检测地下采矿中的非定向攻击与不可靠更新：面向联邦学习的 MineDetect 框架
密码学与安全
2025-08-15 v1
摘要
地下采矿作业依赖分布式传感器网络每日收集关键数据，包括矿温、有毒气体浓度及矿工动向，用于危险检测和运营决策。然而，将原始传感器数据传输至中心服务器进行深度学习模型训练会引入显著隐私风险，可能暴露敏感的矿山专属信息。联邦学习（Federated Learning, FL）通过使每座矿井的数据保持本地化，实现协作式模型训练，为上述问题提供了变革性解决方案。尽管具备上述优势，地下采矿场景下的联邦学习仍面临关键挑战：（i）攻击者可通过符号翻转攻击或添加噪声等技术破坏矿井的本地模型，导致错误预测；（ii) 由于照明不良或传感器误差，低质量（但可能具有价值）数据会降低联邦学习训练过程的效果。为此，本文提出 MineDetect，一种检测并隔离被攻击模型、同时减轻低质量矿井数据影响的防御性联邦学习框架。MineDetect 的核心创新包括：（i）通过构建历史感知机制，利用梯度更新的局部与全局平均值，检测被恶意操纵的攻击模型；（ii）识别并消除由数据质量差的客户端生成的不可靠模型对联邦学习训练过程的负面影响。通过多样化数据集的全面仿真实验，本文证明 MineDetect 在鲁棒性和准确性方面均优于现有方法，甚至在具有挑战性的非独立同分布（non-IID）数据情形下亦表现出色。其在抵御对抗性干扰同时保持较低计算复杂度的能力，对于提升地下采矿的安全性和运营效能具有重要意义。
引用
@article{arxiv.2508.10212,
title = {Detecting Untargeted Attacks and Mitigating Unreliable Updates in Federated Learning for Underground Mining Operations},
author = {Md Sazedur Rahman and Mohamed Elmahallawy and Sanjay Madria and Samuel Frimpong},
journal= {arXiv preprint arXiv:2508.10212},
year = {2025}
}