온라인 랭킹 학습(OLTR)은 정보 검색 및 머신 러닝 시스템에서 중요한 역할을 하며, 검색 엔진 및 콘텐츠 추천과 같은 다양한 응용 분야에서 사용됩니다. 하지만, 널리 사용되고 있음에도 불구하고, OLTR 알고리즘이 조정된 적대적 공격에 취약하다는 점에 대한 이해는 부족합니다. 본 연구에서는 널리 사용되는 OLTR 알고리즘을 공격하기 위한 새로운 프레임워크를 제시합니다. 이 프레임워크는 학습 알고리즘에 선형 후회를 유발하면서, 목표 항목의 집합이 T - o(T) 라운드 동안 상위 K 추천 목록에 나타나도록 설계되었습니다. CascadeUCB1에 대한 CascadeOFA와 PBM-UCB에 대한 PBMOFA, 두 가지 새로운 공격 전략을 제안합니다. 두 전략 모두 성공하는 데 O(log T) 조작만 필요하다는 이론적 보장을 제공합니다. 또한, 실제 데이터를 기반으로 한 실험 결과를 통해 이론적 분석을 보완합니다.
