自造攻击：基于子图触发器池的高效且难以察觉的多类别图后门攻击

图神经网络(GNN)在社交网络、金融系统和交通管理等众多实际应用中取得了显著的成功。近期研究聚焦于节点分类中的后门攻击，即在特定触发器附加后，训练受毒化图数据集的GNN会误分类测试节点。这些研究通常只针对单一攻击类别，并使用自适应触发器生成器创建节点特定的触发器。然而，自适应触发器生成器结构简单、参数有限，缺乏针对类别的图知识，难以应对随目标类别数量增加而引发的多类别后门攻击。为此，我们提出了一种有效且难以察觉的多类别图后门攻击方法，称为EUMC(Effective and Unnoticeable Multi-Category)，通过利用来自受攻击图的子图作为类别感知触发器，精确控制目标类别。为确保方法有效性，我们构建了由受攻击图子图作为触发器的多类别子图触发器池(MC-STP)，并利用每个子图触发器的附着概率偏移作为目标类别的类别感知先验。此外，我们开发了一种“选取后附着”策略，将合适的类别感知触发器连接到受攻击节点，以实现难以察觉。广泛的实验在不同真实数据集上表明，我们的方法在 various GNN模型和防御策略上有效地执行了多类别图后门攻击。