[论文解读] Time-aware Gradient Attack on Dynamic Network Link Prediction

Jinyin Chen, Jian Zhang+3 more|arXiv (Cornell University)|Nov 24, 2019

Advanced Graph Neural Networks参考文献 25被引用 13

一句话总结

本文提出时间感知梯度攻击（TGA），这是首个针对动态网络链接预测（DNLP）的对抗性攻击框架，利用深度动态网络嵌入（DDNE）的梯度信息，战略性地重连边并隐藏目标边。TGA-Tra 和 TGA-Gre 实现了最先进的攻击性能，其中 TGA-Gre 在包括以太坊在内的现实世界网络中展现出高效率与高效率，在前100条边上的攻击成功率高达81%，平均攻击损失为5.61。

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.

研究动机与目标

• 为解决动态网络链接预测（DNLP）领域对抗性攻击研究的缺乏，填补图机器学习安全领域中的关键空白。
• 开发一种基于梯度的攻击方法，利用演化网络中的时间动态特性，使特定目标边无法被预测。
• 设计高效且有效的攻击方法，在最小化结构扰动的同时最大化预测失败。
• 在真实世界动态网络（包括以太坊交易数据）上验证攻击的可行性，证明其实际应用潜力。
• 研究DNLP模型在对抗性条件下的鲁棒性，揭示模型潜在的脆弱性。

提出的方法

• TGA 利用多个时间快照中 DDNE 模型的梯度信息，识别最优的链接修改方式。
• TGA-Tra 通过时间感知的梯度聚合，在候选链接上执行基于遍历的搜索。
• TGA-Gre 采用贪心搜索策略，在保持高攻击效果的同时降低计算成本。
• 通过聚焦于梯度幅值较高的边，仅修改最少数量的链接，集中于对 DDNE 预测最具影响力的链接。
• 时间感知梯度计算分别比较各时间快照之间的梯度，保留时间动态特性，而非简单聚合。
• 该方法迭代应用，根据随时间演化的梯度信号不断优化链接修改，以最大化预测失败。

实验结果

研究问题

• RQ1 如何在考虑时间演化的前提下，有效设计针对动态网络链接预测的对抗性攻击？
• RQ2 时间动态特性对基于梯度的对抗性攻击的成功率与效率有何影响？
• RQ3 TGA 的攻击性能与现有基线方法相比，在不同网络类型和链接中心性度量下表现如何？
• RQ4 在对抗性操纵下，长期与长历史的DNLP预测存在哪些脆弱性？
• RQ5 TGA 是否可实际应用于真实世界动态网络，如区块链交易系统？

主要发现

• TGA-Tra 和 TGA-Gre 在四个真实世界动态网络上实现了最先进的攻击性能，其攻击成功率和攻击损失均优于所有基线方法。
• 在以太坊交易网络中，TGA-Gre 在前100条边上的攻击成功率达到81%，平均攻击损失为5.61，展现出强大的实际适用性。
• 长期预测任务对对抗性攻击更为脆弱，表明未来链接预测更容易被干扰。
• 将更长的历史信息引入DDNE可提升模型鲁棒性，降低对对抗性扰动的敏感性。
• TGA-Gre 的运行时间与FGA相当，但在攻击有效性方面显著优于FGA，尤其在应用早停策略时表现更优。
• 即使针对高程度或高介数中心性链接，攻击依然有效，表明其对基于中心性的防御具有鲁棒性。