Bkd-FedGNN

Bkd-FedGNN是一个用于评估联邦图神经网络中后门攻击的基准数据集，它将图后门攻击分解为触发器生成和注入步骤，并扩展到节点级联邦设置，形成一个统一的框架，涵盖节点级和图级分类任务。

Bkd-FedGNN is a benchmark dataset for evaluating backdoor attacks in federated graph neural networks. It decomposes graph backdoor attacks into trigger generation and injection steps, extends the attack setup to the federated node-level scenario, and forms a unified framework covering both node-level and graph-level classification tasks.

原始信息汇总

数据集概述

数据集内容

• 节点级别数据集：Cora, Citeseer, CS, Physics, Photo, Computers
• 图级别数据集：AIDS, NCI1, PROTEINS_full, DD, ENZYMES, COLORS-3

模型

• GCN
• GAT
• GraphSAGE

实验设置

• 优化器：Adam，使用默认超参数
• 总周期：200（节点分类），1000（图分类）
• 学习率：0.01（节点分类），7e-4（图分类）
• 批量大小：128（图分类）

威胁模型

• 攻击目标：恶意攻击者试图通过后门攻击操纵模型，使其在特定中毒数据样本上错误分类预定义标签，同时保持模型在干净数据上的准确性。
• 攻击知识：恶意攻击者完全了解自己的训练数据，并能生成触发器。
• 攻击能力：恶意客户端可以在训练数据集中注入触发器，但受限于触发器大小和中毒数据率。

后门攻击参数

• 服务器级别参数：

  • IID & Non-IID：数据分布类型，控制参数为--is_iid，默认值为iid，可选值为iid, non-iid-louvain, non-iid-Metis（节点分类），iid, p-degree-non-iid, num-non-iid（图分类）
  • Number of Workers：正常工作者的数量，控制参数为--num_workers，默认值为5
  • Number of Malicious：恶意攻击者的数量，控制参数为--num_mali，默认值为1，可选值为1,2,3,4,5
  • Attack Time：攻击开始的时间，控制参数为--epoch_backdoor，默认值为0，可选值为0,0.1,0.2,0.3,0.4,0.5（节点分类），int[(0.1,0.2,0.3,0.4,0.5) * 1000]（图分类）
  • Overlapping Rate：数据重叠率，控制参数为--overlapping_rate，默认值为0，可选值为0,0.1,0.2,0.3,0.4,0.5

• 客户端级别参数：

  • Trigger Size：触发器大小，控制参数为--trigger_size（节点分类），--frac_of_avg（图分类），默认值为3（节点分类），0.1（图分类），可选值为3,4,5,6,7,8,9,10（节点分类），0.1,0.2,0.3,0.4,0.5（图分类）
  • Trigger Type：触发器类型，控制参数为--trigger_type，默认值为renyi，可选值为renyi,ws, ba,gta,ugba（节点分类），renyi,ws, ba, rr, gta（图分类）
  • Trigger Position：触发器位置，控制参数为--trigger_position，默认值为random，可选值为random ,cluster,cluster_degree（节点分类），random,degree,cluster（图分类）
  • Poisoning Rate：中毒率，控制参数为--poisoning_intensity，默认值为0.1，可选值为0.1, 0.2, 0.3, 0.4,0.5

实验命令示例

• 节点分类后门攻击： python python run_node_exps.py --model GCN --dataset Cora --is_iid iid --num_workers 5 --num_mali 1 --epoch_backdoor 0 --trigger_size 3 --trigger_type renyi --trigger_position random --poisoning_intensity 0.1 --overlapping_rate 0.0

• 图分类后门攻击： python python run_graph_exps.py --dataset NCI1 --config ./Graph_level_Models/configs/TUS/TUs_graph_classification_GCN_NCI1_100k.json --is_iid iid --num_workers 5 --num_mali 1 --epoch_backdoor 0 --frac_of_avg 0.1 --trigger_type renyi --trigger_position random --poisoning_intensity 0.1 --filename ./checkpoints/Graph --device_id 0

实验重复性

• 每个实验重复5次，每次使用不同的种子。