图后门

深度神经网络（DNNs）的一个有趣特性是它们对后门攻击的固有脆弱性——一个木马模型以高度可预测的方式响应触发嵌入输入，而在其他情况下正常运作。尽管先前针对连续数据（例如图像）的 DNNs 工作繁多，图神经网络（GNNs）对于离散结构数据（例如图）的脆弱性在很大程度上未被探索，鉴于其在安全敏感领域日益增多的使用，这令人高度担忧。为弥补此差距，我们提出 GTA，首个针对 GNNs 的后门攻击。与先前工作相比，GTA 在重要方面有所不同：面向图——它将触发器定义为特定子图，包括拓扑结构与描述性特征，为 adversary 提供了广阔的设计空间；输入定制——它动态适配触发器至单个图，从而优化攻击有效性与规避性；下游模型无关——它可在无需下游模型或微调策略知识的情况下轻易发起；以及攻击可扩展——它可实例化为直推式（例如节点分类）与归纳式（例如图分类）任务，对一系列安全关键应用构成严重威胁。通过使用基准数据集与最先进模型的广泛评估，我们展示了 GTA 的有效性。我们进一步为其有效性提供解析依据并讨论潜在对策，指出若干有前景的研究方向。