FedGuard：面向大规模恶意客户端的多样化抗 Byzantine 攻击联邦学习机制
密码学与安全
2025-08-04 v1 分布式、并行与集群计算
摘要
联邦学习是一种分布式训练框架，易受 Byzantine 攻击的威胁，尤其是在超过 50% 客户端为恶意或数据高度非独立同分布 (non-IID) 时更为明显。此外，大多数现有防御机制均针对特定攻击类型设计（例如，基于梯度相似性的方案仅能防御异常模型投毒），限制了其有效性。为此，我们提出了 FedGuard—a 一种新型的联邦学习机制。FedGuard 通过利用成员推断对模型偏差高度敏感的特性，巧妙地解决了上述问题。要求客户端在训练时包含服务器指定的额外 mini-batch 数据后，FedGuard 能够识别并排除被投毒的模型，因为其对该 mini-batch 的置信度会显著下降。我们的全面评估无可辩驳地表明，在三个高度非 IID 数据集上，以 90% 客户端为 Byzantine 且每轮中发生七种不同类型的 Byzantine 攻击的情况下，FedGuard 在缓解各种类型 Byzantine 攻击方面显著优于现有的鲁棒联邦学习方案。
引用
@article{arxiv.2508.00636,
title = {FedGuard: A Diverse-Byzantine-Robust Mechanism for Federated Learning with Major Malicious Clients},
author = {Haocheng Jiang and Hua Shen and Jixin Zhang and Willy Susilo and Mingwu Zhang},
journal= {arXiv preprint arXiv:2508.00636},
year = {2025}
}