En las redes sociales en línea, los usuarios pueden votar en diferentes niveles de confianza entre ellos para indicar cuánto confían en sus amigos. Los investigadores han mejorado su capacidad para predecir las relaciones de confianza social a través de una variedad de métodos, uno de los cuales es el método de red neuronal gráfica (GNN), pero también han expuesto la vulnerabilidad del método GNN en el modelo de red de confianza social. Proponemos un método de ataque de envenenamiento de datos para modelos de confianza social basados en GNN basados en las características de las redes de confianza social. Utilizamos una prueba de dos muestras para distribuciones de ley de potencia de datos discretos para evitar que se detecten cambios en el conjunto de datos y utilizamos un modelo sustituto mejorado para generar muestras envenenadas. Además, probamos la efectividad de nuestro enfoque en tres conjuntos de datos del mundo real y lo comparamos con otros dos métodos. Los resultados experimentales utilizando tres conjuntos de datos muestran que nuestro método puede evitar efectivamente la detección. También utilizamos tres métricas para ilustrar la efectividad de nuestro ataque, y los resultados experimentales muestran que nuestro ataque superó a los otros dos métodos en los tres conjuntos de datos. En términos de una de nuestras métricas, nuestro método de ataque disminuyó las precisiones de los modelos atacados en un 12,6%, 22,8% y 13,8%.