Electronic Resource

Clean-label backdoor attack on link prediction task

---

Graph Neural Networks (GNNs) have shown excellent performance as a powerful tool on link prediction task. Recent studies have shown that link prediction based on GNNs is vulnerable to backdoor attacks. However, existing backdoor attack methods on link prediction task require modification of the link state, which results in poor stealthiness of the backdoor. To address this issue, a clean-label backdoor attack method on link prediction task (CL-Link) is proposed in this paper. Specifically, CL-Link utilizes subgraphs as backdoor triggers and achieves trigger injection by attaching subgraphs to target links. In order to enhance the stealthiness of the attack, CL-Link attaches the trigger without modifying the original connection state of the target links. Instead, it utilizes the original connection state as the label, thus minimizing disturbances to the dataset. To ensure the effectiveness of the attack, the gradient information of the model and the similarity between the trigger nodes and the nodes in the graph are used to optimize the features of the trigger nodes. Extensive experiments were performed on multiple benchmark datasets (i.e., Cora, Citeseer, and Pubmed), and the proposed method achieved the highest attack success rate of 97.69% with a poisoning rate of only 5%, which validates the effectiveness of our proposed approach.

Jaringan Saraf Tiruan Graf (GNN) telah menunjukkan kinerja yang sangat baik sebagai alat yang ampuh dalam tugas prediksi tautan. Studi terbaru menunjukkan bahwa prediksi tautan berbasis GNN rentan terhadap serangan pintu belakang (backdoor). Namun, metode serangan pintu belakang yang ada pada tugas prediksi tautan memerlukan modifikasi status tautan, yang mengakibatkan kurangnya kerahasiaan (siluman) backdoor. Untuk mengatasi masalah ini, metode serangan pintu belakang berlabel bersih (clean-label) pada tugas prediksi tautan (CL-Link) diusulkan dalam makalah ini. Secara spesifik, CL-Link menggunakan subgraf sebagai pemicu pintu belakang dan mencapai injeksi pemicu dengan melampirkan subgraf ke tautan target. Untuk meningkatkan kerahasiaan serangan, CL-Link melampirkan pemicu tanpa memodifikasi status koneksi asli tautan target. Sebaliknya, CL-Link menggunakan status koneksi asli sebagai label, sehingga meminimalkan gangguan pada dataset. Untuk memastikan efektivitas serangan, informasi gradien model dan kesamaan antara simpul pemicu dan simpul dalam graf digunakan untuk mengoptimalkan fitur simpul pemicu. Eksperimen ekstensif dilakukan pada beberapa set data tolok ukur (yaitu, Cora, Citeseer, dan Pubmed), dan metode yang diusulkan mencapai tingkat keberhasilan serangan tertinggi sebesar 97,69% dengan tingkat peracunan hanya 5%, yang memvalidasi efektivitas pendekatan yang kami usulkan.

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

Cybersecurity

No. Panggil

-

Penerbit

: Springer Nature., 2025

Deskripsi Fisik

Hal. 1 - 11

Bahasa

English

ISBN/ISSN

25233246

Klasifikasi

NONE

Tipe Isi

text

Tipe Media

computer

Tipe Pembawa

online resource

Edisi

8, Article number: 51

Subjek

Backdoor attacks
Link prediction
Graph neural networks
Clean label

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Junming Mo, Ming Xu, Xiaogang Xing

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar