通过注入恶意节点对图数据实施可扩展攻击
密码学与安全
2020-04-30 v1 机器学习
摘要
近期研究表明，图卷积网络（GCN）易受精心设计的攻击，这类攻击旨在通过不易察觉的扰动使图上特定节点被误分类。然而，现有工作绝大多数因高时间复杂度而无法处理大规模图。此外，现有工作主要关注操纵图上已有节点，而在实际中，攻击者通常没有修改已有节点信息的权限。本文中，我们开发了一个更具可扩展性的框架，称为近似快速梯度符号方法（AFGSM），其考虑了一种更实际的攻击场景： adversary 只能向图中注入新的恶意节点，而无法控制原始图。在方法上，我们提供了一种近似策略来线性化所攻击的模型，并推导出具有更低时间代价的近似闭式解。为了与操纵原始图的现有攻击方法进行公平比较，我们将其适配到通过注入恶意节点的新攻击场景中。实证实验结果表明，我们提出的攻击方法能显著降低 GCN 的分类准确率，且比现有方法快得多，同时不损害攻击性能。
引用
@article{arxiv.2004.13825,
title = {Scalable Attack on Graph Data by Injecting Vicious Nodes},
author = {Jihong Wang and Minnan Luo and Fnu Suya and Jundong Li and Zijiang Yang and Qinghua Zheng},
journal= {arXiv preprint arXiv:2004.13825},
year = {2020}
}