面向自动驾驶应用的安全联邦学习实证分析

联邦学习作为一种有前景的范式，能够在确保数据隐私的同时，通过在边缘客户车辆上进行协合训练来提升和细化预测模型性能。然而，它仍然容易受到各种类别的网络攻击的威胁， necessitating more robust security measures 来有效缓解潜在威胁。中毒攻击和推理攻击通常在联邦学习环境内发起，以破坏安全系统性能。安全聚合可限制来自外部和内部攻击者的敏感信息泄露。在本研究中，我们的目标是对交通图像数据集（例如LISA交通灯）进行实证分析，探讨在多样化网络攻击的存在下，使用各种安全聚合技术和多方计算。多方计算作为一种最先进的安全机制，为通过各种安全协议对边缘自动驾驶车辆的本地模型更新提供标准隐私保护。攻击者的存在可能误导自动驾驶学习模型，导致交通灯误分类，造成严重后果。本实证研究探讨了在训练和推理期间，各种安全联邦学习聚合技术和多方计算在保护自动驾驶应用免受各种网络威胁方面的韧性。