1.一种基于对比学习的图网络后门攻击防御方法,其特征在于,该方法通过构建一图编码器,替换训练好的图神经网络模型的编码部分,构建获得具有防御后门攻击的防御模型,实现图网络后门攻击防御,具体包括:利用训练好的图神经网络模型的编码部分,获取增强图;所述增强图包括第一增强图和第二增强图,其中,第一增强图的邻接矩阵由原始图的邻接矩阵和邻接矩阵掩码构成;第二增强图的特征矩阵由原始图的特征矩阵和特征矩阵掩码构成;
基于获取的增强图构建图编码器的训练数据集,将训练数据集的样本作为图编码器的输入,输出每张增强图的嵌入特征,计算两两嵌入特征的相似度,以最大化正样本的嵌入特征的相似度、最小化负样本的嵌入特征的相似度为目标对图编码器进行训练,最后获得训练好的图编码器;其中,正样本为一对同一原始图构建的第一增强图和第二增强图,负样本为一对不同原始图构建的第一增强图和第二增强图;
将训练好的图编码器与训练好的图神经网络模型的解码模块组合获得具有防御后门攻击的防御模型。
2.根据权利要求1所述的方法,其特征在于,所述利用训练好的图神经网络模型的编码部分,获取增强图;具体为:对第一增强图和第二增强图进行初始化,其中,初始化的第一增强图的邻接矩阵掩码、初始化的第二增强图的特征矩阵掩码均为全1矩阵;
将初始化的第一增强图、构成第一增强图的原始图作为样本输入至训练好的图神经网络模型的编码部分,训练好的图神经网络模型的编码部分输出每一样本的嵌入向量,以最小化第一增强图、构成第一增强图的原始图的嵌入向量的损失为目标,对每一第一增强图的邻接矩阵掩码进行更新,最后获得第一增强图;
将初始化的第二增强图、构成第二增强图的原始图作为样本输入至训练好的图神经网络模型的编码部分,训练好的图神经网络模型的编码部分输出每一样本的嵌入向量,以最小化第二增强图、构成第二增强图的原始图的嵌入向量的损失为目标,对每一第二增强图的特征矩阵掩码进行更新,最后获得第二增强图。
3.根据权利要求2所述的方法,其特征在于,所述第一增强图、构成第一增强图的原始图的嵌入向量的损失和第二增强图、构成第二增强图的原始图的嵌入向量的损失采用归一化温度交叉熵损失。
4.根据权利要求1所述的方法,其特征在于,所述图编码器由双层GCN构成。
5.根据权利要求1所述的方法,其特征在于,所述以最大化正样本的嵌入特征的相似度、最小化负样本的嵌入特征的相似度为目标对图编码器进行训练,目标函数为:其中,sim(zi,zj)表示正样本的嵌入特征zi,zj的相似度,sim(zi,zk)表示负样本的嵌入特征zi,zk的相似度,K是原始图的数量,Γ表示温度参数。
6.根据权利要求1所述的方法,其特征在于,构成第一增强图、第二增强图的原始图源自所述训练好的图神经网络模型的训练数据集。