Аннотация:Графы окружают нас повсюду, объекты реального мира часто определяются в терминах их связейс другими объектами. Набор объектов и связей междуними естественным образом выражаются в виде графа.В силу содержательности такого представления данных,которое образуется в результате различных искусственныхи естественных процессов, обучение нейронных сетей натаких данных является мощным инструментом. Спектратак на архитектуры ГНС (графовых нейронных сетей)очень широк, и для каждого из методов атаки требуетсяразработать и определить эффективные методы защиты, атакже исследовать атаки с точки зрения вычислительнойсложности для их возможного применения на большихграфах, используемых при решении реальных прикладныхзадач. Данная работа является обзором, в рамках которогорассматривается безопасность графовых нейросетевых архитектур, включая алгоритмы атак и способы защиты отних путем повышения устойчивости (робастности). Такжеприводится некоторая классификация этих методов по различным критериям и обзор существующих работ по даннойтематике.