phkhanhtrinh23/agasFramework di attacco di group shilling agentico guidato da LLM che manipola i ranking dei sistemi di raccomandazione collaborative-filtering black-box utilizzando strategie adattive multi-ruolo eludendo al contempo il rilevamento.
Questo è il codice ufficiale del paper: "An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems". Questo paper introduce AGAS, che è un attacco shilling guidato da LLM contro recommender collaborative-filtering black-box. Un Coordinator orchestra un pool di worker fake-user attraverso una sequenza di round. In ogni round, il Coordinator sceglie una tra otto strategie e assegna un ruolo a ogni worker. I worker poi decidono quali item valutare utilizzando il proprio ciclo di ragionamento in stile 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. Riepilogo del metodo
AGAS istanzia quattro ruoli di worker (simboli del paper in `roles.py`):
| Simbolo | Nome esteso | Cosa fa |
|---------|----------------|-------------------------------------------------------------------------|
| `PR` | Profiler | Valutazioni sicure di filler-item per sondare la piattaforma e costruire bridge pool. |
| `SN` | Sniper | Ruolo di payload; push diretto del target o promozione di bridge-item. |
| `CA` | Camouflageur | Ruolo stealth; ricostruisce la fiducia con attività dall'aspetto benigno. |
| `IN` | Inactive | Nessuna azione in questo round (cool-down o quarantena). |
Ogni round il Coordinator sceglie esattamente una tra otto strategie da
`strategies.py` (vedi `method_strategies.tex`):
1. **Victim Probe** (`S1_VICTIM_PROBE`)
2. **Bridge Building** (`S2_BRIDGE_BUILDING`, solo vittime del grafo)
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`)
Il Coordinator guida tali decisioni a partire da due gruppi di segnali (`signals.py`):
* **Segnali dei worker** `τ_{t,w}, γ_{t,w}, φ_{t,w}` — fiducia, rischio e un
validatore strutturale. Le equazioni di aggiornamento corrispondono esattamente
a `method_coordinator.tex` (`eq:trust_update`, `eq:risk_update`, `eq:risk_decay`,
`eq:profile_validator`).
* **Segnali ambientali** `ρ^{(t)}, Δρ^{(t)}, η_t, ξ_t = (q_t, s_t), a_t` —
rank, movimento del rank, tasso di accettazione, segnale di soppressione, flag di allerta. Il
punteggio di sospetto `q_t` è la somma pesata a 0.2 dei cinque termini
normalizzati `(d̂_t, δ̂_t, m̂_t, ŝ_t, g_t)` da `eq:round_suppression_terms` e
`eq:round_suppression_score`.
### Ciclo del round (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*)}]
Il loop esterno è implementato in src/agas/simulation/episode.py e rispecchia
algorithms/agas_end_to_end.tex.
| Componente | Requisito | Testato con |
|---|---|---|
| Python | ≥ 3.10 | 3.13.5 |
| PyTorch | ≥ 2.1 (solo targets) | 2.11.0+cu128 |
| CUDA | opzionale | 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 e CUDA sono richiesti solo per i modelli vittima di deep learning (extra [targets]). Il loop AGAS principale e i percorsi basati su regole / surrogati funzionano su CPU senza dipendenze GPU.
pip install -e .
pip install -e '.[targets]'
Variabili d'ambiente richieste:
| Variabile | Scopo | Predefinito |
|--------------------|---------------------------------------------------------------|--------------------------|
| `OPENAI_API_KEY` | Chiave API OpenAI Responses per il Coordinator / worker LLMs. | *(non impostata → fallback)* |
| `OPENAI_MODEL` | Nome del modello passato a OpenAI. | `gpt-5.1` |
## 4. Dataset
Il paper valuta su sei benchmark CF pubblici (vedi `experiment.tex`):
| Nome breve | Fonte | Utenti | Elementi | Interazioni | Download | Posiziona i file grezzi 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 (limitato) | [GroupLens](https://grouplens.org/datasets/movielens/tag-genome-2021/) | `data/genome2021/` |
| Netflix | Netflix Prize | 342,445 | 17,434 | 2,000,000 (limitato) | [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 (limitato) | [UCSD](https://nijianmo.github.io/amazon/index.html) | `data/amazon/` |