Influência Decaída por Saltos: Novas Vulnerabilidades da Indexação Auxiliar Estrutural em Pipelines GraphRAG com LLM

Jisung Park, John Le, Heath Cooper
Institute of Cybersecurity and Cryptology (iC²), University of Wollongong
IFIP SEC 2026

---

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

Visão Geral

Pipelines GraphRAG constroem estruturas auxiliares durante a indexação offline — resumos semânticos, arestas hierárquicas e pontuações pré-computadas — que os ataques existentes ignoram completamente.

Este artigo formaliza a Entidade em Nível de Esquema Auxiliar como uma nova superfície de ataque e propõe:

• Framework 3S: ataques de Semântica, Estrutura e Pontuação
• Influência Decaída por Saltos (HDI): um algoritmo de seleção de alvos em caixa cinzenta usando propagação de influência baseada em BFS com decaimento exponencial

Resultados Principais

Métrica	Valor
Taxa de Sucesso do Ataque (ASR)	88%+ em todas as configurações
Razão de Modificação	tão baixa quanto 0,016% do total de estruturas
Razão de Alavancagem de Esquema (SLR)	até 6,00 (consultas afetadas por modificação)
Evasão de Filtro de Perplexidade	99,5%+
Evasão de Defesa por Paráfrase	99,1%+

---

Pipeline de Ataque

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

1. Extração de entidades da consulta — extrair entidades semente das consultas alvo
2. Mapeamento no KG — mapear sementes para nós do grafo
3. Seleção de alvos HDI — propagação de influência baseada em BFS com fator de decaimento λ
4. Ataque 3S — aplicar ataque Semântico / Estrutural / de Pontuação nos alvos selecionados

---

Framework 3S

Ataque	Alvo	Método
Semântico (S)	Resumos textuais	Injetar texto adversarial com baixa perplexidade
Estrutural (T)	Arestas hierárquicas	Adicionar arestas enganosas a nós semanticamente distantes
Pontuação (C)	Pontuações pré-computadas	Rebaixar nós de alto ranking, promover nós irrelevantes

---

Influência Decaída por Saltos (HDI)

A influência propaga-se a partir das entidades semente com decaimento exponencial pela distância em saltos:

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

• λ ∈ (0, 1): fator de decaimento (padrão: 0,5)
• hmax: distância máxima em saltos (padrão: 4)
• Nós Top-k selecionados como alvos de ataque

---

Configuração Experimental

Baselines

• Microsoft GraphRAG (detecção hierárquica de comunidades)
• HippoRAG2 (Personalised PageRank)

Conjuntos de Dados

• HotpotQA (1.000 amostras)
• 2WikiMultiHopQA (1.000 amostras)

Modelos

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

---

Resumo dos Resultados

Sistema	Conjunto de Dados	Melhor Config	ASR (%)	Razão de Mod. (%)	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

---

Instalação

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

---

Citação

@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}
}

---

Considerações Éticas

Todos os experimentos foram conduzidos em conjuntos de dados de benchmark públicos e implementações de código aberto em ambientes isolados. Nenhum ataque foi direcionado a sistemas em produção. Os resultados foram compartilhados com os mantenedores dos projetos afetados antes da publicação.