联邦学习中基于网络流量模式的深度学习模型指纹识别
机器学习
2025-06-05 v1 人工智能
密码学与安全
摘要
联邦学习（Federated Learning, FL）因能够通过在不集中用户数据的情况下训练模型来保护数据隐私，正日益被采用作为一种去中心化的机器学习范式。然而，FL 容易通过网络流量分析遭受间接隐私泄露——这是一个现有研究尚未探索的领域。本研究的主要目标是探讨通过分析网络层流量信息，对部署在 FL 环境中的深度学习模型进行指纹识别的可行性。本文在联邦学习测试平台中使用多种深度学习架构（即 CNN、RNN）进行了实验评估。我们利用机器学习算法，包括支持向量机（SVM）、随机森林和梯度提升，对流量数据中的独特模式进行指纹识别。实验表明，指纹识别准确率很高，使用随机森林达到了 100% 的准确率，使用 SVM 和梯度提升分类器达到了约 95.7% 的准确率。该分析表明，我们能够识别网络流量子段中运行的特定架构。因此，如果对手知晓底层的 DL 架构，便可利用该信息并发起定向攻击。这些发现表明 FL 系统存在显著的安全漏洞，并凸显了在网络层面加强其安全性的必要性。
引用
@article{arxiv.2506.03207,
title = {Fingerprinting Deep Learning Models via Network Traffic Patterns in Federated Learning},
author = {Md Nahid Hasan Shuvo and Moinul Hossain},
journal= {arXiv preprint arXiv:2506.03207},
year = {2025}
}
备注
7 pages, 4 Figures, Accepted to publish in Proceedings of the 2025 ACM Workshop on Wireless Security and Machine Learning (WiseML 2025), July 3, 2025, Arlington, VA, USA