本论文研究了一种针对学习型索引结构 PGM-index 的投毒攻击方法。PGM-index 是一种基于最优分段线性近似（PLA）的实用学习索引，通过最小化分段数量来提升查询效率。作者首次探讨了这种最优 PLA 本身对恶意数据插入的敏感性，提出了一种名为 PGM-attack 的高效投毒攻击算法。该算法通过顺序插入精心构造的对抗性键，人为地迫使索引的分段数量急剧膨胀，从而显著增加索引的存储体积和复杂度。为了量化攻击的理论上限，作者还推导了在任意插入操作下分段数量可达的理论上界。实验结果表明，当仅投毒 10% 的键时，PGM-attack 便能将分段数量最多放大 120 倍，索引体积相应扩大。在每一个测试实例上，实例相关的上界与攻击实际达到的分段数量之比不超过 1.92 倍，证明 PGM-attack 至少能达到理论最优攻击效果的 52%，从而验证了攻击的有效性和接近最优性。此外，该攻击还能迁移到其他学习索引结构，尤其是基于 PLA 的索引，其体积会被显著放大。这项研究揭示了即使 PLA 在数学上最优，PGM-index 仍因其优化目标本身而存在内在漏洞，即攻击利用了目标函数中对分段数量的最小化——通过插入对抗样本破坏分段连续性——导致其性能退化。论文呼吁未来设计学习索引时应考虑鲁棒性感知的目标函数。代码已开源。本文适合数据库系统、机器学习安全以及数据可靠性领域的研究者阅读，用以理解学习索引在恶意数据环境下的脆弱性。

本文提出了一种利用机器学习技术优化溯源图存储系统的思路。传统溯源图存储面临规模大、查询慢等挑战。作者设计了一种学习型索引结构，通过对图数据的分布进行建模，实现了更高效的存储与检索。实验表明，该方法在存储压缩比和查询延迟上优于传统方法。该研究为安全取证中的大数据分析提供了新的工程方向。