图神经网络上具有合理约束的自适应后门攻击
机器学习
2025-03-13 v1 密码学与安全
摘要
近期研究表明，图神经网络（GNNs）容易受到后门攻击。针对 GNNs 的现有后门攻击使用固定模式触发器且缺乏合理的触发器约束，忽视了个体的图特征，导致隐蔽性不足。为了解决上述问题，我们提出了 ABARC，即首个具有合理约束的自适应后门攻击，适用于 GNNs 中的图级和节点级任务。对于图级任务，我们提出了一种独立于图拓扑的子图后门攻击。它为每个目标图动态选择触发器节点，并在基于图相似性、特征范围和特征类型的约束下修改节点特征。对于节点级任务，我们的攻击从分析节点特征开始，随后选择并修改触发器特征，这些特征同样受到节点相似性、特征范围和特征类型的约束。此外，设计了一种自适应剪边机制以减少邻居对目标节点的影响，确保了高攻击成功率（ASR）。实验结果表明，即使在具有合理约束以保证攻击隐蔽性的情况下，我们的攻击仍实现了高 ASR，且仅带来微小的干净准确率下降（CAD）。当与最先进的防御方法随机平滑（RS）结合时，我们的攻击保持了 94% 以上的 ASR，比现有攻击高出 7% 以上。
引用
@article{arxiv.2503.09049,
title = {Adaptive Backdoor Attacks with Reasonable Constraints on Graph Neural Networks},
author = {Xuewen Dong and Jiachen Li and Shujun Li and Zhichao You and Qiang Qu and Yaroslav Kholodov and Yulong Shen},
journal= {arXiv preprint arXiv:2503.09049},
year = {2025}
}