基于图表示学习的算法攻防策略研究

作     者：郑钧 

作者单位：浙江工业大学 

学位级别：硕士

导师姓名：宣琦;俞山青

授予年度：2020年

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070104[理学-应用数学] 0701[理学-数学] 0811[工学-控制科学与工程] 

主      题：图表示学习 对抗攻击 进化算法 网络编码 SVD分解 

摘      要：现实世界中的复杂系统可以用网络来表示和分析。在过去的几十年里,网络科学已经成为一个重要的跨领域学科,旨在使用网络和图作为工具来描述复杂系统的结构并解决实际中的问题,包括社交网络、引文网络、蛋白质网络和交通网络等。近年来,人们提出了许多图表示学习的方法,极大地促进了机器学习方法在图数据挖掘中的应用。图表示学习解决了原始网络数据的高维性和稀疏性问题,在机器学习和网络科学之间架起了一座桥梁,使得许多机器学习算法可以应用到网络分析中。与此同时,相关算法安全问题也吸引了大量研究者的目光。本文针对图表示学习的算法安全相关问题,分别从如下三个方面入手,对基于图表示学习的算法攻防策略进行了深入研究。(1)基于欧氏距离的对抗攻击策略:针对图表示学习算法,提出了一种新型的基于欧氏距离的对抗攻击策略。与传统的白盒攻击算法不同,该策略并不是针对某一种特定应用或者某一种特定算法,而是对于基于随机游走的大部分算法和应用都具有攻击效果,属于上游式的攻击策略。利用随机游走后得到的节点向量作为特征,在最小的扰动下,改变随机游走的序列和网络中节点的表示向量,继而使那些使用节点表示向量的算法失效。(2)基于编码进化的对抗攻击策略:针对网络中的遗传算法,提出了一种新型的编码方案。该编码方案在生成对抗样本前利用网络数据进行预训练,将网络中的信息如结构特性、节点同质性等加入到编码中,采用离散型的二值化编码和针对网络数据的适配处理。在解决二值化映射损失过大的问题中,该模型首次提出并推导了加入Sigmoid函数的矩阵分解,并采用了负采样的方法对原模型进行加速。(3)基于SVD分解的图对抗防御策略:从图像的对抗攻击与防御工作中受到启发,针对图数据的对抗防御,提出了一种基于SVD分解的图对抗防御策略,解决了由于对抗攻击造成图算法预测精度下降的问题。该方法属于一种端到端的防御策略。SVD在保留重要特征值及其分量的情况下,对网络的特征矩阵进行重建,达到滤除扰动的作用。实验证明,在选取合适的奇异值参数的情况下,本文提出的基于SVD分解的图对抗防御策略能够在一定程度上提升图表示学习算法在对抗样本下的预测精度。