AntiFLipper：联邦学习中一种安全高效的标签翻转攻击防御方法
密码学与安全
2025-10-01 v2
摘要
联邦学习（FL）通过保持数据去中心化来实现隐私保护的模型训练。然而，它仍然容易受到标签翻转攻击，即恶意客户端操纵标签以污染全局模型。尽管这些攻击很简单，但它们会严重降低模型性能，并且防御它们仍然具有挑战性。我们引入了AntiFLipper，这是一种针对联邦学习中多类标签翻转攻击的新型且计算高效的防御方法。与现有以高计算开销为代价来确保安全性的方法不同，AntiFLipper采用了一种新颖的客户端检测策略，显著降低了中央服务器在聚合过程中的负担。在不同分布下的多个数据集上进行的全面实证评估表明，AntiFLipper在服务器端实现了与最先进的防御方法相当的准确率，同时所需的计算资源显著减少。通过平衡安全性和效率，AntiFLipper弥补了现有防御方法的一个关键缺口，使其特别适用于模型完整性和运行效率都至关重要的资源受限的联邦学习部署场景。
引用
@article{arxiv.2509.22873,
title = {AntiFLipper: A Secure and Efficient Defense Against Label-Flipping Attacks in Federated Learning},
author = {Aashnan Rahman and Abid Hasan and Sherajul Arifin and Faisal Haque Bappy and Tahrim Hossain and Tariqul Islam and Abu Raihan Mostofa Kamal and Md. Azam Hossain},
journal= {arXiv preprint arXiv:2509.22873},
year = {2025}
}
备注
6 pages