ARLib

一个用于对推荐系统进行数据投毒攻击的开源框架，旨在协助研究人员和从业者。该仓库随我们关于推荐系统投毒攻击的调研论文一起发布。

成员：
魏远，澳大利亚昆士兰大学，warrenyuan97@gmail.com
马昊，中国重庆大学，ma_hao@cqu.edu.cn
陈泽奥，中国重庆大学，zeao_chen@stu.cqu.edu.cn
李辰宇，中国重庆大学, chenyu_li@stu.cqu.edu.cn

创建者：
王宗伟，中国重庆大学，zongwei@cqu.edu.cn

支持单位：
高敏教授，中国重庆大学，gaomin@cqu.edu.cn
澳大利亚昆士兰大学ARC信息韧性培训中心(CIRES)

框架

Alt text

使用方法

目录conf下有两个配置文件attack_parser.py和recommend_parser.py，您可以通过修改配置文件选择和配置推荐模型与攻击模型。
运行main.py。

已实现模型

| 推荐模型 | 论文 | | --- | --- | | GMF | Yehuda等人，《Matrix Factorization Techniques for Recommender Systems》，IEEE Computer'09。| | WRMF | Hu等人，《Collaborative Filtering for Implicit Feedback Datasets》，KDD'09。 | | NCF | He等人，《Neural Collaborative Filtering》，WWW'17。 | | NGCF | Wang等人，《Neural Graph Collaborative Filtering》，SIGIR'19。 | | LightGCN | He等人，《LightGCN: Simplifying and powering graph convolution network for recommendation》，SIGIR'2020。 | | SSL4Rec | Yao等人，《Self-supervised learning for large-scale item recommendations》，CIKM'2021。 | | NCL | Lin等人，《Improving graph collaborative filtering with neighborhood-enriched contrastive learning》，WWW'2022。 | | SGL | Wu等人，《Self-supervised Graph Learning for Recommendation》，SIGIR'21。 | | SimGCL | Yu等人，《Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation》，SIGIR'22。 | | XSimGCL | Yu等人，《XSimGCL: Towards extremely simple graph contrastive learning for recommendation》，TKDE'23。 |

| 攻击模型 | 论文 | 案例 | | --- | --- | --- | | NoneAttack | 不适用 | 黑盒 | | RandomAttack | Lam 等人. 《为了娱乐和利润的推荐系统刷榜攻击》. WWW'2004 | 黑盒 | | BandwagonAttack | Gunes 等人. 《针对推荐系统的刷榜攻击：综合调查》. 人工智能综述'2014 | 黑盒 | | AUSH | Lin C 等人. 《利用增强用户画像攻击推荐系统》. CIKM'2020. | 灰盒 | | LegUP | Lin C 等人. 《通过学习生成假用户画像对黑盒推荐系统进行刷榜攻击》. IEEE 神经网络与学习系统汇刊'2022. | 灰盒 | | GOAT | Wu 等人. 《准备应对推荐系统的新兴威胁？基于图卷积的生成式刷榜攻击》. 信息科学'2021. | 灰盒 | | FedRecAttack | Rong 等人. 《Fedrecattack：联邦推荐的模型投毒攻击》. ICDE'2022. | 灰盒 | | A_ra | Rong 等人. 《联邦学习场景下基于深度学习推荐模型的投毒攻击》. IJCAI'2022. | 灰盒 | | PGA | Li 等人. 《基于分解的协同过滤数据投毒攻击》. NIPS'2016. | 白盒 | | DL_Attack| Huang 等人. 《基于深度学习推荐系统的数据投毒攻击》. arXiv'2021 | 白盒 | | PipAttack | Zhang 等人. 《Pipattack：操控商品推广的联邦推荐系统投毒攻击》. WSDM'2022. | 灰盒 | | RAPU | Zhang 等人. 《利用不完整和扰动数据的推荐系统数据投毒攻击》. KDD'2021. | 白盒 | | PoisonRec | Song 等人. 《Poisonrec：针对黑盒推荐系统的自适应数据投毒框架》. ICDE'2021. | 黑盒 | | CLeaR | Wang 等人. 《对比推荐系统的投毒攻击》. arXiv'2023 | 白盒 | | GTA | Wang 等人. 《重新审视基于深度学习推荐系统的数据投毒攻击》. ISCC 2023 | 黑盒 |

实现您的模型

确定您是想实现攻击模型还是推荐模型，然后将文件添加到相应的目录下。

如果您有攻击方法，请确保：

是否需要推荐模型的信息，然后设置 self.recommenderGradientRequired=True。
是否需要训练推荐模型的信息，然后设置 self.recommenderModelRequired=True。
重新实现函数 posionDataAttack()。

如果您有推荐方法，请重新实现以下函数：

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

下载数据集

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

需求

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

参考文献

如果您发现本仓库对您的研究有帮助，请引用我们的论文。

@article{wang2024poisoning,
  title={推荐系统中的投毒攻击与防御：综述},
  author={王宗伟 and 余俊良 and 高敏 and 袁伟 and 叶冠华 and 萨迪克·沙齐娅 and 殷宏志},
  journal={arXiv 预印本 arXiv:2406.01022},
  year={2024}
}

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