针对归纳式图神经网络的链路窃取攻击

图神经网络 (GNN) 是一种专门设计用于处理图结构数据的神经网络。通常，GNN 可以在两种设置下实现，包括直推式设置和归纳式设置。在直推式设置中，训练好的模型只能预测在训练时观察到的节点的标签。在归纳式设置中，训练好的模型可以泛化到新的节点/图。由于其灵活性，归纳式设置是目前最流行的 GNN 设置。先前的工作表明，直推式 GNN 容易受到一系列隐私攻击。然而，对归纳式 GNN 模型的全面隐私分析仍然缺失。本文通过链路窃取攻击（专门针对 GNN 设计的最流行攻击之一）的视角，对归纳式 GNN 进行系统的隐私分析，从而填补了这一空白。我们提出了两类链路窃取攻击，即仅后验攻击和组合攻击。我们针对节点拓扑定义了仅后验攻击的威胁模型，并通过考虑后验、节点属性和图特征的组合定义了组合攻击的威胁模型。在六个真实数据集上的广泛评估表明，归纳式 GNN 泄漏了丰富的信息，使得链路窃取攻击具有有利的特性。即使不了解图结构知识的攻击也能有效。我们还表明，我们的攻击对不同的节点相似性和不同的图特征具有鲁棒性。作为对应措施，我们研究了两种可能的防御方法，发现它们对我们的攻击无效，这呼吁更有效的防御。