DRAUN：针对联邦遗忘系统的算法无关数据重构攻击
机器学习
2025-06-03 v1
摘要
联邦遗忘 (FU) 使客户端能够从协作训练的共享全局模型中消除特定数据的影响，从而满足 GDPR 和 CCPA 等监管要求。然而，这一遗忘过程引入了新的隐私风险：恶意服务器可能会利用遗忘更新来重构请求删除的数据，这是数据重构攻击 (DRA) 的一种形式。虽然针对集中式机器学习即服务 (MLaaS) 环境中的机器遗忘的 DRA 已被广泛研究，但由于 FU 的去中心化、客户端驱动的性质，它们对 FU 的适用性仍不清楚。本工作提出了 DRAUN，这是第一个在 FU 系统中重构遗忘数据的攻击框架。DRAUN 针对基于优化的遗忘方法，这些方法因其效率而被广泛采用。我们从理论上证明了为什么针对 MLaaS 中机器遗忘的现有 DRA 在 FU 中会失败，并展示了 DRAUN 如何克服这些限制。我们通过在四个数据集和四种模型架构上的大量实验验证了我们的方法，评估了其针对五种流行遗忘方法的性能，有效地证明了最先进的 FU 方法仍然容易受到 DRA 的攻击。
引用
@article{arxiv.2506.01777,
title = {DRAUN: An Algorithm-Agnostic Data Reconstruction Attack on Federated Unlearning Systems},
author = {Hithem Lamri and Manaar Alam and Haiyan Jiang and Michail Maniatakos},
journal= {arXiv preprint arXiv:2506.01777},
year = {2025}
}