PrivGNN：面向密码学图神经网络的高性能安全推理

图神经网络（GNNs）是分析和从图结构（GS）数据中学习的强大工具，促进了广泛的服务。将此类服务部署在隐私关键的云环境中， necessitates 发展出安全推理（SI）协议来保护敏感GS数据。然而，现有的SI解决方案大多 focus on用于图像和文本数据的卷积模型，留下了保护GNNs和GS数据方面的挑战相对未被充分探索。在本 work中，我们设计、实现和评估了 $\sysname$，一个用于云端图中心推理的轻量级密码学方案。通过在安全两方计算（2PC）中混合加法和函数 secret sharings，$\sysname$ based于一系列新的2PC交互协议，为线性层实现 $1.5\times$ 至 $1.7\times$ 的加速，为非线性层实现 $2\times$ 至 $15\times$ 相对于最先进（SotA）解决方案的加速。提供了详尽的理论分析来证明$\sysname$的正确性、安全性和轻量级特性。广泛的实验在四个数据集上表明$\sysname$在保持与明文图属性推理相当的准确性的同时，实现了 $1.3\times$ 至 $4.7\times$ 的更快安全预测。