phkhanhtrinh23/agasFramework 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.
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 ensemble de workers faux-utilisateurs 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 éléments noter en utilisant leur propre boucle de raisonnement de style ReAct.
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`) :
| Symbole | Nom long | Ce qu'il fait |
|--------|----------------|-------------------------------------------------------------------------|
| `PR` | Profiler | Évaluations sûres d'éléments de remplissage pour sonder la plateforme et construire des pools de pont. |
| `SN` | Sniper | Rôle de charge utile ; poussée directe de la cible ou promotion d'élément de pont. |
| `CA` | Camouflageur | Rôle furtif ; reconstruit la confiance avec une activité d'apparence bénigne. |
| `IN` | Inactif | Aucune 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.
| Composant | Exigence | Testé avec |
|---|---|---|
| Python | ≥ 3.10 | 3.13.5 |
| PyTorch | ≥ 2.1 (cibles uniquement) | 2.11.0+cu128 |
| CUDA | facultatif | 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 |
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 s'exécutent sur CPU sans dépendance GPU.
pip install -e .
pip install -e '.[targets]'
Variables d'environnement requises :
| Variable | Purpose | Default |
|--------------------|---------------------------------------------------------------|--------------------------|
| `OPENAI_API_KEY` | OpenAI Responses API key for the Coordinator / worker LLMs. | *(unset → fallback)* |
| `OPENAI_MODEL` | Model name passed to OpenAI. | `gpt-5.1` |
## 4. Jeux de données
L'article évalue sur six benchmarks CF publics (voir `experiment.tex`) :
| Short name | Source | Users | Items | Interactions | Download | Place raw files in |
|-------------|---------------------------|----------:|-------:|-------------------:|-------------------------------------------------------------------|---------------------|
| ML-100K | MovieLens 100K | 943 | 1,682 | 100,000 | [GroupLens](https://files.grouplens.org/datasets/movielens/ml-100k.zip) | `data/ml-100k/` |
| ML-1M | MovieLens 1M | 6,040 | 3,706 | 1,000,209 | [GroupLens](https://files.grouplens.org/datasets/movielens/ml-1m.zip) | `data/ml-1m/` |
| Genome 2021 | MovieLens Tag Genome 2021 | 37,941 | 84,661 | 2,000,000 (capped) | [GroupLens](https://grouplens.org/datasets/movielens/tag-genome-2021/) | `data/genome2021/` |
| Netflix | Netflix Prize | 342,445 | 17,434 | 2,000,000 (capped) | [Kaggle](https://www.kaggle.com/datasets/netflix-inc/netflix-prize-data) | `data/netflix/` |
| Douban | Douban Movie | 28,057 | 49,176 | 8,085,679 | [HKUST](http://shichuan.org/HIN_dataset.html) | `data/douban/` |
| Amazon | Amazon Reviews 2018 | 998,653 | 30,964 | 2,000,000 (capped) | [UCSD](https://nijianmo.github.io/amazon/index.html) | `data/amazon/` |