数据投毒攻击针对图数据局部差分隐私协议
密码学与安全
2024-12-31 v1 数据库
摘要
随着大数据和机器学习的普及，图分析正变得越来越流行。传统的图数据分析方法常假设存在可信任的第三方来收集和存储图数据，但这并不符合现实情况。为此，一些研究提出利用局部差分隐私（Local Differential Privacy, LDP）来收集图数据或图指标（如聚类系数）。此类研究侧重于在LDP下从每个节点本地收集两个原子图指标（邻接位向量和节点度），以合成整个图或生成图指标。然而，这些方法尚未考虑LDP在图数据上的安全问题。本文填补了这一空白，展示了攻击者如何向LDP图协议中注入虚假用户，并设计数据投毒攻击以降低图指标质量。具体地，本文提出了三种针对LDP图协议的数据投毒攻击方法。以度中心性和聚类系数两类经典图指标为案例，验证了这些攻击的有效性。进一步设计了两种防御措施以抵御上述攻击。实验结果表明，所提攻击能够显著降低收集图指标的质量，而提出的防御措施也未能有效抵消其影响，这呼吁开发新的防御技术。
引用
@article{arxiv.2412.19837,
title = {Data Poisoning Attacks to Local Differential Privacy Protocols for Graphs},
author = {Xi He and Kai Huang and Qingqing Ye and Haibo Hu},
journal= {arXiv preprint arXiv:2412.19837},
year = {2024}
}