本研究提出了T-SPEAR方法，用于连续时间动态图上的链接预测敌对攻击，并探讨了时序图神经网络的弱点。同时，提出了鲁棒的训练方法T-SHIELD，通过边过滤和节点嵌入的时间平滑，提高了受攻击模型的鲁棒性。实验结果表明，T-SPEAR显著降低了受攻击模型在链接预测任务中的性能，攻击方法在不同于攻击者所假设的受攻击模型的TGNN上也具有传递性。T-SHIELD能够有效过滤掉敌对边，并在面对敌对攻击时展现出强大的鲁棒性，在T-SPEAR方法下使链接预测性能超过了普通TGNN最多11.2%。