Disttack：针对分布式 GNN 训练的图对抗攻击
机器学习
2024-05-13 v1 人工智能
密码学与安全
摘要
图神经网络（GNNs）已成为图学习的强大模型。将训练过程分布到多个计算节点上是应对不断增长的真实世界图挑战的最有前景的解决方案。然而，当前针对 GNN 的对抗攻击方法忽略了分布式场景的特性和应用，导致在攻击分布式 GNN 训练时性能不佳且效率低下。在本研究中，我们引入了 Disttack，这是首个针对分布式 GNN 训练的对抗攻击框架，它利用了分布式系统中频繁梯度更新的特性。具体来说，Disttack 通过向单个计算节点注入对抗攻击来破坏分布式 GNN 训练。被攻击的子图经过精确扰动，以在反向传播中引发异常梯度上升，从而破坏计算节点间的梯度同步，最终导致训练好的 GNN 性能显著下降。我们通过攻击五种广泛采用的 GNN，在四个大型真实世界图上评估了 Disttack。与最先进的攻击方法相比，实验结果表明，Disttack 在保持不可察觉性的同时，平均将模型精度下降幅度放大了 2.75 倍，并实现了 17.33 倍的加速。
引用
@article{arxiv.2405.06247,
title = {Disttack: Graph Adversarial Attacks Toward Distributed GNN Training},
author = {Yuxiang Zhang and Xin Liu and Meng Wu and Wei Yan and Mingyu Yan and Xiaochun Ye and Dongrui Fan},
journal= {arXiv preprint arXiv:2405.06247},
year = {2024}
}
备注
Accepted by 30th International European Conference on Parallel and Distributed Computing(Euro-Par 2024)