对基于归纳图神经网络的链接窃取攻击
内容提要
本文探讨了图神经网络（GNN）的多种攻击方式，包括模型盗窃、链路窃取和成员推断攻击，揭示了GNN的隐私漏洞。研究表明，攻击者可以通过模型输出推断私密连接，并提出了有效的防御方法，强调了保护GNN隐私的重要性。
延伸解读
攻击类型与时间线
文章梳理了针对图神经网络的多类隐私攻击，包括模型盗窃、链路窃取、成员推断和后门攻击，并标注了各项研究的时间。从2020年到2024年，攻击方法不断演进，防御研究也随之跟进，反映出该领域安全对抗的持续升温。读者可借此了解不同攻击的提出顺序及关注点的变化。
链路窃取攻击的威胁模型
链路窃取攻击旨在推断图中节点间的私有连接。文章提到，在归纳设置下，攻击者可通过API查询新节点的预测输出，利用模型输出与图结构的相关性来推断边信息。研究在八个真实数据集上验证了攻击的有效性，表明即使黑盒条件下，敏感关系也可能被泄露。
成员推断攻击与结构信息泄露
成员推断攻击判断特定节点或图是否用于训练。文章指出，GNN中的结构信息是导致泄漏的主要原因，并提出了两种防御方法，可将攻击准确率降低60%。这表明图结构本身携带了丰富的训练痕迹，防御需同时考虑特征和结构信息。
防御机制与隐私效用权衡
为应对隐私攻击，文章探讨了差分隐私等防御机制。应用差分隐私可减轻攻击影响，但会牺牲模型效用，需要在隐私保护与模型性能之间进行权衡。这提示在实际部署GNN时，需根据场景选择适当的隐私预算，以平衡安全与可用性。
Q&A
什么是图神经网络的链路窃取攻击？
链路窃取攻击是针对图神经网络的一种攻击方式，攻击者通过模型输出推断私密连接，从而窃取训练图结构中的信息。
研究中提出了哪些防御方法来保护GNN的隐私？
研究提出了两种有效的防御方法，旨在降低成员推断攻击的准确率，同时保持模型的效用。
链路窃取攻击的有效性如何？
在八个真实数据集上的实验表明，链路窃取攻击是有效的，能够揭示GNN模型输出的隐私漏洞。
差分隐私机制在GNN中的应用效果如何？
差分隐私机制可以减轻攻击的影响，但需要在隐私保护和模型效用之间进行权衡。
成员推断攻击的主要原因是什么？
成员推断攻击的主要原因是GNN中的结构信息泄漏，导致攻击者能够推断出私密连接。
如何解决黑盒攻击中的节点选择问题？
研究提出了一种基于贪心算法的修正方法，以解决分类误差率与被攻击节点数量之间的矛盾。
