ATOM: 一种检测图神经网络中基于查询的模型提取攻击的框架
机器学习
2025-03-24 v1 密码学与安全
摘要
图神经网络（GNN）在基于图形的机器学习即服务（GMLaaS）平台中获得了广泛关注，但它们仍然容易受到基于图形的模型提取攻击（MEAs），即攻击者通过查询受害模型来重建替代模型。现有的防御机制，如水印和指纹识别，存在实时性能差、易受规避攻击或依赖攻击后验证等不足，难以应对基于图形的 MEA 变体的动态特性。为解决这些局限性，我们提出 ATOM，一种专为 GNN 设计的新型实时 MEA 检测框架。ATOM 整合序列建模与强化学习，以动态检测不断演化的攻击模式，同时利用 -core 嵌入来捕捉结构特性，从而提升检测精度。此外，我们提供了理论分析以刻画查询行为并优化检测策略。在多个真实数据集上的大量实验表明，ATOM 在检测性能上优于现有方法，并在不同时间步上保持稳定，从而为 GMLaaS 环境提供了更有效的防御机制。
引用
@article{arxiv.2503.16693,
title = {ATOM: A Framework of Detecting Query-Based Model Extraction Attacks for Graph Neural Networks},
author = {Zhan Cheng and Bolin Shen and Tianming Sha and Yuan Gao and Shibo Li and Yushun Dong},
journal= {arXiv preprint arXiv:2503.16693},
year = {2025}
}