Blades：联邦学习中拜占庭攻击与防御的统一基准测试套件
密码学与安全
2023-11-13 v4 分布式、并行与集群计算
摘要
联邦学习（FL）促进了不同物联网和边缘设备上的分布式训练，保护了其数据的隐私。FL固有的分布式结构引入了漏洞，尤其是来自旨在使本地更新偏向自身利益的对抗性设备。尽管有大量关注拜占庭鲁棒FL的研究，学术界尚未建立一个全面的基准测试套件，而这对于不同技术的公正评估和比较至关重要。本文提出Blades，一个可扩展、可扩展且易于配置的基准测试套件，支持研究人员和开发人员在拜占庭鲁棒FL中高效地实现和验证新策略与基线算法。Blades内置了具有代表性的攻击和防御策略实现，并提供了可无缝集成新想法的用户友好接口。使用Blades，我们在广泛的实验配置下（总计约1500次试验）重新评估了代表性的攻击和防御。通过我们广泛的实验，我们获得了关于FL鲁棒性的新见解，并强调了由于先前缺乏在各种攻击设置下对基线算法的彻底评估和比较而被忽视的局限性。
引用
@article{arxiv.2206.05359,
title = {Blades: A Unified Benchmark Suite for Byzantine Attacks and Defenses in Federated Learning},
author = {Shenghui Li and Edith Ngai and Fanghua Ye and Li Ju and Tianru Zhang and Thiemo Voigt},
journal= {arXiv preprint arXiv:2206.05359},
year = {2023}
}