计算机应用

作者：杨莹, 郝晓燕, 于丹, 马垚, 陈永乐

单位：太原理工大学 计算机科学与技术学院（大数据学院），山西 晋中 030600

关键词：无数据模型提取攻击,图数据生成,图神经网络,图神经网络可解释性,图数据增强

基金：山西省基础研究计划项目(20210302123131);山西省自然科学基金面上项目(202203021221234);计划外技术服务横向项目(RH2100005181)

无数据模型提取攻击是基于攻击者在进行攻击时所需的训练数据信息未知的情况下提出的一类机器学习安全问题。针对无数据模型提取攻击在图神经网络（GNN）领域的研究缺乏，提出分别用GNN可解释性方法GNNExplainer和图数据增强方法GAUG-M优化图节点特征信息和边信息生成所需图数据，最终提取GNN模型的方法。首先，利用GNNExplainer方法对目标模型的响应结果进行可解释性分析得到重要的图节点特征信息；其次，通过对重要的图节点特征加权，对非重要图节点特征降权，实现图节点特征信息的整体优化；然后，使用图形自动编码器作为边信息预测模块，根据优化后的图节点特征得到节点与节点之间的连接概率；最后，根据概率增加或者删减相应边优化边信息。实验采用5个图数据集训练的3种GNN模型架构作为目标模型提取攻击，得到的替代模型达到了73%~87%的节点分类任务准确性和76%~89%的与目标模型性能的一致性，验证了所提方法的有效性。

来源：2024年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第8期