去中心化联邦学习中的对抗节点放置：最大广度-中心性策略及性能分析

随着联邦学习（FL）的广泛应用，人们对其去中心化变体越来越感兴趣。去中心化FL利用设备之间的快速且节能的点对点通信，无需中央服务器。然而，这为新的安全漏洞打开了大门。尽管FL安全性是热门研究主题，但去中心化FL中的对抗节点放置作用仍基本未被探索。本文通过评估各种协调性对抗节点放置策略对去中心化FL模型训练性能的影响来弥补这一空白。我们改编了两种放置策略线程：基于最大跨度的算法，和网络中心性的方法。基于它们，我们提出了一种新型攻击策略MaxSpAN-FL，这是一种两者范畴的混合方法，根据网络拓扑特征以概率方式调整节点放置。数值实验表明，我们的攻击在各种网络配置和协调性对抗者数量下，均能持续诱导去中心化FL模型性能最大降低。我们还为为什么基于特征向量中心性的攻击在去中心化FL中次优提供了理论支持。总体而言，我们的发现为去中心化FL系统的脆弱性提供了宝贵的见解，为开发更安全和更稳健的去中心化FL框架的未来研究奠定了基础。