DDFL:在保护隐私的联邦学习中针对中毒攻击的双重防御机制
《Neural Networks》:DDFL: Dual Defense Against Poisoning Attacks in Privacy-Preserving Federated Learning
【字体:
大
中
小
】
时间:2026年05月13日
来源:Neural Networks 6.3
编辑推荐:
程国|莫燕天|李小光|孙辉|解英莫摘要联邦学习(FL)通过允许多个分散环境协作训练全局模型,为数据孤岛问题提供了解决方案。然而,在与半诚实的服务器或恶意客户端协作时,传统联邦学习面临严重的隐私和安全挑战。现有的防御策略往往难以同时有效应对隐私攻击和中毒攻击:强化隐私保护会增加客户
程国|莫燕天|李小光|孙辉|解英莫
摘要
联邦学习(FL)通过允许多个分散环境协作训练全局模型,为数据孤岛问题提供了解决方案。然而,在与半诚实的服务器或恶意客户端协作时,传统联邦学习面临严重的隐私和安全挑战。现有的防御策略往往难以同时有效应对隐私攻击和中毒攻击:强化隐私保护会增加客户端参数之间的相似性,从而无意中增加检测恶意行为的难度。此外,大多数防御措施主要在服务器端实施,这种单方面的方法无法有效应对日益复杂的攻击模式。为此,我们提出了一种用于保护隐私的联邦学习的双重防御框架(DDFL),该框架能够有效解决联邦学习中的隐私和安全问题。为提高隐私保护效果,我们在将模型参数上传到服务器之前,让客户端对其进行随机分割和重新组装,从而在保护客户端隐私的同时,不影响服务器检测系统中潜在恶意行为的能力。为增强安全性,我们在客户端引入元学习和知识蒸馏技术,并在服务器端采用拜占庭容错方法,有效减轻恶意客户端的影响。通过对三个基准数据集的广泛评估,证明DDFL不仅能够保护客户的敏感信息,在抵御中毒攻击方面也优于现有防御策略,实现了更高的模型准确率和更快的收敛速度。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号