RoBCtrl：针对基于GNN的社交机器人检测器通过强化操控机器人控制交互进行攻击

社交网络已成为个人获取实时信息的关键来源。社交机器人在这些平台中的影响力引发了研究者的广泛关注，导致发展出众多检测技术。然而，这些检测方法的脆弱性和鲁棒性仍未得到充分探索。现有的基于图神经网络（GNN）的方法因控制社交代理有限、机器人检测器黑箱化以及机器人异质性等问题无法直接应用。为解决这些挑战，本文提出首个针对GNN-based社交机器人检测器的对抗性多智能体强化学习框架，用于社交机器人控制攻击（RoBCtrl）。具体而言，本文使用扩散模型通过对现有账户数据进行轻微修改来生成高保真度机器人账户，从而在社交平台上规避检测。据我们所知，这是首次将扩散模型应用于有效模拟演化社交机器人行为。随后，本文采用多智能体强化学习（MARL）方法模拟机器人的对抗行为。我们根据账户影响力和预算对社交账户进行分类，然后部署不同智能体控制不同类别的机器人账户，通过强化学习优化附件策略。此外，本文设计基于结构熵的层次化状态抽象，以加速强化学习。广泛的实验在社交机器人检测数据集上表明，该框架能有效削弱GNN-based检测器的性能。