GraphGuard 是一种针对图神经网络 (GNN) 训练数据滥用的检测与对抗方法。随着 GNN 在机器学习即服务 (MLaaS) 平台上的部署，本地训练过程缺乏透明度，可能导致数据所有者知识产权被侵犯。现有方案要么只检测要么只缓解滥用，且主要针对本地模型而非云平台。GraphGuard 首次提出无需原始训练数据的综合方案：检测阶段使用放射性数据 (radioactive data) 增强成员与非成员数据分布的可区分性，通过成员推理实现高精度检测；缓解阶段利用合成图模拟目标模型已学习的特征，在无需精确图数据的情况下执行针对性遗忘 (unlearning)。在四个真实图数据集上的实验表明，GraphGuard 的检测率接近 100%，遗忘后模型精度下降小于 5%。该方法适用于 MLaaS 场景，保护数据所有者权益。