DM4Steal：针对图神经网络链路窃取攻击的扩散模型
密码学与安全
2024-11-14 v2 信息检索
机器学习
摘要
图在推荐系统的发展中变得日益重要，尤其是随着图神经网络（GNN）的快速发展。通过探索丰富的节点特征和链路信息的优势，GNN 被设计用于提供个性化且准确的推荐。与此同时，GNN 在此类场景下的隐私泄露也引起了特别关注。先前的工作表明，恶意用户可以利用辅助知识，通过目标 GNN 模型做出的决策来提取对推荐系统至关重要的目标图的敏感链路数据。这对推荐系统中使用的数据的完整性和机密性构成了重大风险。尽管十分重要，但先前关于 GNN 隐私泄露的工作在三个方面仍面临挑战，即窃取攻击场景有限、攻击性能次优以及对防御的适应性不足。为了解决这些问题，我们提出了一种基于扩散模型的链路窃取攻击，命名为 DM4Steal。它在三个关键方面有别于以往的工作。（i）通用性：针对辅助知识有限的六种攻击场景，我们为扩散模型提出了一种新颖的训练策略，使 DM4Steal 能够迁移到多样的攻击场景中。（ii）有效性：得益于扩散模型在训练过程中对语义结构的保留，DM4Steal 能够通过 GNN 决策过程学习目标图的精确拓扑结构。（iii）适应性：当 GNN 具备防御机制（例如 DP、Dropout）时，DM4Steal 依靠多次采样得分模型带来的稳定性，将性能下降降至最低，从而 DM4Steal 对防御性 GNN 实施了成功的自适应攻击。
引用
@article{arxiv.2411.03364,
title = {DM4Steal: Diffusion Model For Link Stealing Attack On Graph Neural Networks},
author = {Jinyin Chen and Haonan Ma and Haibin Zheng},
journal= {arXiv preprint arXiv:2411.03364},
year = {2024}
}
备注
We found that there were critical problems in our paper, and we needed to redo the experiment, which was incomplete