联邦学习中针对模型投毒攻击的防御策略：综述
密码学与安全
2022-02-15 v1 分布式、并行与集群计算
摘要
分布式机器学习的进展可赋能未来通信与组网。联邦学习（FL）的出现为分布式机器学习提供了高效框架，但其仍面临诸多安全挑战。其中，模型投毒攻击对 FL 的安全与性能有显著影响。鉴于已有许多研究关注防御模型投毒攻击，有必要对现有工作进行综述并提供见解以启发未来研究。本文首先将模型投毒攻击的防御机制分为两类：局部模型更新的评估方法与全局模型的聚合方法。随后，我们详细分析了部分现有防御策略，并讨论了若干潜在挑战与未来研究方向。据我们所知，我们是首个综述 FL 中模型投毒攻击防御方法的工作。
引用
@article{arxiv.2202.06414,
title = {Defense Strategies Toward Model Poisoning Attacks in Federated Learning: A Survey},
author = {Zhilin Wang and Qiao Kang and Xinyi Zhang and Qin Hu},
journal= {arXiv preprint arXiv:2202.06414},
year = {2022}
}