[논문 리뷰] Time-aware Gradient Attack on Dynamic Network Link Prediction

Jinyin Chen, Jian Zhang외 3명|arXiv (Cornell University)|2019. 11. 24.

Advanced Graph Neural Networks참고 문헌 25인용 수 13

한 줄 요약

이 논문은 동적 네트워크 링크 예측(DNLP)을 위한 최초의 적대적 공격 프레임워크인 시간 인식 기울기 공격(TGA)을 소개한다. TGA는 딥 동적 네트워크 임bedding(DDNE)의 기울기 정보를 활용하여 전략적으로 링크를 재구성하고 대상 엣지를 숨기는 방식이다. TGA-Tra와 TGA-Gre는 최신 기술 수준의 공격 성능을 달성하며, 실세계 네트워크인 이더리움을 포함해 높은 효율성과 효과성을 보여주며, 상위 100개 링크에서 공격 성공률 81%와 평균 공격 손실 5.61을 기록한다.

ABSTRACT

In network link prediction, it is possible to hide a target link from being predicted with a small perturbation on network structure. This observation may be exploited in many real world scenarios, for example, to preserve privacy, or to exploit financial security. There have been many recent studies to generate adversarial examples to mislead deep learning models on graph data. However, none of the previous work has considered the dynamic nature of real-world systems. In this work, we present the first study of adversarial attack on dynamic network link prediction (DNLP). The proposed attack method, namely time-aware gradient attack (TGA), utilizes the gradient information generated by deep dynamic network embedding (DDNE) across different snapshots to rewire a few links, so as to make DDNE fail to predict target links. We implement TGA in two ways: one is based on traversal search, namely TGA-Tra; and the other is simplified with greedy search for efficiency, namely TGA-Gre. We conduct comprehensive experiments which show the outstanding performance of TGA in attacking DNLP algorithms.

연구 동기 및 목표

• 동적 네트워크 링크 예측(DNLP)에 대한 적대적 공격 연구의 부족을 해결하기 위해, 그래프 기계학습 보안 분야에서 중요한 격차를 메우기 위해.
• 시간적 동역학을 활용한 기울기 기반 공격을 개발하여, 예측에서 특정 대상 링크를 숨기기 위해 설계하기 위해.
• 최소한의 구조적 변형으로 예측 실패를 극대화하는 효율적이고 효과적인 공격 방법을 설계하기 위해.
• 이더리움 거래 데이터를 포함한 실세계 동적 네트워크에서 공격를 검증하여 실용적 타당성을 입증하기 위해.
• 적대적 조건 하에서 DNLP 모델의 강건성을 조사하고, 모델의 취약점에 대한 통찰을 제공하기 위해.

제안 방법

• TGA는 다중 시간 스타일프래임에서 DDNE 모델의 기울기 정보를 활용하여 최적의 링크 수정을 식별한다.
• TGA-Tra는 시간 인식 기울기 집계를 통해 후보 링크에 대한 순회 기반 검색을 수행한다.
• TGA-Gre는 계산 비용을 줄이면서도 높은 공격 효과성을 유지하기 위해 탐욕적 검색 전략을 활용한다.
• 기울기 크기가 큰 엣지에 초점을 맞춰 최소한의 링크 수정을 통해 DDNE의 예측에 가장 영향을 미치는 링크를 대상으로 한다.
• 시간 인식 기울기 계산은 스타일프래임 간 별도로 기울기를 비교하여 기울기 집계를 하지 않고 시간적 역동성을 유지한다.
• 공격는 반복적으로 적용되며, 예측 실패를 극대화하기 위해 변화하는 기울기 신호에 기반해 링크 수정을 정밀 조정한다.

실험 결과

연구 질문

• RQ1 시간적 진화를 고려할 때, 동적 네트워크 링크 예측을 위한 적대적 공격는 어떻게 효과적으로 설계될 수 있는가?
• RQ2 시간적 역동성이 기울기 기반 적대적 공격의 성공률 및 효율성에 어떤 영향을 미치는가?
• RQ3 TGA의 공격 성능는 다양한 네트워크 유형과 링크 중심성 측정 기준에서 기존 베이스라인과 비교해 어떻게 되는가?
• RQ4 장기 예측 및 장기 역사 기반 DNLP 예측은 적대적 조작에 어떻게 취약한가?
• RQ5 TGA는 블록체인 거래 시스템과 같은 실세계 동적 네트워크에 실용적으로 적용될 수 있는가?

주요 결과

• TGA-Tra와 TGA-Gre는 네 개의 실세계 동적 네트워크에서 최신 기술 수준의 공격 성능를 달성하며, 모든 베이스라인보다 공격 성공률 및 공격 손실에서 뛰어난 성능을 보였다.
• 이더리움 거래 네트워크에서 TGA-Gre는 상위 100개 링크에서 공격 성공률 81%와 평균 공격 손실 5.61을 기록하여 강력한 실용적 적용 가능성을 입증했다.
• 장기 예측 작업은 적대적 공격에 더 취약하며, 향후 링크 예측이 더 쉽게 방해받을 수 있음을 시사한다.
• DDNE에 더 긴 역사 정보를 통합할수록 모델의 강건성이 향상되어 적대적 편향에 대한 취약성이 감소한다.
• TGA-Gre는 FGA와 유사한 런타임 성능를 보였지만, 특히 조기 정지가 적용된 경우 공격 효과성에서 뚜렷이 뛰어나며, FGA를 압도했다.
• 고도수 또는 고중심성 중심성 링크를 대상으로 해도 공격는 효과를 유지하여 중심성 기반 방어에 대한 내성성을 보였다.