AttackGNN: 使用强化学习在硬件安全中对 GNN 进行红队攻击

Feb, 2024

AttackGNN: Red-Teaming GNNs in Hardware Security Using Reinforcement Learning

Vasudev Gohil, Satwik Patnaik, Dileep Kalathil, Jeyavijayan Rajendran

TL;DR该研究通过针对硬件安全中的基于图神经网络技术的攻击，提出了 AttackGNN 方法，并通过生成对抗性示例，即电路，来欺骗这些技术。通过攻击，成功地生成了能欺骗所有测试电路的对抗电路，包括知识产权盗版、硬件木马侦测 / 定位、电路逆向工程和硬件混淆等四类硬件安全问题。

Abstract

machine learning has shown great promise in addressing several critical hardware security problems. In particular, researchers have developed novel →

发现论文，激发创造

该研究使用机器学习等技术，开发了一种名为 TrojanForge 的工具，用于生成能够击败硬件特洛伊检测器的对抗性例子，展示了对自动硬件特洛伊插入具有 GAN 样式的对抗工具的能力。研究结果表明，该过程可插入能够躲避各种硬件特洛伊检测器的硬件特洛伊，且攻击成功率较高，为我们提供了在防御方面的见解。

May, 2024

本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。

Jun, 2019

本论文介绍了 HyperAttack-- 第一个针对超图神经网络的白盒子对抗攻击框架，提高了攻击成功率和时间效率，作为一种结构攻击方法，通过扰乱向目标节点连接的超边状态，并引导梯度和集成梯度。

Feb, 2023

图神经网络 (GNNs) 的脆弱性研究，通过系统性地考虑图数据模式、模型特定因素和对抗样本的传递性，揭示了对抗攻击对 GNN 的影响，从而为提高 GNN 的对抗鲁棒性提供了相关的准则和原则。

Jun, 2024

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

本研究针对图神经网络的黑盒节点插入攻击问题，提出了基于强化学习框架的渐进式无梯度节点插入攻击方法，并通过对八个基准数据集的广泛实验表明其在攻击效率和攻击成功率方面均优于现有攻击方法。

Nov, 2022

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

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

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

本篇论文提出了一种利用强化学习生成具有语义保持（即功能保持）特性的恶意软件攻击方法，以对抗黑盒图神经网络（GNN）对恶意软件的检测，实验结果表明该方法可以显著提高逃避检测率。

Sep, 2020