对抗环境中的联邦学习：网络安全中的测试床设计与投毒鲁棒性

本文介绍了一个联邦学习（FL）测试床的设计与实现，重点关注其在网络安全中的应用，并评估其对投毒攻击的鲁棒性。联邦学习允许多个客户端在保持数据去中心化的同时协作训练全局模型，满足了数据隐私和安全的关键需求，尤其是在网络安全等敏感领域。我们的测试床基于 Raspberry Pi 和 Nvidia Jetson 硬件，通过运行 Flower 框架构建，便于对各种 FL 框架进行实验，评估其性能、可扩展性和集成便捷性。通过一个关于联邦入侵检测系统的案例研究，展示了测试床在无需暴露敏感网络数据的情况下检测异常和保护关键基础设施的能力。针对模型和数据完整性的全面投毒测试，评估了系统在对抗条件下的鲁棒性。结果表明，虽然联邦学习增强了数据隐私和分布式学习，但它仍然容易受到投毒攻击，必须缓解这些攻击以确保其在现实应用中的可靠性。