रिकमेंडर सिस्टम्स पर एक कुशल और प्रभावी एजेंटिक ग्रुप शिलिंग अटैक

यह पेपर "An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems" के लिए आधिकारिक कोड है। यह पेपर AGAS प्रस्तुत करता है, जो ब्लैक-बॉक्स कोलैबोरेटिव-फ़िल्टरिंग रिकमेंडर्स के विरुद्ध एक LLM-संचालित शिलिंग अटैक है। एक Coordinator कई राउंड के अनुक्रम में नकली-उपयोगकर्ता workers के एक पूल को ऑर्केस्ट्रेट करता है। प्रत्येक राउंड में, Coordinator आठ रणनीतियों में से एक चुनता है और प्रत्येक worker को एक भूमिका सौंपता है। इसके बाद Workers अपने स्वयं के ReAct-शैली तर्क लूप का उपयोग करके यह तय करते हैं कि किन आइटम्स को रेट करना है।

---

1. रेपो अवलोकन

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. विधि पुनरावलोकन

AGAS चार वर्कर भूमिकाओं को तत्काल सक्रिय करता है (roles.py में पेपर प्रतीक):

प्रतीक	पूरा नाम	यह क्या करता है
PR	Profiler	प्लेटफ़ॉर्म की जाँच करने और ब्रिज पूल बनाने के लिए सुरक्षित फ़िलर-आइटम रेटिंग।
SN	Sniper	पेलोड भूमिका; सीधा लक्ष्य पुश या ब्रिज-आइटम प्रमोशन।
CA	Camouflageur	स्टील्थ भूमिका; सौम्य दिखने वाली गतिविधि से विश्वास पुनः स्थापित करता है।
IN	Inactive	इस राउंड में कोई कार्रवाई नहीं (कूल-डाउन या क्वारंटीन)।

प्रत्येक राउंड में Coordinator strategies.py से आठ रणनीतियों में से ठीक एक चुनता है (method_strategies.tex देखें):

1. Victim Probe (S1_VICTIM_PROBE)
2. Bridge Building (S2_BRIDGE_BUILDING, केवल ग्राफ़ शिकार)
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)

Coordinator इन निर्णयों को दो सिग्नल समूहों (signals.py) से संचालित करता है:

• वर्कर सिग्नल τ_{t,w}, γ_{t,w}, φ_{t,w} — विश्वास, जोखिम, और एक संरचनात्मक सत्यापनकर्ता। अद्यतन समीकरण method_coordinator.tex से बिल्कुल मेल खाते हैं (eq:trust_update, eq:risk_update, eq:risk_decay, eq:profile_validator)।
• पर्यावरण सिग्नल ρ^{(t)}, Δρ^{(t)}, η_t, ξ_t = (q_t, s_t), a_t — रैंक, रैंक-संचलन, स्वीकृति दर, दमन सिग्नल, अलर्ट फ़्लैग। संदेह स्कोर q_t पाँच सामान्यीकृत पदों (d̂_t, δ̂_t, m̂_t, ŝ_t, g_t) का 0.2-भारित योग है जो eq:round_suppression_terms और eq:round_suppression_score से लिया गया है।

राउंड लूप (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*)}]

The outer loop is implemented in src/agas/simulation/episode.py and mirrors algorithms/agas_end_to_end.tex.

3. Environment

Component	Requirement	Tested with
Python	≥ 3.10	3.13.5
PyTorch	≥ 2.1 (targets only)	2.11.0+cu128
CUDA	optional	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 और CUDA केवल डीप-लर्निंग विक्टिम मॉडल ([targets] extra) के लिए आवश्यक हैं। मुख्य AGAS लूप और नियम-आधारित / सरोगेट पथ बिना किसी GPU निर्भरता के CPU पर चलते हैं।

4. Install

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

आवश्यक environment variables:

Variable	उद्देश्य	डिफ़ॉल्ट
OPENAI_API_KEY	Coordinator / worker LLMs के लिए OpenAI Responses API key.	(unset → fallback)
OPENAI_MODEL	OpenAI को पास किया गया model name.	gpt-5.1

4. Datasets

यह पेपर छह सार्वजनिक CF benchmarks पर मूल्यांकन करता है (देखें experiment.tex):

Short name	स्रोत	Users	Items	Interactions	डाउनलोड	raw files यहाँ रखें
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 (capped)	GroupLens	data/genome2021/
Netflix	Netflix Prize	342,445	17,434	2,000,000 (capped)	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 (capped)	UCSD	data/amazon/