面向传感器网络中基于图的异常检测的预算受限对抗攻击
机器学习
2025-09-23 v1
摘要
图神经网络（GNN）已成为传感器网络中异常检测的强大模型，特别是在分析多变量时间序列时。在本工作中，我们引入BETA，一种针对此类GNN检测器的新型灰盒规避攻击，攻击者被限制在排除目标传感器的一组有限节点上扰动传感器读数，目标是在目标节点上抑制真实异常或触发误报。BETA识别对目标节点分类最具影响力的传感器，并在其特征中注入精心设计的对抗扰动，同时保持隐蔽性并遵守攻击者的预算约束。在三个真实传感器网络数据集上的实验表明，BETA平均将最先进的GNN检测器的检测准确率降低30.62%至39.16%，显著优于基线攻击策略，同时在现实约束下运行。
引用
@article{arxiv.2509.17987,
title = {Budgeted Adversarial Attack against Graph-Based Anomaly Detection in Sensor Networks},
author = {Sanju Xaviar and Omid Ardakanian},
journal= {arXiv preprint arXiv:2509.17987},
year = {2025}
}
备注
12 pages