论文
TH-GNN：用于 LLM-Agent 先令攻击检测的异构时态图神经网络
TH-GNN: Heterogeneous Temporal Graph Neural Networks for LLM-Agent Shilling Attack Detection
摘要
LLM 代理现在可以大规模生成真实的先令配置文件、流畅的评论和连贯的评级，系统地击败推荐系统的防御。标记评论嵌入中语义漂移的纯文本检测器对图结构和时间协调视而不见，而利用邻域异常的纯图检测器无法推理评论语义或 LLM 生成的内容产生的跨模式不一致。我们提出了 TH-GNN，一种异构时间图神经网络，具有两层异构图 Transformer 主干，它应用每种类型和每种关系的注意力，并在每个边缘上通过可学习的正弦时间编码进行增强。跨模式注意力将结构性用户嵌入与评论和项目描述的冻结 RoBERTa 表示融合在一起，而在日志到达间隔时间上运行的 GRU 则捕获时间突发性。通过五个攻击系列和四个基准数据集的评估，TH-GNN 的总平均 F1 分数为 0.870，比 Agent4SR 攻击中最强的纯文本基线高出 10.9 个百分点，在最低注入率下高出 11.5 个百分点。这些结果证明了联合建模时间、结构和语义信号对于检测复杂的 LLM 驱动的先令攻击的有效性。