在MLaaS中保护图神经网络：基于查询的完整性验证的全面实现
密码学与安全
2023-12-14 v1
摘要
图神经网络（GNN）在机器学习即服务（MLaaS）中的部署开辟了新的攻击面，并加剧了围绕以模型为中心的攻击的安全担忧。这些攻击可以在服务期间直接操纵GNN模型参数，导致错误的预测，并对关键的GNN应用构成重大威胁。由于MLaaS施加的限制和GNN模型的独特特性，传统的完整性验证方法在此背景下失效。在这项研究中，我们引入了一种开创性的方法来保护MLaaS中的GNN模型免受以模型为中心的攻击。我们的方法包括一个全面的GNN完整性验证方案，同时考虑了直推式和归纳式GNN，并适应了模型部署前不同程度的知识。我们提出了一种基于查询的验证技术，并辅以创新的节点指纹生成算法。为了应对事先了解我们机制的先进攻击者，我们在设计中引入了随机化指纹节点。实验评估表明，我们的方法能够检测五种代表性的对抗性模型中心攻击，与基线相比，效率提高了2到4倍。
引用
@article{arxiv.2312.07870,
title = {Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification},
author = {Bang Wu and Xingliang Yuan and Shuo Wang and Qi Li and Minhui Xue and Shirui Pan},
journal= {arXiv preprint arXiv:2312.07870},
year = {2023}
}