हॉप-डिकेड इन्फ्लुएंस: LLM के साथ GraphRAG पाइपलाइनों में संरचनात्मक सहायक इंडेक्सिंग की नई भेद्यताएँ

जिसुंग पार्क, जॉन ले, हीथ कूपर
इंस्टीट्यूट ऑफ साइबरसिक्योरिटी एंड क्रिप्टोलॉजी (iC²), यूनिवर्सिटी ऑफ वोलोंगोंग
IFIP SEC 2026

---

jspacific0307/HDI-graphragpipeline https://huggingface.co/datasets/jspacific0307/HDI-graphragpipeline

अवलोकन

GraphRAG पाइपलाइनें ऑफ़लाइन इंडेक्सिंग के दौरान सहायक संरचनाएँ बनाती हैं — सिमेंटिक सारांश, पदानुक्रमित किनारे, और पूर्व-गणना किए गए स्कोर — जिन्हें मौजूदा हमले पूरी तरह से अनदेखा कर देते हैं।

यह पेपर Auxiliary Schema-Level Entity को एक नई हमला सतह के रूप में औपचारिक रूप देता है और प्रस्तावित करता है:

• 3S फ्रेमवर्क: सेमांटिक्स, स्ट्रक्चर, स्कोरिंग हमले
• हॉप-डिकेड इन्फ्लुएंस (HDI): BFS-आधारित इन्फ्लुएंस प्रसार के साथ एक्सपोनेंशियल डिके के उपयोग से एक ग्रे-बॉक्स लक्ष्य चयन एल्गोरिदम

मुख्य परिणाम

मीट्रिक	मान
हमला सफलता दर (ASR)	सभी कॉन्फ़िगरेशन में 88%+
संशोधन अनुपात	कुल संरचनाओं के 0.016% तक कम
स्कीमा लीवरेज अनुपात (SLR)	6.00 तक (प्रति संशोधन प्रभावित क्वेरी)
परप्लेक्सिटी फ़िल्टर एवेज़न	99.5%+
पैराफ्रेज़ डिफ़ेंस एवेज़न	99.1%+

---

हमला पाइपलाइन

Query → Entity Extraction → KG Mapping → HDI Target Selection → 3S Attack

1. क्वेरी एंटिटी एक्सट्रैक्शन — लक्ष्य क्वेरी से सीड एंटिटी निकालें
2. KG मैपिंग — सीड को ग्राफ़ नोड्स पर मैप करें
3. HDI लक्ष्य चयन — डिके फैक्टर λ के साथ BFS-आधारित इन्फ्लुएंस प्रसार
4. 3S हमला — चयनित लक्ष्यों पर सेमांटिक / स्ट्रक्चर / स्कोर हमला लागू करें

---

3S फ्रेमवर्क

हमला	लक्ष्य	विधि
सेमांटिक (S)	टेक्स्टुअल सारांश	कम परप्लेक्सिटी के साथ एडवर्सेरियल टेक्स्ट इंजेक्ट करें
स्ट्रक्चर (T)	पदानुक्रमित किनारे	सेमांटिक रूप से दूर के नोड्स में भ्रामक किनारे जोड़ें
स्कोर (C)	पूर्व-गणना किए गए स्कोर	उच्च-रैंक वाले नोड्स को डिमोट करें, अप्रासंगिक को प्रोमोट करें

---

हॉप-डिकेड इन्फ्लुएंस (HDI)

इन्फ्लुएंस सीड एंटिटी से हॉप दूरी के अनुसार एक्सपोनेंशियल डिके के साथ प्रसारित होता है:

$$\text{Influence}(v) = \sum_{q \in Q} \sum_{s \in \text{Seeds}(q)} \lambda^{d(s,v)}$$

• λ ∈ (0, 1): डिके फैक्टर (डिफ़ॉल्ट: 0.5)
• hmax: अधिकतम हॉप दूरी (डिफ़ॉल्ट: 4)
• शीर्ष-k नोड्स को हमला लक्ष्य के रूप में चुना गया

---

प्रायोगिक सेटअप

बेसलाइन

• Microsoft GraphRAG (पदानुक्रमित कम्युनिटी डिटेक्शन)
• HippoRAG2 (पर्सनलाइज़्ड पेजरैंक)

डेटासेट

• HotpotQA (1,000 नमूने)
• 2WikiMultiHopQA (1,000 नमूने)

मॉडल

• text-embedding-3-small (OpenAI)
• GPT-4o-mini (OpenAI)

---

परिणाम सारांश

सिस्टम	डेटासेट	सर्वोत्तम कॉन्फ़िग	ASR (%)	मॉड. अनुपात (%)	SLR
MS GraphRAG	HotpotQA	HDI-T	91.69	4.74	4.57
MS GraphRAG	2WikiMHQA	HDI-T	88.17	4.82	3.41
HippoRAG2	HotpotQA	HDI-T	88.24	0.075	5.80
HippoRAG2	2WikiMHQA	HDI-C	94.44	0.016	6.00

---

इंस्टॉलेशन

git clone https://github.com/Jisung-Pacific/HDI-GraphRAG-Attack
cd HDI-GraphRAG-Attack
pip install -r requirements.txt

---

उद्धरण

@inproceedings{park2026hdi,
  title     = {Hop-Decayed Influence: New Vulnerabilities of Structural Auxiliary Indexing in GraphRAG Pipelines with LLM},
  author    = {Park, Jisung and Le, John and Cooper, Heath},
  booktitle = {IFIP International Information Security and Privacy Conference (SEC)},
  year      = {2026}
}

---

नैतिक विचार

सभी प्रयोग सार्वजनिक बेंचमार्क डेटासेट और ओपन-सोर्स कार्यान्वयनों पर पृथक वातावरण में किए गए थे। किसी भी हमले ने उत्पादन प्रणालियों को लक्षित नहीं किया। निष्कर्ष प्रकाशन से पहले प्रभावित परियोजना अनुरक्षकों के साथ साझा किए गए थे।