Jan, 2024

利用图神经网络辅助防御性网络操作

PDF
TL;DR在一个日益相互连接的世界中，信息是现代社会的命脉，常规的网络攻击破坏了数字系统和信息的机密性、完整性和可用性。然而，网络攻击的目标各不相同，并且不断演化以掩盖防御系统。在这篇论文中，我们探讨了图神经网络在破坏最著名的攻击生命周期之一 - Lockheed Martin Cyber Kill Chain 的每个阶段的应用，并讨论了如何在防御角度上利用图神经网络来准备和预防攻击，同时也探讨了开放研究领域和进一步改进范围。
发现论文，激发创造
  • 图形上的对抗攻击与防御：一项综述，一项工具和实证研究

    该研究论文介绍 Deep Neural Networks 和 Graph Neural Networks 对抗攻击的脆弱性，提出了相关攻击和防御的借鉴，以及一个算法库用于研究对抗攻击和防御。

    Mar, 2020

  • 归纳图神经网络的模型窃取攻击

    本文提出了针对归纳图神经网络的模型盗窃攻击，定义了威胁模型并根据对手的背景知识和目标模型的响应提出了六种攻击方式。在六个基准数据集上的评估结果显示，该攻击方式取得了良好的性能表现。

    Dec, 2021

  • 对抗网络攻击是否可被防御？

    本文提出了基于图神经网络（GNNs）的对抗攻击的防御机制，包括新的对抗训练策略和平滑防御策略。实验结果表明，这些策略能够提高 GNNs 的抵御攻击的能力，并且在不同的网络分析任务中能够有效地防御各种对抗攻击。

    Mar, 2019

  • 图数据的对抗攻击与防御综述

    本文综述了 100 多篇关于图数据中深度神经网络的对抗攻击和防御策略的研究，提出了一个包括大多数图对抗性学习模型的统一公式，并比较了不同的图攻击和防御，总结了评估指标、数据集和未来的趋势。

    Dec, 2018

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020

  • 图神经网络的对抗性防御框架

    该论文提出了一种称为 DefNet 的针对图神经网络 (GNN) 的有效对抗性防御框架，结合图神经网络每一层中的潜在漏洞和条件 GAN 方法对其进行训练，有效提高了 GNN 在各种类型的对抗攻击下的鲁棒性。

    May, 2019

  • GNNGuard: 防御图神经网络的对抗攻击

    GNNGuard 是一个通用的算法，可以防御基于离散图形结构的多种训练时攻击，利用图形结构和节点特征之间的关系减轻攻击的负面影响，通过将更高的权重分配给连接相似节点的边，修剪不相关节点之间的边，这种方法在不同数据集和攻击条件下表现出 15.3％的优越性。

    Jun, 2020

  • 基于图神经网络的高效模型窃取攻击

    该论文介绍了一种针对归纳式图神经网络的无监督模型窃取攻击的新方法，该方法基于图对比学习和谱图增强，通过从目标模型高效提取信息。在六个数据集上对该攻击进行了全面评估，结果表明该方法相较于现有的窃取攻击具有更高的效率，并在所有基准测试中优于基准测试，实现了更高的窃取模型的保真度和下游准确性，同时对目标模型发送的查询次数较少。

    May, 2024

  • 从图神经网络中窃取链接

    本研究提出了针对图神经网络的链路窃取攻击，并介绍了三个维度的威胁模型以及八种链路窃取攻击方法。在八个真实数据集上的实验表明，攻击是有效的，并揭示了 GNN 模型输出关于训练图结构的丰富信息，证明了在黑盒条件下，一些私密数据可以被窃取。

    May, 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