深度学习在各个领域的蓬勃发展给人类带来了巨大的利益和便利,包括图像识别、文本分类和图数据分析。但同时深度学习也存在着一定的安全隐患。有许多研究工作表明,深度神经网络（Deep Neural Networks,DNN）容易受到对抗攻击（Adversarial Attack）的影响,即恶意攻击者制造若干与正常样本差异很小的对抗样本混入到目标网络中,便能使得网络输出错误的结果。尽管有许多例如计算机视觉、自然语言处理等领域的对抗攻击和防御的研究,但是很难将这类研究成果直接迁移到图数据。由于图数据的重要性,图神经网络（Graph Neural Networks,GNN）的鲁棒性成为了热门话题,目前绝大多数工作都是研究GNNs上的节点分类任务的对抗攻击,攻击者仅在单个图上进行扰动。然而动态图的链接预测（Link Prediction in Dynamic Graphs,LPDG）是一个重要的研究问题,其应用也多样化,如在线推荐系统、疾病传染研究等。现在已经有研究者提出了各种基于图神经网络的LPDG算法,并取得了进展。本文研究了LPDG算法的脆弱性,首次提出了针对LPDG的黑盒逃逸攻击,即本文的攻击方法不需要了解目标模型的具体架构和参数等信息,且属于无目标攻击,旨在降低目标模型的整体效果,使其尽可能多的得到错误的预测。考虑到是黑盒攻击,我们将整个攻击过程视作一个马尔科夫链,并结合了Soft Actor Critic强化学习算法,提出了称为RL-based-Attack的攻击模型,用数学公式定义了图数据的状态、攻击的动作、奖励以及终止状态。此外,本文在三个来自不同领域的公开图数据集上评估了RL-based-Attack模型,实验结果表明,本文的方法具有良好的性能。