GraphIP-Bench: How Hard Is It to Steal a Graph Neural Network, and Can We Stop It?
Author
- Haebom
Category
Empty
저자
Kaixiang Zhao, Bolin Shen, Yuyang Dai, Shayok Chakraborty, Yushun Dong
💡 개요
본 논문은 클라우드 서비스로 제공되는 그래프 신경망(GNN)의 모델 절취 공격에 대한 어려움과 방어 가능성을 체계적으로 평가하기 위해 GraphIP-Bench라는 통합 벤치마크를 제안합니다. 다양한 공격, 방어, 데이터셋, GNN 백본 및 작업에 걸친 포괄적인 실험을 통해 GNN 절취가 비교적 쉬우며 대부분의 기존 방어책으로는 효과적인 보호를 제공하지 못함을 보여줍니다. 또한, 워터마킹 방어의 효과가 절취된 복제 모델에서는 크게 감소한다는 점을 밝히고, 헤테로필릭 그래프의 경우 절취가 더 어렵다는 것을 확인했습니다.
🔑 시사점 및 한계
•
GNN 모델 절취는 중간 정도의 쿼리 예산으로도 비교적 쉽게 수행될 수 있으며, 현재의 많은 방어 기법은 이를 효과적으로 막지 못합니다.
•
워터마킹과 같은 방어 기법은 원본 모델에서는 유효하지만, 절취된 복제 모델에서는 그 효과가 크게 감소하여 실제적인 보호에 대한 신중한 평가가 필요합니다.
•
헤테로필릭 그래프는 GNN 절취에 대해 더 높은 저항성을 보이며, 목표 모델과 복제 모델 간의 아키텍처 불일치는 절취 난이도를 높이지만 완전히 방지하지는 못합니다.
•
본 연구는 다양한 GNN 절취 공격과 방어 기법을 통합하고 체계적으로 평가할 수 있는 재현 가능한 벤치마크를 제공하며, 향후 GNN 보안 연구를 위한 기반을 마련합니다.
