Las redes sociales observadas a menudo se consideran como proxies de las redes sociales subyacentes. El análisis de las redes observadas a menudo implica la identificación de nodos influyentes a través de diversas medidas de centralidad. Este artículo aporta conocimientos de la investigación sobre ataques adversariales en sistemas de aprendizaje automático al ámbito de las redes sociales, estudiando estrategias mediante las cuales un adversario puede perturbar mínimamente la estructura de la red observada para lograr su función objetivo de modificar el ranking de un nodo objetivo según las medidas de centralidad. Esto puede representar el intento de un adversario de aumentar o disminuir el grado en que otros perciben nodos individuales como influyentes o poderosos. Estudiamos el impacto de los ataques adversariales en objetivos y víctimas, e identificamos estrategias de seguridad basadas en métricas para mitigar tales ataques. Realizamos una serie de experimentos controlados en datos de redes sintéticas para identificar ataques que permiten al adversario lograr su objetivo con un solo movimiento. Luego replicamos los experimentos con datos de redes empíricas. Ejecutamos nuestros experimentos en topologías de red comunes y utilizamos medidas de centralidad comunes. Identificamos un pequeño conjunto de movimientos que resultan en que el adversario logre su objetivo. Este conjunto es más pequeño para las medidas de centralidad decrecientes que para las crecientes. Tanto en redes sintéticas como empíricas, observamos que las redes más grandes son menos propensas a ataques adversariales que las más pequeñas. Los movimientos adversariales tienen un mayor impacto en redes celulares y de pequeño mundo, mientras que las redes aleatorias y libres de escala son más difíciles de perturbar. Además, las redes empíricas son más difíciles de atacar que las redes sintéticas. Utilizando análisis de correlación en nuestros resultados experimentales, identificamos cómo combinar medidas con baja correlación puede ayudar a reducir la efectividad de los movimientos adversariales. Nuestros resultados también avanzan el conocimiento sobre la robustez de las medidas de centralidad ante perturbaciones en la red. La noción de cambiar los datos de redes sociales para obtener resultados adversariales tiene implicaciones prácticas, por ejemplo, para la difusión de información en redes sociales, dinámicas de influencia y poder en sistemas sociales, y el desarrollo de soluciones para mejorar la seguridad de la red.