Bkd-FedGNN：联邦图神经网络分类后门攻击基准
机器学习
2023-06-21 v1 人工智能
密码学与安全
摘要
联邦图神经网络（FedGNN）近来已成为一个快速增长的研究课题，因其融合了图神经网络与联邦学习的优势，能够在无需直接访问敏感数据的情况下实现先进的机器学习应用。尽管有其优势，FedGNN 的分布式特性引入了额外的漏洞，尤其是源自恶意参与者的后门攻击。尽管图后门攻击已被探索，但 GNN 与联邦学习结合所带来的复合复杂性阻碍了对这些攻击的全面理解，因为现有研究缺乏广泛的基准覆盖与对关键因素的深入分析。为应对这些局限，我们提出 Bkd-FedGNN，一个面向 FedGNN 后门攻击的基准。具体而言，Bkd-FedGNN 将图后门攻击分解为触发器生成与注入步骤，并将攻击扩展至节点级联邦设定，从而形成涵盖节点级与图级分类任务的统一框架。此外，我们深入研究了 FedGNN 上后门攻击中多个关键因素的影响。这些因素被归类为全局级与本地级因素，包括数据分布、恶意攻击者数量、攻击时机、重叠率、触发器大小、触发器类型、触发器位置与投毒率。最后，我们在 13 个基准数据集与 13 个关键因素上进行了综合评估，包含来自六个领域的节点级与图级任务的 1,725 项实验配置。这些实验涵盖超过 8,000 次独立测试，使我们能够提供透彻的评估与洞见性观察，从而增进对 FedGNN 后门攻击的理解。Bkd-FedGNN 基准已公开于 https://github.com/usail-hkust/BkdFedGCN。
引用
@article{arxiv.2306.10351,
title = {Bkd-FedGNN: A Benchmark for Classification Backdoor Attacks on Federated Graph Neural Network},
author = {Fan Liu and Siqi Lai and Yansong Ning and Hao Liu},
journal= {arXiv preprint arXiv:2306.10351},
year = {2023}
}