可迁移图后门攻击

图神经网络（GNN）在许多图挖掘任务中取得了巨大成功，这得益于将局部结构与节点特征融合以更好地进行图表示学习的消息传递策略。尽管 GNN 取得了成功，并且与其他类型的深度神经网络类似，GNN 被发现易受图结构和节点特征上难以察觉的扰动的影响。许多对抗攻击已被提出，以在不同扰动策略下揭示 GNN 的脆弱性并制造对抗样本。然而，GNN 对成功后门攻击的脆弱性直到最近才被揭示。在本文中，我们披露了 TRAP 攻击，一种可迁移图（TRAnsferable GRAPh）后门攻击。核心攻击原理是用基于扰动的触发器毒化训练数据集，从而促成有效且可迁移的后门攻击。图的扰动触发器是通过基于梯度的得分矩阵从代理模型对图结构执行扰动动作而生成的。与先前工作相比，TRAP 攻击在几个方面有所不同：i）它利用代理图卷积网络（GCN）模型为基于黑盒的后门攻击生成扰动触发器；ii）它生成样本特定的扰动触发器，不具有固定模式；以及 iii）该攻击首次在 GNN 背景下，当使用伪造的毒化训练数据集训练时，可迁移到不同的 GNN 模型。通过对四个真实世界数据集的广泛评估，我们证明了 TRAP 攻击在四个不同的流行 GNN 中使用四个真实世界数据集构建可迁移后门的有效性。