikit-learn≥ 1.31.8.0
openai SDK≥ 1.122.21.0

PyTorch et CUDA ne sont requis que pour les modèles victimes d'apprentissage profond (extra [targets]). La boucle AGAS principale et les chemins basés sur des règles / substituts fonctionnent sur CPU sans dépendance GPU.

4. Installation

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

Variables d'environnement requises :

VariableObjectifValeur par défaut
OPENAI_API_KEYClé API OpenAI Responses pour les LLM Coordinateur / worker.(non définie → repli)
OPENAI_MODELNom du modèle transmis à OpenAI.gpt-5.1

4. Jeux de données

L'article évalue sur six benchmarks CF publics (voir experiment.tex) :

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    540
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    476
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    373
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    322
  • 5

    estorides

    grisuno/estorides

    Agrège plus de 99 sources OSINT gratuites en parallèle, résout les entités dans un graphe de connaissances et exporte en STIX 2.1, MISP ou GraphML avec une analyse assistée par LLM.

    278
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    251

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →