比特翻转故障攻击：通过渐进比特搜索破坏图神经网络
机器学习
2025-07-09 v1 硬件体系结构
摘要
图神经网络（Graph Neural Networks, GNNs）已成为处理图结构数据强大的机器学习方法。为满足实际应用中 GNNs 的性能需求，已引入大量硬件加速器。然而，针对基于硬件的攻击的安全挑战通常被忽视。本文研究了 GNN 模型针对基于硬件的故障攻击的脆弱性，攻击者通过在存储器设备中注入故障来修改已训练的权重参数，从而误分类输出。因此，我们提出了渐进比特翻转故障攻击（Gradual Bit-Flip Fault Attack, GBFA），这是一种受层次影响的比特翻转故障攻击，通过在每个选中权重中逐步选择脆弱比特，以最小化比特翻转数量来破坏 GNN 的性能。为实现这一目标，GBFA 分为两个步骤。首先，创建马尔可夫模型，基于从存储器访问模式中提取的特征预测各层的执行序列，从而在特定层内发起攻击。随后，GBFA 通过在层内搜索中的梯度排序识别选中权重中的脆弱比特。我们在针对节点分类任务的各种 GNN 模型上使用 Cora 和 PubMed 数据集评估了所提出 GBFA 攻击的有效性。我们的发现表明，GBFA 显著降低预测准确率，其影响在不同层之间的差异凸显了在 GNNs 中采用受层次影响的攻击策略的重要性。例如，GBFA 在 Cora 数据集上仅通过在最后一层翻转单个比特即可使 GraphSAGE 的预测准确率下降 17%。
引用
@article{arxiv.2507.05531,
title = {Bit-Flip Fault Attack: Crushing Graph Neural Networks via Gradual Bit Search},
author = {Sanaz Kazemi Abharian and Sai Manoj Pudukotai Dinakarrao},
journal= {arXiv preprint arXiv:2507.05531},
year = {2025}
}