信息熵驱动的图神经网络黑盒迁移对抗攻击方法

来源：电子与信息学报杂志2025年第10期北京时间：

作者：吴涛, 纪琼辉, 先兴平, 乔少杰, 王超, 崔灿一星

单位：1.重庆邮电大学网络空间安全与信息法学院 重庆 4000652.成都信息工程大学软件工程学院 成都 6102253.重庆师范大学计算机与信息科学学院 重庆 401331

摘要：图神经网络(GNNs)的对抗鲁棒性对其在安全关键场景中的应用具有重要意义。近年来，对抗攻击尤其是基于迁移的黑盒攻击引起了研究人员的广泛关注，但这些方法过度依赖代理模型的梯度信息导致生成的对抗样本迁移性较差。此外，现有方法多从全局视角出发选择扰动策略导致攻击效率低下。为了解决以上问题，该文探索熵与节点脆弱性之间的关联，并创新性地提出一种全新的对抗攻击思路。具体而言，针对同构图神经网络，利用节点熵来捕获节点的邻居子图的特征平滑性，提出基于节点熵的图神经网络迁移对抗攻击方法(NEAttack)。在此基础上，提出基于图熵的异构图神经网络对抗攻击方法(GEHAttack)。通过在多个模型和数据集上的大量实验，验证了所提方法的有效性，揭示了节点熵与节点脆弱性之间的关联关系在提升对抗攻击性能中的重要作用。

关键词：图神经网络, 对抗攻击, 黑盒攻击, 信息熵, 模型鲁棒性

基金资助：国家自然科学基金(62376047, 62106030)，重庆市自然科学基金创新发展联合基金重点项目(CSTB2023NSCQ-LZX0003)，重庆市教委科学技术研究计划重点项目(KJZD-K202300603, KJZD-K202500604)