针对归纳式图神经网络的模型窃取攻击
密码学与安全
2021-12-16 v1 机器学习
摘要
许多真实世界数据以图的形式出现。图神经网络（GNNs）作为机器学习（ML）模型的新家族被提出，以充分利用图数据构建强大应用。尤其是可泛化至未见数据的归纳式GNNs，已成为该方向的主流。机器学习模型已在各类任务中展现出巨大潜力，并部署于许多真实场景。训练一个良好模型需要大量数据与计算资源，从而构成有价值的知识产权。已有研究表明ML模型易受模型窃取攻击，此类攻击旨在窃取目标模型的功能。然而，多数研究聚焦于以图像和文本训练的模型。另一方面，以图数据（即GNNs）训练的模型很少受到关注。本文中，我们填补该空白，提出首个针对归纳式GNNs的模型窃取攻击。我们系统性地定义了威胁模型，并基于攻击者的背景知识与目标模型的响应提出了六种攻击。我们在六个基准数据集上的评估表明，所提出的针对GNNs的模型窃取攻击取得了良好性能。
引用
@article{arxiv.2112.08331,
title = {Model Stealing Attacks Against Inductive Graph Neural Networks},
author = {Yun Shen and Xinlei He and Yufei Han and Yang Zhang},
journal= {arXiv preprint arXiv:2112.08331},
year = {2021}
}
备注
To Appear in the 43rd IEEE Symposium on Security and Privacy, May 22-26, 2022