본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 1

국문초록 4

목차 7

제1장 서론 11

제2장 관련 연구 16

2.1. 그래프 신경망(Graph Neural Network)의 개념 및 구조적 취약성 16

2.2. 유전 알고리즘(Genetic Algorithm)의 개념 및 그래프 구조 최적화에서의 가능성 17

2.3. 강화학습(Reinforcement Learning) 및 계층적 강화학습(HRL)의 개념 19

2.4. 그래프 구조에 대한 적대적 공격 연구 동향 20

제3장 제안하는 유전 알고리즘 프레임워크 24

3.1. 상삼각을 활용한 염색체 구현 25

3.2. 피트니스 함수 구현 26

3.3. Selection: Stochastic Universal Sampling과 elitism 28

3.4. Crossover: Uniform Crossover 29

3.5. Mutation 29

제4장 유전 알고리즘과 비교하기 위한 계층적 강화학습 프레임워크 31

4.1. Q1 step-Region Selection 31

4.2. Q2 step-Node Selection 32

4.3. Q3 step-Attack Type Selection: Add/Delete 33

4.4. Q4 Counterpart Node Selection 33

제5장 실험결과 34

5.1. 실험 환경 및 데이터셋 34

5.2. GCN 분류 성능 감소 34

5.3. 실험 정리 39

제6장 결론 및 향후 연구 42

참고문헌 44

ABSTRACT 47

표목차 9

표 5-1. 기존 연구와 본 논문에서 제안하는 모델의 공격 성능 비교 36

그림목차 10

〈그림 2-1〉 GIN 프레임워크 16

〈그림 2-2〉 GraphSAGE의 전체적인 구조 17

〈그림 2-3〉 GA의 기초적인 단계 18

〈그림 2-4〉 DQN이 할당한 마지막 숨겨진 레이어의 표현을 2차원... 19

〈그림 2-5〉 로봇 메모리 상태 평가에서 계층적 강화학습을 활용한... 20

〈그림 2-6〉 Nettack 모델을 통한 그래프 구조 변경 21

〈그림 2-7〉 EpoAtk 공격 모델 22

〈그림 3-1〉 본 논문에서 제안하는 유전 알고리즘 기반 그래프 적대적... 24

〈그림 3-2〉 상삼각을 통한 임베딩 예시 25

〈그림 4-1〉 본 논문에서 제시하는 강화학습 기반 그래프 적대적 공격... 31

〈그림 5-1〉 본 논문에서 제시하는 그래프 적대적 공격에 의한 GCN... 35

〈그림 5-2〉 본 논문에서 제시하는 그래프 적대적 공격에 의한 평균... 37

초록보기

 그래프 신경망(Graph Neural Network, GNN)은 일반적인 트래픽 데이터나 통계데이터가 아닌 비정형 데이터에 속해있는 지점들의 관계를 모델링 할 수 있는 중요 개념 중 하나이다. 하지만 최근 발간된 논문들에서 GNN은 그래프 구조가 미세하게 변경될 경우 모델이 비정상적으로 취약해져 분류기에 쉽게 오분류를 일으킨다는 점을 보이고 있다. 이러한 취약성은 그래프 데이터를 공격자가 쉽게 조작이 가능하고 탐지를 우회할 경우 더 큰 위험으로 이어지기 때문에, GNN에 대한 적대적 공격은 중요한 연구 주제로 주목받고 있다.

그러나 그래프에 대한 적대적 공격은 공격 공간(search space)이 매우 커 무향 그래프의 대칭성 유지, 공격 예산(budget) 제약 등의 조건들을 동시에 만족해야 하기 때문에 네트워크 트래픽이나 기타 데이터에 사용되는 탐지는 그래프 데이터에 대해 한계를 보인다.

본 연구는 이러한 문제를 해결하기 위해 그래프 인접행렬의 상삼각 영역(upper-triangular matrix)을 유전 알고리즘(Genetic Algorithm, GA)의 염색체로 인코딩하는 그래프 적대적 공격 프레임워크를 제안한다. 제안하는 방법은 그래프 구조 데이터를 상삼각 형태로 인코딩하여, 무향 그래프가 가지는 대칭성을 보존하면서, 유전 알고리즘이 불필요한 탐색을 수행하지 않고 최적의 해를 수행할 수 있도록 유도한다.

또한 본 연구에서는 그래프 도메인 구조에 적합한 유전 알고리즘 단계를 구축하여 해당 과정에서 우수한 성능을 보이는 해를 최적화하는 방식을 구축하였다. 교차(Crossover)단계에서는 부모 그래프의 상삼각 구조 유전자를 기반으로 공격 대상 노드 주변을 교환하는 방식을 활용하였고 변이(Mutation) 단계에서는 Degree-Preserving Rewiring을 활용하였다. 또한 유전 알고리즘에서 정의하는 해를 분류기 뿐만 아니라 은밀성도 고려하는 피트니스 함수를 구축하여 최적의 공격을 수행하도록 유도했다.

이와 별도로 유전 알고리즘과 유사하게 최적의 해를 추구하는 강화학습에 대한 내용도 본 연구에 포함되어 있다. 본 연구에서 제안한 강화학습 방법은 계층적 Q-Learning으로 4단계에 걸쳐 그래프에 대한 적대적 공격을 수행하는 프레임워크도 제시한다. 1단계에서는 공격할 지역 선택, 2단계는 지역 속 타겟 선택, 3단계는 공격 수단 선택, 마지막으로 4단계는 타겟 노드와 연결하거나 연결을 끊을 노드 선택 총 4단계로 구성하였다.

실험에서는 Cora-ML, Citeseer 두 가지 데이터 셋을 활용하여 실험을 진행하였고 공격할 분류기는 2계층 Graph Convolutional Network(GCN)를 선택하였다. 공격 제한은 타겟 근처 2-hop거리 내로 제한했으며 간선 수 또한 공격 예산(budget)을 두어 공격 수 또한 제한하였다.

실험결과, 본 연구에서 제안한 상삼각 기반 유전 알고리즘 공격은 기존 연구에서 제안한 모델들보다 일부 데이터 셋에서 더 좋은 성능을 보이거나 비슷한 수준의 공격 수준을 보였다. 반면 계층적 강화학습 모델은 아직까지 본 논문에서 제안한 유전 알고리즘 모델에 비하면 다소 낮은 성능을 보였다.

본 연구는 그래프 데이터에 대한 적대적 공격을 유전 알고리즘 기반 탐색 문제로 정의하고, 상삼각 인코딩을 통해 그래프 구조에 대해 효율적으로 유전자를 구축하여 최적의 공격을 수행할 수 있는 것을 보여주었다는 점에서 의의가 크다. 또한 유전 알고리즘 뿐만 아니라 계층적 강화학습에서도 모델을 제안함으로써 그래프 구조 데이터에 대해 최적의 값을 수행헐 수 있다는 가능성을 보여주었다. 해당 논문은 그래프 구조 데이터에서 최적의 값을 찾는 알고리즘인 유전알고리즘이나 강화학습 모델이 효율적이라는 것을 보여주며, 해당 분야의 연구에 대해 기여할 것으로 보인다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기