基于图神经网络的单边缘节点注入对工业图系统安全监控的威胁
机器学习
2026-02-03 v1
摘要
图神经网络（GNN）日益被采用于工业图基监控系统中（例如工业物联网设备图、电网拓扑模型和制造通信网络），以支持异常检测、状态估计和资产分类。在此类设置下，可能通过破坏少数边缘设备来注入假冒节点（例如野怪传感器、虚拟化端点或伪造 substation）以偏导下游决策，同时规避基于拓扑和同质性的清洗措施。本文在受限资源下制定了面向部署的 node-injection 攻击，提出了 Single-Edge Graph Injection Attack（SEGIA）方法，其中每个注入节点通过单条边连接到 operational 图。SEGIA 集成了修剪后的 SGC 代理、多跳邻域采样和基于逆图卷积的特征合成，结合相似度正则化目标以保持局部同质性并存活边缘修剪。在理论分析和广泛评估中，在较小的边预算下，SEGIA 的攻击成功率至少高出 25%。这些结果表明工业 GNN 部署存在系统级风险，并激励轻量级准入验证和邻域一致性监控。
引用
@article{arxiv.2602.01113,
title = {Single-Edge Node Injection Threats to GNN-Based Security Monitoring in Industrial Graph Systems},
author = {Wenjie Liang and Ranhui Yan and Jia Cai and You-Gan Wang},
journal= {arXiv preprint arXiv:2602.01113},
year = {2026}
}