资源介绍
视频数量：10个
总时长：1小时25分
课程介绍：
电商推荐系统对抗机器学习攻防实战
你有没有想过，手机里那个购物App推送的"猜你喜欢"，背后其实是一套精密的排序算法在替你做决定？而更关键的问题是——这套算法，扛得住有人故意捣乱吗？
这不是危言耸听。推荐引擎是电商业务的命脉，它直接决定了曝光、点击和成交。也正因为如此，它成了攻击者眼中极具吸引力的目标。数据投毒、模型反演、会员推断、API滥用——这些威胁已经被NIST、MITRE ATLAS、OWASP等机构正式写进了风险框架。
这门课的独特之处在于：它不教你纸上谈兵的理论，而是用整整100个动手实验，带你从零搭建一套完整的、具备对抗鲁棒性的电商推荐系统。你会同时扮演攻击者和防御者，亲手撕开系统的弱点，再亲手修补它。
一、打好地基。你会搭建可复现的工作站，设计电商事件的数据schema，生成合成的市场数据集，从最朴素的热门商品基线开始跑通推荐评估。在这一阶段结束时，你已经能用FastAPI暴露出第一个推荐端点，拿到一个能跑起来的最小可用系统。
二、深入建模。你会构建用户-物品交互矩阵，训练隐式ALS模型，用FAISS建立相似物品索引。课程还会教你把候选生成和重排序分开，搭建时间序列的回放模拟器，识别离线指标和在线表现之间的偏差，并专门安排冷启动处理和模型卡片的撰写——这些都是在真实生产环境里绕不开的工程细节。
三、扮演攻击者。这一部分最让人兴奋。你需要先建立一套威胁模型，然后系统性地模拟随机灌水攻击、协同 bandwagon 攻击、针对特定商品的nuke攻击、会话注入、低速慢速投毒、API模型提取、速率限制绕过、成员推断以及元数据投毒。每一种攻击都配有预算计算器和红队交战规则。你会惊讶地发现，很多推荐排序在精心设计的对抗面前，脆弱得超乎想象。
四、建设防御。攻击完了自然要防守。你会加上事件schema校验拦截脏数据，构建无监督的机器人检测器，做时间窗口的突发检测和长期漂移检测，隔离可疑事件后重新训练，观察排名是否恢复。隐私层面也要落到实处：用户ID假名化、数据保留窗口、用户删除的级联传播、隐私友好的日志记录，这些不是纸面合规工作，而是要一行一行写进代码里的实际机制。
五、推向工业化。引入DuckDB做本地分析，PostgreSQL做元数据存储，MinIO做对象存储；用MLflow追踪训练实验，DVC做数据版本管理，Feast定义并实化特征视图；用Airflow编排批处理流水线，Kafka接入实时事件流；最后用Makefile加CI把整个流水线串起来，让测试、代码风格和安全扫描都自动跑通。
六、聚焦在线服务。把推荐API容器化，加上健康检查、结构化JSON日志、Prometheus指标、OpenTelemetry链路追踪，在Grafana上搭建模型运维仪表盘。你还要学会熔断降级、灰度发布、影子打分、Locust压测、SLO定义和事故应急手册的撰写。
七、进入云原生安全。在本地Kubernetes集群上跑通API，用Helm打包部署，强制命名空间隔离，用OPA做策略即代码，Trivy扫容器漏洞，Syft生成软件物料清单，Cosign给镜像签名，落地最小权限的RBAC并搭建合规追溯矩阵。
八、迈向主权部署。这一部分讨论的是一个更前沿的话题：主权AI与去中心化研究。你会设计主权部署的拓扑结构，实现区域感知配置切换，建立联邦评估模式，把研究成果打包成可复现的工件。最终迎接Capstone实验，把前面所有的能力整合起来，交付一个主权的、对抗鲁棒的生产级推荐引擎。
适合谁？这门课显然不适合零基础的同学。你需要对机器学习的基本概念有一定了解，最好有一定的Python工程经验。如果你正在做推荐系统、广告排序、风控建模，或者你是安全团队里想搞清楚ML系统攻击面的工程师，这门课会给你一个完整的、从攻击到防御再到工程落地的闭环训练。
学完之后，你手里不再只是几个调参脚本。你拥有的是一套可以真正部署上线的推荐系统安全工程能力——从数据层、模型层、服务层到合规层，每一层都有明确的攻击应对策略和工程保障。这正是当下业界最紧缺的能力组合。