针对垂直联邦图神经网络学习的后门攻击
机器学习
2025-01-27 v2 人工智能
密码学与安全
摘要
联邦图神经网络（FedGNN）将联邦学习（FL）与图神经网络（GNN）集成，以实现分布式图数据的隐私保护训练。垂直联邦图神经网络（VFGNN）是 FedGNN 的重要分支，处理数据特征和标签分布在不同参与方中的情形。尽管 VFGNN 具有健壮的隐私保护设计，但仍面临后门攻击风险，即使在标签不可访问的情况下亦然。本文提出 BVG，一种新型后门攻击方法，利用多跳触发器和后门保留机制，仅需四个目标类别节点即可实现有效攻击。实验结果表明，BVG 在三个常用数据集和三个 GNN 模型上实现近乎 100% 的攻击成功率，且对主任务准确率影响最小。我们还评估了各种防御方法，BVG 方法在现有防御下仍保持高攻击效能。这一发现凸显了在实际 VFGNN 应用中亟需更高级的防御机制以应对复杂后门攻击的必要性。
引用
@article{arxiv.2410.11290,
title = {Backdoor Attack on Vertical Federated Graph Neural Network Learning},
author = {Jirui Yang and Peng Chen and Zhihui Lu and Ruijun Deng and Qiang Duan and Jianping Zeng},
journal= {arXiv preprint arXiv:2410.11290},
year = {2025}
}