级联防御：一种用于联邦学习的分层级联防御机制

《Scientific Reports》：CASCADENCE: a layered cascade defense mechanism for federated learning

　　

摘要

本文旨在通过多层防御机制提升联邦学习系统的安全性和稳定性。我们致力于解决在训练和运行阶段既要保护分布式学习环境免受恶意攻击，又要保持模型高性能这一关键问题。所提出的框架结合了多种方法，包括利用高斯滤波与离散傅里叶变换、带有差分隐私的对抗性训练、JPEG压缩、随机平滑处理以及对抗性逻辑对齐技术。该框架根据系统需求整合多种防御机制，重点是在确保训练和测试阶段强大防护的同时维持模型性能。与现有解决方案相比，我们的方法通过引入多阶段的防御措施并分析其协同效应，实现了更优的效果。实验结果表明，所提出的综合防御机制在遭受攻击时仍能保持最佳性能，准确率为98.21%，F1分数为0.98，而基准方法的准确率仅为90.87%。