ARLib

Un marco de trabajo de código abierto para realizar ataques de envenenamiento de datos en sistemas de recomendación, diseñado para ayudar a investigadores y profesionales. Este repositorio se publica junto con nuestro artículo de revisión sobre ataques de envenenamiento contra sistemas de recomendación.

Miembros:
Wei Yuan, Universidad de Queensland, Australia, warrenyuan97@gmail.com
Hao Ma, Universidad de Chongqing, China, ma_hao@cqu.edu.cn
Zeao Chen, Universidad de Chongqing, China, zeao_chen@stu.cqu.edu.cn
Chenyu Li, Universidad de Chongqing, China, chenyu_li@stu.cqu.edu.cn

Creador:
Zongwei Wang, Universidad de Chongqing, China, zongwei@cqu.edu.cn

Apoyado por:
Prof. Min Gao, Universidad de Chongqing, China, gaomin@cqu.edu.cn
Centro de Capacitación ARC para Resiliencia de la Información (CIRES), Universidad de Queensland, Australia

Marco de trabajo

Uso

• Dos archivos de configuración attack_parser.py y recommend_parser.py están en el directorio llamado conf, y puede seleccionar y configurar el modelo de recomendación y el modelo de ataque modificando los archivos de configuración.
  
• Ejecute main.py.

Modelos implementados

| Modelo de recomendación | Artículo | | --- | --- | | GMF | Yehuda et al. Técnicas de factorización matricial para sistemas de recomendación, IEEE Computer'09.| | WRMF | Hu et al. Filtrado colaborativo para conjuntos de datos de retroalimentación implícita, KDD'09. | | NCF | He et al. Filtrado colaborativo neuronal, WWW'17. | | NGCF | Wang et al. Filtrado colaborativo en grafos neuronal, SIGIR'19. | | LightGCN | He et al. Lightgcn: Simplificación y potenciación de redes convolucionales de grafos para recomendación, SIGIR'2020. | | SSL4Rec | Yao et al. Aprendizaje auto-supervisado para recomendaciones de ítems a gran escala. CIKM'2021. | | NCL | Lin et al. Mejora del filtrado colaborativo en grafos con aprendizaje contrastivo enriquecido por vecindad. WWW'2022. | | SGL | Wu et al. Aprendizaje auto-supervisado en grafos para recomendación, SIGIR'21. | | SimGCL | Yu et al. ¿Son necesarias las aumentaciones de grafos? Aprendizaje contrastivo simple en grafos para recomendación, SIGIR'22. | | XSimGCL | Yu et al. XSimGCL: Hacia un aprendizaje contrastivo en grafos extremadamente simple para recomendación, TKDE'23. | | Modelo de Ataque | Artículo | Caso | | --- | --- | --- | | NoneAttack | N/A | Negro | | RandomAttack | Lam et al. Shilling Recommender Systems for Fun and Profit. WWW'2004 | Negro | | BandwagonAttack | Gunes et al. Shilling Attacks against Recommender Systems: A Comprehensive Survey. Artif.Intell.Rev.'2014 | Negro | | AUSH | Lin C et al. Attacking recommender systems with augmented user profiles. CIKM'2020. | Gris | | LegUP | Lin C et al. Shilling Black-Box Recommender Systems by Learning to Generate Fake User Profiles. IEEE Transactions on Neural Networks and Learning Systems'2022. | Gris | | GOAT | Wu et al. Ready for emerging threats to recommender systems? A graph convolution-based generative shilling attack. Information Sciences'2021. | Gris | | FedRecAttack | Rong et al. Fedrecattack: Model poisoning attack to federated recommendation. ICDE'2022. | Gris | | A_ra | Rong et al. Poisoning Deep Learning Based Recommender Model in Federated Learning Scenarios. IJCAI'2022. | Gris | | PGA | Li et al. Data poisoning attacks on factorization-based collaborative filtering. NIPS'2016. | Blanco | | DL_Attack | Huang et al. Data poisoning attacks to deep learning based recommender systems. arXiv'2021 | Blanco | | PipAttack | Zhang et al. Pipattack: Poisoning federated recommender systems for manipulating item promotion. WSDM'2022. | Gris | | RAPU | Zhang et al. Data Poisoning Attack against Recommender System Using Incomplete and Perturbed Data. KDD'2021. | Blanco | | PoisonRec | Song et al. Poisonrec: an adaptive data poisoning framework for attacking black-box recommender systems. ICDE'2021. | Negro | | CLeaR | Wang et al. Poisoning Attacks Against Contrastive Recommender Systems. arXiv'2023 | Blanco | | GTA | Wang et al. Revisiting data poisoning attacks on deep learning based recommender systems. ISCC 2023 | Negro |

Implemente Su Modelo

Determine si desea implementar el modelo de ataque o el modelo de recomendación, y luego agregue el archivo bajo el directorio correspondiente.

Si tiene un método de ataque, asegúrese de：

• Si necesita información del modelo recomendador, y luego configure self.recommenderGradientRequired=True.
  
• Si necesita información del modelo recomendador en entrenamiento, y luego configure self.recommenderModelRequired=True.
  
• Reimplemente la función posionDataAttack()

Si tiene un método recomendador, reimplemente las siguientes funciones：

• init()
• posionDataAttack()
• save()
• predict()
• evaluate()
• test()

Descargar Conjunto de Datos

BAIDU DISK
Link: https://pan.baidu.com/s/1Gw0SI_GZsykPQEngiMvZgA?pwd=akgm
key: akgm
Google Drive
Link: https://drive.google.com/drive/folders/1QLDickAMEuhi8mUOyAa66dicCTd40CG5?usp=sharing

Requisitos

base==1.0.4
numba==0.53.1
numpy==1.18.0
scipy==1.4.1
torch==1.7.1

Referencia

Si encuentra este repositorio útil para su investigación, por favor cite nuestro artículo.

@article{wang2024poisoning,
  title={Ataques de Envenenamiento y Defensas en Sistemas de Recomendación: Una Encuesta},
  author={Wang, Zongwei y Yu, Junliang y Gao, Min y Yuan, Wei y Ye, Guanhua y Sadiq, Shazia y Yin, Hongzhi},
  journal={arXiv preprint arXiv:2406.01022},
  year={2024}
}

--- Tranlated By Open Ai Tx | Last indexed: 2026-06-14 ---