简介：本文简明扼要地介绍了图对抗攻击与防御算法的两大类别，包括逃逸攻击与投毒攻击，以及攻击检测、对抗训练、可认证鲁棒性和免疫防御等防御策略。旨在为非专业读者提供清晰易懂的技术解读，并分享实际应用中的操作建议和解决方案。
在当今的计算机科学与人工智能领域，图数据作为一种重要的数据结构，广泛应用于社交网络、生物信息、推荐系统等众多场景。然而，随着技术的不断进步，图数据也面临着日益严峻的安全威胁，特别是图对抗攻击的出现。本文将从图对抗攻击与防御算法的种类出发，为大家带来一次深入浅出的技术解析。
图对抗攻击，顾名思义，是指针对图数据结构的对抗性攻击。按照攻击算法在图中添加扰动的不同阶段，我们可以将其分为两大类：逃逸攻击和投毒攻击。
逃逸攻击（Evasion Attack）是攻击者在模型测试阶段构造对抗样本，以欺骗目标模型。这类攻击的主要目的是让模型在测试时对特定的输入样本产生错误的预测结果。逃逸攻击不直接修改训练数据或模型参数，而是利用模型自身的漏洞来构造对抗样本。
投毒攻击（Poisoning Attack）则更为隐蔽和持久。攻击者在模型训练阶段向训练集中注入对抗样本，使得训练后的模型本身就具有误导性。这种攻击方式能够影响模型对后续所有输入样本的预测结果，因此具有更大的破坏力。
在图对抗攻击领域，已经涌现出多种经典的算法，如Nettack、Metattack、RL-S2V和Q-Attack等。
面对图对抗攻击，研究者们也提出了多种防御策略，主要包括攻击检测、对抗训练、可认证鲁棒性和免疫防御等。
攻击检测通过检测并消除图数据中的恶意节点和边，从而恢复近似原始图的数据，提高图神经网络（GNN）模型的鲁棒性。GraphSAC等算法通过随机子图抽样共识机制来检测恶意节点和边，具有可扩展性强的优点。
对抗训练通过在训练数据集中添加扰动样本进行训练，以增强模型的泛化能力。GraphAT、DWNS_AdvT等算法通过不同的方式在嵌入空间或网络隐藏层中注入扰动，以提高模型对对抗样本的抵抗力。
可认证鲁棒性通过验证GNN或节点的鲁棒性来了解图数据的攻击容忍度。PH-U、LOU等算法通过为节点提供证书或随机扰动图结构来提高模型的鲁棒性，但这类方法通常具有一定的局限性。
免疫防御则通过修改模型策略或利用进化数据的策略来提高模型性能。这类方法能够同时防御针对模型训练阶段和测试阶段的攻击，具有较高的实用价值。
在实际应用中，面对图对抗攻击的挑战，我们可以采取以下操作建议：