动态图中链路预测的实用黑盒规避攻击——一种图序列嵌入方法
密码学与安全
2024-12-18 v1 机器学习
摘要
动态图中的链路预测（LPDG）已广泛应用于网站推荐、交通流预测、组织研究等实际应用中。这些模型通常在本地保存且安全，仅向公众限制性地提供交互界面。因此，在模型交互和数据扰动受限的情况下，针对 LPDG 模型的黑盒规避攻击问题在实践中显得既重要又有意义。在本文中，我们提出了首个实用的黑盒规避攻击方法，该方法在有限的交互和扰动次数下对目标 LPDG 模型实现了有效攻击。为了在有限扰动下执行有效攻击，我们在深度强化学习框架下开发了一种图序列嵌入模型，以寻找动态图序列的理想状态嵌入。为了克服交互稀缺的问题，我们设计了一个多环境训练流程，并通过共享一个聚合交互缓冲区来针对多个实例训练我们的智能体。最后，我们在三个不同规模的真实图数据集上评估了我们的攻击对三种先进 LPDG 模型的效果，并在交互和扰动约束下将其性能与相关方法进行了比较。实验结果表明，我们的攻击既有效又实用。
引用
@article{arxiv.2412.13134,
title = {Practicable Black-box Evasion Attacks on Link Prediction in Dynamic Graphs -- A Graph Sequential Embedding Method},
author = {Jiate Li and Meng Pang and Binghui Wang},
journal= {arXiv preprint arXiv:2412.13134},
year = {2024}
}