提升梯度泄露攻击：在真实联邦学习环境中的数据重建

联邦学习（Federated Learning）允许多个客户端在无需暴露原始数据的情况下进行协作模型训练。其隐私保护能力正是联邦学习的核心优势，但近期也成为争议焦点。具体而言，多个研究引入了称为梯度泄露攻击（Gradient Leakage Attacks, GLAs）的攻击类型，这类攻击利用训练期间共享的梯度来重建客户端的原始数据。另一方面，一些文献则认为，在实际联邦学习环境中，这些GLAs并不存在显著的隐私风险，因为其有效性仅限于过于放宽的条件，例如小批量大小和客户端数据分布的已知情况。本文填补了这一关键空白，通过实证研究表明，即使在真实的联邦学习环境中，客户端的数据仍可被有效重建。我们重新审视GLAs，认识到其性能失败的根源在于其无法处理梯度匹配问题。为缓解上述性能瓶颈，我们开发了FedLeak，引入了两项新技术：部分梯度匹配和梯度正则化。此外，为评估FedLeak在真实世界联邦学习环境中的性能，我们制定了一套实用评估方案，基于对大量联邦学习文献和行业实践的全面审查。在该评估方案下，FedLeak仍可实现高保真数据重建，从而凸显了联邦学习系统的重大漏洞，以及亟需更有效防御方法的紧迫性。