通过平衡投毒对符号图分析进行黑盒攻击
密码学与安全
2024-05-14 v1 社会与信息网络
摘要
符号图非常适合建模社交网络，因为它们同时捕捉正向和负向关系。符号图神经网络（SGNNs）由于其处理符号图独特结构的能力，常被用于预测此类图中的边符号（即正向和负向）。然而，真实世界的符号图易遭受通过操纵边关系的恶意攻击，且现有的对抗图攻击方法未考虑符号图的特定结构。SGNNs 常结合平衡理论以有效建模正负链接。令人惊讶的是，我们发现它们所依赖的平衡理论反而可被利用作为一种黑盒攻击。本文提出一种称为平衡攻击（balance-attack）的新型黑盒攻击，旨在降低符号图的平衡度。我们提出一种高效的启发式算法来求解这一 NP 难优化问题。我们在五种流行 SGNN 模型和四个真实世界数据集上进行了大量实验，以证明所提攻击方法的有效性和广泛适用性。通过应对这些挑战，我们的研究有助于更好地理解鲁棒模型在面临 SGNNs 攻击时的局限性与恢复力。本工作有助于增强社交网络建模中符号图分析的安全性和可靠性。我们的攻击的 PyTorch 实现已在 GitHub 公开：https://github.com/JialongZhou666/Balance-Attack.git。
引用
@article{arxiv.2309.02396,
title = {Black-Box Attacks against Signed Graph Analysis via Balance Poisoning},
author = {Jialong Zhou and Yuni Lai and Jian Ren and Kai Zhou},
journal= {arXiv preprint arXiv:2309.02396},
year = {2024}
}