对抗性网络攻击能否被防御？
社会与信息网络
2019-03-15 v1 物理与社会
摘要
机器学习已成功应用于多个领域的复杂网络分析，基于图神经网络（GNNs）的方法优于其他方法。近来，网络上的对抗攻击引起特别关注，因为精心构造的带有轻微扰动的对抗网络可使大量网络应用失效，如节点分类、链接预测和社区发现等。此类攻击易于构造，对传统方法和深度模型等多种分析方法构成严重安全威胁。据我们所知，本文首次讨论针对网络对抗攻击的防御方法。本文关注网络对抗攻击防御的可能性，并提出针对 GNNs 的攻击防御策略。首先，我们提出新颖的对抗训练策略以提升 GNNs 的抗攻击能力。随后，我们分析研究了通过平滑防御赋予 GNNs 的鲁棒性性质，并提出两种特殊平滑防御策略：平滑蒸馏与平滑交叉熵损失函数。二者均能平滑 GNNs 的梯度，从而降低对抗梯度的幅度，有利于对攻击者的梯度掩蔽。综合实验表明，我们提出的策略在不同网络分析任务下的四个真实世界网络上对多种对抗攻击具有良好的防御能力。
引用
@article{arxiv.1903.05994,
title = {Can Adversarial Network Attack be Defended?},
author = {Jinyin Chen and Yangyang Wu and Xiang Lin and Qi Xuan},
journal= {arXiv preprint arXiv:1903.05994},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1809.02797