面向图基座模型的隐蔽双触发器后门：攻击 LLM 驱动的图模型微调
密码学与安全
2025-10-17 v1 人工智能
摘要
图基座模型（GFMs），特别是那些集成语言模型（LMs）的模型，正在为图学习领域带来革命性突破，并在文本标注图（TAGs）上展现出卓越的性能。然而，与传统图神经网络（GNNs）相比，这些LM驱动的GFMs在未受保护的提示调谐阶段引入了独特的安全漏洞，目前的研究在这方面仍不充分。通过实证研究，我们发现在属性不可访问的受限TAG系统中，传统图后门攻击会导致显著的性能下降，尤其是当未对触发节点属性进行显式优化时。为此，我们提出了一种双触发器后门攻击框架，同时在文本层面和结构层面操作，能够在不对触发节点文本属性进行显式优化的情况下实现有效攻击，通过战略性地利用预建立的文本池。广泛的实验评估表明，我们的攻击在保持卓越干净准确率的同时，实现了优异的攻击成功率，包括高度隐蔽的单触发器节点情形。我们的工作凸显了在基础模型时代面向网络部署的LM驱动GFMs中的关键后门风险，并为开发更稳健的监督机制贡献了力量。
引用
@article{arxiv.2510.14470,
title = {Stealthy Dual-Trigger Backdoors: Attacking Prompt Tuning in LM-Empowered Graph Foundation Models},
author = {Xiaoyu Xue and Yuni Lai and Chenxi Huang and Yulin Zhu and Gaolei Li and Xiaoge Zhang and Kai Zhou},
journal= {arXiv preprint arXiv:2510.14470},
year = {2025}
}