基于仿真攻击模式的联邦学习中动态免费骑行检测
机器学习
2026-04-07 v1 密码学与安全
摘要
联邦学习（FL）通过聚合各客户端的局部更新而无需共享私有数据，实现了全局模型的协同训练。然而，FL面临着自由骑者（free-riders）的挑战，即提交虚假模型参数而不实际进行训练，以获取全局模型而不作贡献。Chen 等人提出了基于模型参数演化频率（WEF）的自由骑行检测方法。该检测方法是实际自由骑行检测方法中的领先方案，因其无需代理数据集或预训练。然而，它难以检测行为早期诚实、后期转为自由骑行的“动态”自由骑者，尤其是在仿真全局模型攻击（如 delta weight 攻击）以及我们新提出的自适应 WEF 伪装攻击下。在本文中，我们提出一种新型检测方法S2-WEF，通过仿真潜在全局模型攻击的 WEF 模式来服务器端识别提交的 WEF 模式与仿真模式相似的客户端。为处理多种自由骑行攻击策略，S2-WEF 进一步将基于相似度的得分与从各提交 WEF 之间计算的偏差得分结合，通过二维聚类和逐项得分分类将良性客户端与自由骑行客户端分离。该方法无需代理数据集或预训练，即可在训练期间动态检测转为自由骑者的客户端。我们在三个数据集和五种攻击类型上进行了大量实验，表明S2-WEF 在鲁棒性上优于现有方法。
引用
@article{arxiv.2604.04611,
title = {Dynamic Free-Rider Detection in Federated Learning via Simulated Attack Patterns},
author = {Motoki Nakamura},
journal= {arXiv preprint arXiv:2604.04611},
year = {2026}
}
备注
Submitted to ECML PKDD 2026 (under review)