GNN 기반 커뮤니티 탐지를 위한 은폐 전략 FComDICE

초록

본 논문은 그래프 신경망(GNN)으로 수행되는 비지도 커뮤니티 탐지에서 특정 커뮤니티를 숨기기 위한 방어 메커니즘을 제안한다. 연구자는 커뮤니티 은폐 성공 여부가 (1) 커뮤니티 경계의 외부·내부 연결 비율과 (2) 대상 커뮤니티와 인접 커뮤니티 간 특성 유사도라는 두 정량적 요인에 크게 좌우된다는 것을 실험을 통해 밝혀냈다. 이를 기반으로 구조적 재배선과 노드 특성 조정을 동시에 수행하는 FCom‑DICE(F​eature‑Community‑guided DICE) 알고리즘을 설계했으며, 동일한 변형 예산 하에서 기존 DICE 대비 20 %~45 % 수준의 은폐 효과 향상을 실증하였다.

상세 분석

논문은 먼저 “그룹 수준 프라이버시”라는 새로운 위협 모델을 정의한다. 공격자는 속성 그래프 전체에 접근해 GNN 기반 클러스터링(예: GCN, GraphSAGE 등)을 수행하고, 이를 통해 숨기고자 하는 커뮤니티의 구성원을 추론한다. 방어자는 그래프 구조와 노드 특성을 최소한으로 변형해 GNN의 메시지 전달 과정을 교란하고, 동시에 전체 네트워크의 기능적 유용성을 유지해야 한다.
실험적 탐색 단계에서 저자들은 LFR 합성 그래프와 Facebook·Wikipedia·Bitcoin 등 실제 데이터셋을 이용해 두 가지 핵심 변수를 측정했다. 첫 번째는 “경계 연결 비율”(external edges / internal edges)이며, 값이 클수록 커뮤니티가 외부와 많이 연결돼 경계가 흐릿해져 은폐가 쉬워진다. 두 번째는 “특성 유사도”로, 대상 커뮤니티와 이웃 커뮤니티 간 피처 벡터의 코사인 유사도가 낮을수록 GNN이 특성 기반 메시지를 통해 커뮤니티를 명확히 구분한다. 이 두 요인이 은폐 성공률에 통계적으로 유의미한 영향을 미치는 것이 확인되었다.
이러한 인사이트를 바탕으로 제안된 FCom‑DICE는 기존 DICE가 수행하던 “내부 링크 삭제·외부 링크 추가”에 더해, (1) 경계에서 가장 영향력 있는 에지를 선택적으로 재배선하고, (2) 해당 에지에 연결된 노드들의 피처를 소량 조정한다. 피처 조정은 대상 커뮤니티와 인접 커뮤니티 간의 특성 차이를 감소시켜 GNN이 메시지 집계 단계에서 차별화된 임베딩을 학습하지 못하도록 만든다. 변형 예산은 전체 에지 수정 횟수와 피처 변형 총량으로 제한되며, 실험에서는 5 %10 % 수준의 제한된 예산만 사용했다.
성능 평가에서는 은폐 지표 M₁(커뮤니티 분산 정도)과 M₂(다른 커뮤니티와의 혼합 정도)를 사용했으며, FCom‑DICE는 모든 실험 설정에서 DICE 대비 평균 0.20.45의 상대 개선을 기록했다. 특히 경계 연결 비율이 중간 정도이고 특성 유사도가 높은 커뮤니티에서 가장 큰 효과를 보였으며, 이는 구조와 특성을 동시에 교란하는 전략이 GNN 기반 클러스터링에 강력히 작용함을 의미한다. 또한 전체 네트워크의 모듈러티와 연결성 지표는 크게 변하지 않아, 방어 후에도 정상적인 그래프 분석이 가능함을 입증했다.
마지막으로 논문은 이러한 방어 메커니즘이 실제 인프라(예: 전력망, 교통망)에서 민감한 운영 그룹을 보호하는 데 활용될 수 있음을 제시하고, 향후 차등 프라이버시와 같은 형식적 보증을 결합한 연구 방향을 제안한다.