FLAegis：面向投毒攻击的联邦学习双层防御框架

联邦学习（FL）已成为一种在分散环境中训练机器学习（ML）模型的强大技术，能够保留涉及的训练数据集的隐私。然而，FL 的分散性质限制了对训练过程的可见性，严重依赖于参与客户端的诚实性。这为已知的拜占庭客户端所打开了大门，这些客户端可通过提交虚假模型更新来投毒训练过程。此类恶意客户端可能参与投毒攻击，通过操纵数据集或模型参数来诱导误分类。为此，本研究引入 FLAegis，一个两阶段的防御框架，用于识别拜占庭客户端并提高 FL 系统的鲁棒性。我们的方案利用符号时间序列转换（SAX）放大良性模型与恶意模型之间的差异，并利用谱聚类实现对对抗行为的精准检测。此外，我们还纳入一种鲁棒的 FFT 基聚合函数作为最终一层，以减轻那些成功规避先前防御措施的拜占庭客户端的影响。我们严格评估了该方法针对五种投毒攻击，从简单的标签翻转到自适应优化策略，均表现出色。值得注意的是，我们的方法在检测精度和最终模型准确率方面均优于最先进的防御措施，即使在强大的对抗条件下也能持续保持高性能。