摘要
图结构常被用于描述各种复杂的不规则数据对象，通常由链路、节点以及全局信息构成，是一种具有强大表征能力的数据结构。近年来，图神经网络巧妙地地从图数据中提取特征，并在众多图数据分析任务中表现出令人满意的性能。其中，以识别区块链交易平台中潜在钓鱼地址为目的的钓鱼检测任务是图神经网络成功应用的实际场景之一。然而，随着研究的深入，图神经网络自身的安全脆弱性问题也逐渐暴露，攻击者通过各种攻击手段使得图神经网络模型失效。这些脆弱性将威胁基于图神经网络的区块链钓鱼检测模型，从而造成严重的财产损失。因此，通过对抗攻击和防御方法之间的竞争来增强图神经网络的鲁棒性也逐渐成为研究人员的关注焦点。 为了提升图神经网络模型的安全性，减少区块链钓鱼检测任务中的潜在风险，本文针对图神经网络模型及区块链钓鱼检测算法可能存在的安全漏洞，提出了面向图神经网络的对抗攻击与防御方法，从而进一步增加图神经网络及其在区块链应用中的鲁棒性。具体而言，目前已有的图神经网络对抗攻击方法主要针对特定图挖掘任务，存在对抗样本缺乏多样性、对抗扰动隐蔽性不足等问题。与此同时，部分工作将区块链中的钓鱼检测问题建模为图分类任务，然而图分类任务中的防御方法通常会牺牲模型复杂度或分类性能以达到防御效果。此外，传统的静态图分类任务难以平衡区块链数据所包含的结构与时间信息，这不利于区块链用户的特征提取。针对上述问题，本文展开面向图神经网络的对抗攻防方法及其在区块链中的应用研究，分别提出面向不同图挖掘任务的通用对抗攻击框架和基于图压缩的图分类鲁棒增强方法，并应用于提出的基于鲁棒图分类的区块链钓鱼检测方法，从而实现面向图神经网络算法应用领域的多样化漏洞挖掘与安全防护。 本文主要研究内容包括以下三个部分： （1）针对现有的面向图数据对抗攻击算法难以实现对不同图挖掘任务的通用攻击、对抗样本缺乏多样性、对抗扰动隐蔽性不足的问题，提出了一种基于生成式对抗网络的通用多任务图攻击框架，通过多策略攻击生成器，相似性判别器和攻击性判别器的三方博弈，优化生成难以察觉到对抗扰动，以此实现在节点分类、图分类和链路预测任务上的多任务漏洞挖掘。 （2）针对图分类任务中的防御方法通常会提高模型复杂度或牺牲分类性能以达到防御效果，提出了一种基于图压缩的图分类鲁棒增强方法，包含模块化的特征聚合机制和图压缩机制，分别改进了节点级表征的聚合方式和过滤了输入图的琐碎结构甚至对抗扰动。该方法可以在提高图分类模型性能的同时以轻量级的方式增强模型鲁棒性。 （3）针对区块链交易平台中的钓鱼诈骗问题，提出了基于鲁棒图分类的钓鱼检测方法，从构建的交易演化图中提取出用户地址在不同时期的行为特征，并引入自适应时间系数来全面平衡用户在所有时期的这些特征。为了实现区块链钓鱼检测器的安全防护，利用前两部分提出的对抗攻击方法与图压缩方法分别对其进行对抗训练与图增强，以此达到安全防御的目的。
NETL