BAGEL：针对联邦对比学习的后门攻击
密码学与安全
2023-11-29 v1
摘要
联邦对比学习（FCL）是分布式学习中针对无标签数据的一种新兴隐私保护范式。在 FCL 中，分布式参与方利用无标签数据协作学习一个全局编码器，该全局编码器可作为特征提取器被广泛用于构建许多下游任务的模型。然而，由于其分布式特性，FCL 也易受许多安全威胁（例如后门攻击），现有方案极少对此进行研究。本文作为先驱研究探讨针对 FCL 的后门攻击，以阐明分布式本地客户端上的后门攻击如何影响下游任务。具体而言，在我们的系统中，恶意客户端可通过上传投毒的本地更新成功将后门注入全局编码器，从而基于该全局编码器构建的下游模型也会继承此后门。我们还研究了如何向多个下游模型注入后门，涉及两种不同的后门攻击，即集中式攻击与去中心化攻击。实验结果表明，集中式与去中心化攻击均能有效地以高攻击成功率向下游模型注入后门。最后，我们评估了两种针对我们所提 FCL 后门攻击的防御方法，表明去中心化后门攻击更具隐蔽性且更难防御。
引用
@article{arxiv.2311.16113,
title = {BAGEL: Backdoor Attacks against Federated Contrastive Learning},
author = {Yao Huang and Kongyang Chen and Jiannong Cao and Jiaxing Shen and Shaowei Wang and Yun Peng and Weilong Peng and Kechao Cai},
journal= {arXiv preprint arXiv:2311.16113},
year = {2023}
}