DECIFR：从联邦梯度重构中感知电路信息的泄露
密码学与安全
2026-04-23 v1
摘要
联邦学习 (FL) 作为一种隐私保护技术，在硬件保障中的多方协作方面是一种极具前景的方法，但其针对具有领域特定知识的对手的安全性尚未得到充分探索。本文证明了一个关键漏洞：可利用可用的标准单元库布局 (SCLL) 来损害敏感集成电路 (IC) 训练数据的隐私。我们引入了 DECIFR，这是一种新颖的两阶段成员推理攻击 (MIA)，无需辅助数据集。该攻击采用引导式梯度反演攻击 (GIA)，从截获的模型更新中重构客户端的训练图像。我们的发现表明，这些重构的保真度与成员状态直接相关，使对手能够基于图像质量可靠地区分成员与非成员。这项工作揭示了一种克服传统攻击局限性的实际威胁，并强调标准 FL 协议不足以保障具有广泛知识的领域。我们得出结论，稳健的防御机制对于 FL 在硬件保障中的安全应用至关重要。
引用
@article{arxiv.2604.19915,
title = {DECIFR: Domain-Aware Exfiltration of Circuit Information from Federated Gradient Reconstruction},
author = {Gijung Lee and Wavid Bowman and Olivia P. Dizon-Paradis and Reiner N. Dizon-Paradis and Ronald Wilson and Damon L. Woodard and Domenic Forte},
journal= {arXiv preprint arXiv:2604.19915},
year = {2026}
}