Chameleon：通过对齐同伴图像在联邦学习中植入持久后门

在联邦学习（FL）系统中，分布式客户端将本地模型上传至中心服务器以聚合为全局模型。恶意客户端可能通过上传投毒本地模型将后门植入全局模型，导致带有特定模式的图像被误分类为某些目标标签。当前攻击所植入的后门并不持久，一旦攻击者停止模型投毒便会迅速消失。本文研究了联邦学习后门持久性与良性图像和投毒图像（即在本地训练中被翻转为目标标签的图像）之间关系的联系。具体而言，研究发现投毒图像的原标签和目标标签所对应的良性图像对后门持久性有关键影响。据此，我们提出一种新颖攻击方法 Chameleon，其利用对比学习进一步放大此类效应以实现更持久的后门。大量实验表明，在多种图像数据集、后门类型和模型架构下，Chameleon 将后门生命周期较基线显著延长了 $1.2\times \sim 4\times$。