结合真实性、不确定性与多样性的图分类模型窃取攻击
机器学习
2024-08-21 v3 密码学与安全
摘要
最近的研究表明，GNN 容易受到模型窃取攻击，这是一种旨在通过查询权限复制目标模型的恶意行为。然而，它们主要关注节点分类任务，忽略了图分类任务领域内潜在的威胁。此外，由于不合理的假设，特别是关于大量数据需求和广泛的模型知识，其实用性值得怀疑。为此，我们主张遵循具有有限真实数据和硬标签感知的严格设置来生成合成数据，从而促进目标模型的窃取。具体而言，遵循重要的数据生成原则，我们引入了三种模型窃取攻击以适应不同的实际场景：MSA-AU 受主动学习启发，强调不确定性以增强生成样本的查询价值；MSA-AD 基于 Mixup 增强策略引入多样性，以缓解 MSA-AU 生成的过度相似样本导致的查询效率低下问题；MSA-AUD 结合了上述两种策略，无缝整合了生成样本的真实性、不确定性和多样性。最后，大量实验一致证明了所提方法在隐蔽性、查询效率和窃取性能方面的优越性。
引用
@article{arxiv.2312.10943,
title = {Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity},
author = {Zhihao Zhu and Chenwang Wu and Rui Fan and Yi Yang and Zhen Wang and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2312.10943},
year = {2024}
}