针对图神经网络的单节点注入攻击
机器学习
2021-10-05 v2 密码学与安全
摘要
针对图神经网络(GNNs)的节点注入攻击是一种新兴且实用的攻击场景,攻击者注入恶意节点而非修改原始节点或边来影响 GNN 的性能。然而,现有节点注入攻击忽视了极度受限的场景,即注入节点可能过多从而被目标 GNN 察觉。本文关注一种极度受限的单节点注入规避攻击场景,即攻击者在测试阶段仅被允许注入一个单一节点以损害 GNN 性能。网络结构的离散性以及网络结构与节点特征间的耦合效应给这一极度受限场景带来巨大挑战。我们首先提出一种基于优化的方法,以探索单节点注入规避攻击的性能上界。实验结果表明,即使在仅注入一个节点和一条边的情况下,三个公开数据集上分别有 100%、98.60% 和 94.98% 的节点被成功攻击,证实了单节点注入规避攻击的可行性。然而,这种基于优化的方法需针对每次攻击重新优化,计算上难以承受。为解决该困境,我们进一步提出一种可泛化节点注入攻击模型,即 G-NIA,在确保攻击性能的同时提升攻击效率。实验在三种知名 GNN 上进行。我们提出的 G-NIA 显著优于最先进的基线,且在推断时比基于优化的方法快 500 倍。
引用
@article{arxiv.2108.13049,
title = {Single Node Injection Attack against Graph Neural Networks},
author = {Shuchang Tao and Qi Cao and Huawei Shen and Junjie Huang and Yunfan Wu and Xueqi Cheng},
journal= {arXiv preprint arXiv:2108.13049},
year = {2021}
}
备注
Accepted by the CIKM 2021; Code: https://github.com/TaoShuchang/G-NIA