摘要
联邦学习不同于集中式训练，它使多个客户端能够在不暴露原始数据的情况下训练全局模型，因此适用于智能医疗中的医疗诊断和移动边缘网络等应用程序。这种设置容易受到动态合谋攻击的威胁，在这些攻击中，合谋客户端协调异常的参数更新，并跨训练轮次调整策略。现有研究采用孤立的机制来解决这一问题，这些机制专注于单一防御阶段，但对于跨轮次演变的攻击而言，这些机制是不够的。为了应对这一挑战，我们提出了声誉感知的 Stackelberg 激励聚合（RSIA），以减轻动态合谋攻击的影响，同时在联邦学习中平衡模型效用。具体来说，我们首先在当地训练之前使用激励规则，使重复的合谋行为收益降低。然后，我们在每一轮之后更新客户端声誉，以便早期不可靠的行为影响后续的激励。最后，我们使用声誉和更新可靠性来对客户端更新进行加权，减少异常更新对全局模型训练的影响。在三个数据集上的实验表明，与代表性的最先进（SOTA）方法相比，RSIA 将平均有效攻击成功率降低了 84.9%。RSIA 还保持了具有竞争力的测试准确率，在模型效用和攻击抑制之间提供了有利的权衡。
