通过污染邻居节点实施图卷积神经网络的间接对抗攻击

Feb, 2020

通过污染邻居节点实施图卷积神经网络的间接对抗攻击

Indirect Adversarial Attacks via Poisoning Neighbors for Graph Convolutional Networks

Tsubasa Takahashi

TL;DR本论文旨在研究图卷积神经网络（GCN）中的对抗性攻击，针对 GCN 中利用邻居节点学习聚合信息的方法进行了攻击，并提出了新的方法来执行间接攻击，以检测网络的鲁棒性。在实验中，作者表明，只需毒化一个远离目标节点一个或两个跳点的单个节点，就可以高置信度地欺骗节点分类器。

Abstract

graph convolutional neural networks, which learn aggregations over neighbor nodes, have achieved great performance in node classification tasks. However, recent studies reported that such graph convolutional node

graph convolutional neural networks adversarial attacks node classification perturbations robustness

发现论文，激发创造

图数据神经网络的对抗攻击

本文主要介绍了第一项针对属性通用图的对抗攻击研究，特别关注利用图卷积思想的模型，在针对测试及训练阶段的攻击中生成针对节点特征和图结构的对抗扰动，并确保这些扰动在保存重要数据特征的同时，不被察觉，旨在帮助更好地理解和缓解目前深度学习模型在对抗环境下的不足。

May, 2018

图神经网络抵抗注入攻击的鲁棒性转移

该研究致力于探索清洗图形对提高图神经网络抵御毒化攻击的潜力。提出了一种基于惩罚聚合机制的方法（PA-GNN），该方法通过使用清洗图形和其毒化对应物来训练图神经网络来惩罚干扰项，从而提高了图神经网络对于图形污染攻击的鲁棒性。

Aug, 2019

通过图毒化对节点嵌入进行对抗攻击

本研究针对网络表征学习方法中基于随机游走的广泛使用问题，提供了首个对其鲁棒性的对抗性漏洞分析，提出有效的对抗性扰动对网络结构造成了负面影响，并证明本研究提出的攻击是可迁移的。

Sep, 2018

通过添加虚假节点来攻击图卷积网络

本研究探索了图卷积网络的鲁棒性。我们提出了一种新的 “假节点攻击” 来攻击 GCN，通过添加恶意伪造节点相对于以往攻击更加现实。我们使用了贪婪算法来产生具有误导性质的恶意节点，并介绍了一种分类器来将恶意节点与真实节点区分开来，我们的攻击使得 GCN 的准确性下降到 0.03，针对一组 100 个节点的情况下，我们的有目标攻击成功率高达 78％，对于单个目标节点平均攻击成功率为 90％。

Oct, 2018

使用生成对抗网络进行的投毒攻击

本文介绍了一种新的生成模型，用于对机器学习分类器进行攻击，并提出了一种生成式对抗网络，包括生成器、鉴别器和目标分类器，以模拟在现实攻击中可以预期的检测限制，进而确定底层数据分布的易受数据中毒攻击的区域。

Jun, 2019

毒性Ｘ逃避：图神经网络的共生对抗鲁棒性

通过结合污染和逃避两种攻击威胁模型，我们研究了深度学习模型对结构扰动的健壮性，并使用一阶优化设计了一种内存高效的自适应端到端攻击方法。

Dec, 2023

元学习对图神经网络的对抗攻击

通过使用元梯度将图形视为超参数进行优化，我们研究了对节点分类的图神经网络进行训练时间攻击，发现即使对无监督嵌入也会出现性能下降，甚至会产生误导效应。

Feb, 2019

基于查询的聚类攻击：在具有图相关先验知识的图上进行对抗性攻击

本文提出了一种对节点分类的图注入攻击 (Cluster Attack--a Graph Injection Attack)，通过将虚假节点注入到原始图中，以退化图神经网络 (GNNs) 对特定受害节点的性能，同时尽可能少地影响其他节点，并将受害节点聚类。该攻击以一种实际且不易被察觉的基于查询的黑盒方式进行，具有较高的攻击成功率。

Sep, 2021

图神经网络的成本感知的无目标毒化攻击

我们提出了一种名为成本感知中毒攻击（CA-attack）的新型攻击损失框架，通过动态考虑节点的分类间距来改善攻击预算的分配，具体地，它优先处理具有较小正间距的节点，推后处理具有负间距的节点。我们的实验证明，所提出的 CA-attack 显著增强了现有的攻击策略。

Dec, 2023

网络流分类器中的毒化攻击

本文研究了机器学习分类器在网络流量自动监控中的鲁棒性，关注于网络流量流分类器受到有害攻击的后门攻击，对干净标签毒化的挑战场景进行了调查，并提出了一种触发器制作策略，其中利用模型解释性技术生成有效的触发模式，最终设计了生成贝叶斯网络模型等创新策略以生成隐蔽触发器，以最小化触发器的醒目程度，从而使检测正在进行的侵毒行动更具挑战性。该研究的发现提供了在多种情况下使用的网络流量分类器遭受侵毒攻击的可行性见解，包括检测恶意通信和应用程序分类。

Jun, 2023