面向图节点注入攻击的对抗伪装
机器学习
2023-09-26 v4 密码学与安全
摘要
图神经网络(GNNs)上的节点注入攻击近年来受到越来越多的关注，因其能以高攻击成功率降低 GNN 性能。然而，我们的研究表明这些攻击在实际场景中常告失败，因为防御/检测方法可轻易识别并移除注入节点。为此，我们致力于伪装节点注入攻击，使注入节点看似正常且对防御/检测方法不可察觉。遗憾的是，图数据的非欧几里得结构以及直观先验的缺失，给伪装的形式化、实现与评估带来巨大挑战。本文中，我们首先提出并将伪装定义为注入节点与正常节点的自我网络之间的分布相似性。随后为实现，我们提出一种面向节点注入攻击的对抗伪装框架，即 CANA，以在实际场景下的防御/检测方法中提升攻击性能。在分布相似性指导下，进一步设计了一种新颖的伪装度量。大量实验表明，CANA 能在防御/检测方法下以更高伪装或不可察觉性显著提升攻击性能。本工作敦促我们提高对 GNN 在实际应用中安全漏洞的警觉。
引用
@article{arxiv.2208.01819,
title = {Adversarial Camouflage for Node Injection Attack on Graphs},
author = {Shuchang Tao and Qi Cao and Huawei Shen and Yunfan Wu and Liang Hou and Fei Sun and Xueqi Cheng},
journal= {arXiv preprint arXiv:2208.01819},
year = {2023}
}
备注
Published in Information Sciences. Code: https://github.com/TaoShuchang/CANA