GNNBleed：在现实访问GNN模型条件下揭示图中私有边的推理攻击
密码学与安全
2025-06-02 v2 机器学习
摘要
图神经网络（GNNs）已成为从图结构数据中学习的不可或缺的工具，服务于社交网络分析和金融服务欺诈检测等多种应用。这些网络的核心在于边，它们在引导GNN模型预测方面至关重要。在许多场景中，这些边代表敏感信息，例如个人关联或金融交易，需要隐私保障。然而，它们对GNN模型预测的贡献反而可能被对手利用以破坏其隐私。受这些相互冲突的需求驱动，本文研究了在对手仅对目标GNN模型具有黑盒访问权限、并进一步受访问控制限制而无法直接获取任意节点输出的上下文中的边隐私问题。此外，我们首次广泛考察了目标图持续演进的情况，这是许多真实世界图的常见特征。在此设定下，我们提出了一系列利用GNN消息传递机制的攻击方法。我们使用九个真实世界数据集（涵盖静态与动态图，跨四种不同GNN架构）评估了攻击的有效性。结果表明，我们的攻击在各种GNN架构上均优于现有方法，在静态场景中一致地达到至少0.8的F1分数。此外，与之前仅达到约0.2的F1分数的方法不同，我们的攻击在动态图场景中保持鲁棒性，维持高达0.8的F1分数。
引用
@article{arxiv.2311.16139,
title = {GNNBleed: Inference Attacks to Unveil Private Edges in Graphs with Realistic Access to GNN Models},
author = {Zeyu Song and Ehsanul Kabir and Shagufta Mehnaz},
journal= {arXiv preprint arXiv:2311.16139},
year = {2025}
}
备注
The paper has been accepted to the PoPETs 2025