异构图后门攻击
密码学与安全
2025-06-03 v1 人工智能
机器学习
摘要
异构图神经网络在跨不同领域建模复杂、多类型关系方面表现出色，但其对后门攻击的脆弱性仍未被探索。为填补这一空白，我们首次研究了异构图神经网络对现有图后门攻击的敏感性，揭示了三个关键问题：（1）有效注入后门所需的攻击预算高，（2）后门激活低效且不可靠，（3）攻击有效性评估不准确。为解决这些问题，我们提出了异构图后门攻击（Heterogeneous Graph Backdoor Attack, HGBA），这是首个专门针对异构图神经网络设计的后门攻击，引入了一种新颖的基于关系的触发器机制，通过后门元路径在策略性选择的触发器节点与中毒节点之间建立特定连接。HGBA以最小的结构修改实现了高效且隐蔽的后门注入，并通过两种灵活的策略——自节点攻击和 indiscriminate attack——支持轻松的后门激活。此外，我们改进了ASR测量协议，实现了对攻击有效性的更准确评估。大量实验表明，在黑盒设置下，HGBA远超多种SOTA图后门攻击，能够以低攻击预算高效攻击异构图神经网络。消融研究表明，HGBA的优势得益于我们的触发器节点选择方法和后门元路径选择策略。此外，HGBA对节点特征扰动和多种现有图后门防御机制表现出卓越的鲁棒性。最后，扩展实验表明，基于关系的触发器机制可有效扩展至同构图场景中的任务，从而对更广泛的安全关键领域构成严重威胁。
引用
@article{arxiv.2506.00191,
title = {Heterogeneous Graph Backdoor Attack},
author = {Jiawei Chen and Lusi Li and Daniel Takabi and Masha Sosonkina and Rui Ning},
journal= {arXiv preprint arXiv:2506.00191},
year = {2025}
}