FL-PLAS：基于部分层聚合的联邦学习防御高比例恶意客户端的后门攻击
密码学与安全
2025-05-20 v1 机器学习
摘要
联邦学习（Federated Learning）正作为一种新兴的协作式机器学习方法而日益受到关注，尤其在大规模计算和数据系统的背景下。然而，联邦学习的基本算法——联邦平均（FedAvg），容易受到后门攻击的威胁。尽管研究人员提出了众多防御算法，但仍存在两个重大挑战：攻击变得越来越隐蔽，难以检测；当前防御方法无法处理50%以上恶意用户，或需假设辅助服务器数据集。为此，我们提出了一种新型防御算法FL-PLAS（Federated Learning based on Partial Layer Aggregation Strategy）。具体而言，我们将本地模型划分为特征提取器和分类器。在每次迭代中，客户端仅上传本地训练后的特征提取器参数。服务器聚合这些本地参数并将结果返回给客户端。每个客户端保留其自身的分类器层，确保后门标签不会影响其他客户端。我们在三个图像数据集上评估了FL-PLAS对抗最新（SOTA）后门攻击的效果，并将方法与六种防御策略进行比较。实验结果表明，我们的方法能够有效保护本地模型免受后门攻击。无需为服务器提供任何辅助数据集，FL-PLAS即使在90%恶意用户存在时，针对触发器、语义和边缘情况攻击，仍能实现高主任务准确率，同时保持较低的后门准确率。
引用
@article{arxiv.2505.12019,
title = {FL-PLAS: Federated Learning with Partial Layer Aggregation for Backdoor Defense Against High-Ratio Malicious Clients},
author = {Jianyi Zhang and Ziyin Zhou and Yilong Li and Qichao Jin},
journal= {arXiv preprint arXiv:2505.12019},
year = {2025}
}
备注
20pages