ARLib

Un cadre open-source pour mener des attaques par empoisonnement de données sur les systèmes de recommandation, conçu pour aider les chercheurs et les praticiens. Ce dépôt est publié avec notre article de synthèse sur les attaques par empoisonnement contre les systèmes de recommandation.

Membres :
Wei Yuan, Université du Queensland, Australie, warrenyuan97@gmail.com
Hao Ma, Université de Chongqing, Chine, ma_hao@cqu.edu.cn
Zeao Chen, Université de Chongqing, Chine, zeao_chen@stu.cqu.edu.cn
Chenyu Li, Université de Chongqing, Chine, chenyu_li@stu.cqu.edu.cn

Créateur :
Zongwei Wang, Université de Chongqing, Chine, zongwei@cqu.edu.cn

Soutenu par :
Prof. Min Gao, Université de Chongqing, Chine, gaomin@cqu.edu.cn
Centre de formation ARC pour la résilience de l'information (CIRES), Université du Queensland, Australie

Cadre

Utilisation

• Deux fichiers de configuration attack_parser.py et recommend_parser.py se trouvent dans le répertoire nommé conf, et vous pouvez sélectionner et configurer le modèle de recommandation et le modèle d'attaque en modifiant les fichiers de configuration.
  
• Exécutez main.py.

Modèles Implémentés

| Modèle de recommandation | Article | | --- | --- | | GMF | Yehuda et al. Matrix Factorization Techniques for Recommender Systems, IEEE Computer'09.| | WRMF | Hu et al. Collaborative Filtering for Implicit Feedback Datasets, KDD'09. | | NCF | He et al. Neural Collaborative Filtering, WWW'17. | | NGCF | Wang et al. Neural Graph Collaborative Filtering, SIGIR'19. | | LightGCN | He et al. Lightgcn: Simplifying and powering graph convolution network for recommendation, SIGIR'2020. | | SSL4Rec | Yao et al. Self-supervised learning for large-scale item recommendations. CIKM'2021. | | NCL | Lin et al. Improving graph collaborative filtering with neighborhood-enriched contrastive learning. WWW'2022. | | SGL | Wu et al. Self-supervised Graph Learning for Recommendation, SIGIR'21. | | SimGCL | Yu et al. Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation, SIGIR'22. | | XSimGCL | Yu et al. XSimGCL: Towards extremely simple graph contrastive learning for recommendation, TKDE'23. | | Modèle d'attaque | Article | Cas | | --- | --- | --- | | NoneAttack | N/A | Noir | | RandomAttack | Lam et al. Shilling Recommender Systems for Fun and Profit. WWW'2004| Noir | | BandwagonAttack | Gunes et al. Shilling Attacks against Recommender Systems: A Comprehensive Survey. Artif.Intell.Rev.'2014 | Noir | | 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. | Blanc | | DL_Attack| Huang et al. Data poisoning attacks to deep learning based recommender systems. arXiv'2021| Blanc| | 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. | Blanc | | PoisonRec | Song et al. Poisonrec: an adaptive data poisoning framework for attacking black-box recommender systems. ICDE'2021. | Noir | | CLeaR | Wang et al. Poisoning Attacks Against Contrastive Recommender Systems. arXiv'2023 | Blanc | | GTA | Wang et al. Revisiting data poisoning attacks on deep learning based recommender systems. ISCC 2023 | Noir |

Implémentez Votre Modèle

Déterminez si vous souhaitez implémenter le modèle d'attaque ou le modèle de recommandation, puis ajoutez le fichier sous le répertoire correspondant.

Si vous avez une méthode d'attaque, assurez-vous：

• Si vous avez besoin d'informations sur le modèle de recommandation, puis définissez self.recommenderGradientRequired=True.
  
• Si vous avez besoin d'informations sur le modèle de recommandation en entraînement, puis définissez self.recommenderModelRequired=True.
  
• Réimplémentez la fonction posionDataAttack()

Si vous avez une méthode de recommandation, réimplémentez les fonctions suivantes：

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

Télécharger le Jeu de Données

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

Exigences

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

Référence

Si ce dépôt vous est utile pour vos recherches, veuillez citer notre article.

@article{wang2024poisoning,
  title={Attaques par empoisonnement et défenses dans les systèmes de recommandation : une revue},
  author={Wang, Zongwei et Yu, Junliang et Gao, Min et Yuan, Wei et Ye, Guanhua et Sadiq, Shazia et Yin, Hongzhi},
  journal={prépublication arXiv arXiv:2406.01022},
  year={2024}
}

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