该论文研究基于图神经网络（GNN）的恶意域名检测（MDD）系统面临的新型对抗攻击问题。GNN-based MDD 利用公开的 DNS 日志构建域名恶意图（DMG），将互联网域名表示为图中的节点，并通过已标注的恶意节点推断其他节点的恶意性。然而，由于依赖公开数据，攻击者可以操纵自身域名节点在图中的特征和边关系，从而逃避检测。现有研究主要针对单个攻击者节点的逃逸攻击，但实际攻击者通常注册大量域名为其活动服务，以降低成本并避免被整体封禁，因此需要同时操纵多个节点，即多实例逃逸攻击。论文指出，现有单实例攻击技术无法直接扩展到多实例场景，并首次提出针对 GNN-based MDD 的推理时多实例对抗攻击 MintA。MintA 通过优化节点扰动来增强目标节点及其邻居的逃逸能力，仅需对目标模型进行黑盒访问，无需知道模型参数、架构或非攻击者节点信息。作者构建了满足攻击目标的优化问题，并设计了近似求解算法。在真实数据集上，针对现有最优的 GNN-based MDD 方法，MintA 实现了超过 80% 的攻击成功率。研究结果警示安全专家，GNN-based MDD 面对实际多实例攻击时存在脆弱性，可能削弱该方法的有效性。