Bkd-FedGNN: 联邦图神经网络分类后门攻击基准

Jun, 2023

Bkd-FedGNN: 联邦图神经网络分类后门攻击基准

Bkd-FedGNN: A Benchmark for Classification Backdoor Attacks on Federated Graph Neural Network

Fan Liu, Siqi Lai, Yansong Ning, Hao Liu

TL;DRBkd-FedGNN 是 FedGNN 后门攻击的基准测试，将图后门攻击分解为触发器生成和注入步骤，并将攻击扩展到节点级联合设置，提供了一个统一的框架，涵盖了节点级和图级分类任务。

Abstract

federated graph neural network (FedGNN) has recently emerged as a rapidly growing research topic, as it integrates the strengths of graph neural networks and federated learning to enable advanced machine learning applications without direct access to sensitive data. Despite its advanta

federated graph neural network backdoor attacks bkd-fedgnn trigger generation node-level federated setting

发现论文，激发创造

FedGKD: 在联邦图神经网络中释放协作的力量

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

FedGraphNN：图神经网络联邦学习系统和基准

本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

Apr, 2021

基于遗传算法的动态后门攻击对联合学习网络流量分类

通过使用基于遗传算法的 GABAttack 对联邦学习在网络流量分类中的后门攻击，研究证实了这种攻击的成功，并提出网络安全专家和从业者需要开发强大防御措施的警示。

Sep, 2023

图神经网络的后门攻击

本文提出了一种基于子图的背门攻击方法，可以对图神经网络进行攻击。在实验中发现，该攻击在对干净测试图的预测准确率影响较小，同时也提出了一种随机平滑的认证防御策略，但该防御策略在某些情况下无效。

Jun, 2020

图神经后门：基础、方法学、应用与未来发展方向

通过定义、总结与分类当前的 GNN 后门攻击和防御，应用场景的分析以及对 GNN 后门潜在研究方向的探索，本论文提供了对 GNN 后门的调查，并在图后门原理方面做出探索，为防御方提供见解并推动未来的安全研究。

Jun, 2024

时间分布的后门攻击对联邦脉冲学习的影响

该研究探讨了脉冲神经网络（SNNs）和联邦学习（FL）在使用神经形态数据时受到后门攻击的脆弱性。研究发现，尽管 SNNs 的效率和 FL 的隐私优势使其在低功率设备上具有潜力，但这些系统容易受到此类攻击。研究采用了针对 SNNs 和 FL 定制的新型攻击策略，通过在时间和恶意设备之间分布后门触发器来增强攻击的有效性和隐蔽性，进一步证明了在部署 SNNs 和 FL 时需要稳健的安全措施。

Feb, 2024

保护 GNNs：基于说明的检测带后门的训练图

通过开发新的度量方法，探测 Graph Neural Networks 中的后门攻击，并在多个基准数据集上进行测试，取得了较高的检测性能。

Mar, 2024

联邦生成对抗网络医学图像合成中的后门攻击和防御

本文研究了联邦生成对抗网络（FedGANs）中后门攻击的问题，提出了一种高效的防御措施 ——FedDetect。在两个不同模态的医学数据集上进行了实验，表明后门攻击会导致低保真度合成图像，但使用 FedDetect 能够抵御此类攻击，以提高分類性能。

Oct, 2022

你真的可以后门联邦学习吗？

本文研究联邦学习中的后门攻击及防御，探讨了如何在 EMNIST 数据集上实现防御策略，结论表明采用范数削弱和差分隐私能够有效减轻后门攻击带来的影响，同时开放代码以期鼓励更多研究者参与其中。

Nov, 2019

基于图神经网络的链路预测任务的后门攻击

本文介绍了一种基于图神经网络的链接预测任务中的后门攻击方法，并揭示了 GNN 模型中存在的安全漏洞，当触发器出现时，后门将被嵌入 GNN 模型中，导致模型错误地预测未连接的两个节点之间存在链接关系。

Jan, 2024