基于最优传输引导的图神经网络机器人检测对抗攻击
机器学习
2026-05-12 v2 人工智能
密码学与安全
摘要
社交媒体上机器人账户的兴起对公共话语构成重大风险。为应对这一威胁，现代机器人检测器越来越依赖于图神经网络（GNN）。然而，这些GNN-based检测器在实际场景中的有效性仍不为人知。实际情况下，攻击者不仅要持续调整策略，还必须在特定于领域和时空约束下运作，这会从根本上限制现有攻击方法的适用性。因此，在现实、受约束感知的攻击情景下，对GNN-based机器人检测方法的鲁棒性评估显尤为迫切。为填补这一空白，我们引入BOCLOAK，通过在现实约束下进行边编辑和节点注入对抗攻击，系统评估GNN-based社交机器人检测的鲁棒性。BOCLOAK构建了基于时空邻居特征的概率度量，学习将人类行为与机器人行为分离的最优传输几何。随后将传输计划解码为稀疏且合情合理的边编辑，以规避检测并遵守现实约束。我们在三个社交机器人数据集上评估BOCLOAK，测试五种最先进的机器人检测器、三个对抗防御方法，并将其与四个领先的图对抗攻击基线进行比较。BOCLOAK在现实约束下实现了最高可达80.13%的攻击成功率，且使用99.80%更少的GPU内存。最重要的是，BOCLOAK表明，最优传输提供了一种轻量、原则化的框架，弥合了对抗攻击与现实机器人检测之间的差距。
引用
@article{arxiv.2602.00318,
title = {Optimal Transport-Guided Adversarial Attacks on Graph Neural Network-Based Bot Detection},
author = {Kunal Mukherjee and Zulfikar Alom and Tran Gia Bao Ngo and Cuneyt Gurcan Akcora and Murat Kantarcioglu},
journal= {arXiv preprint arXiv:2602.00318},
year = {2026}
}
备注
Accepted to Proceedings of the Forty-Third International Conference on Machine Learning (ICML) 2026