FLARE：面向联邦学习中鲁棒客户端可靠性的自适应多维声誉
机器学习
2026-05-13 v3 人工智能
密码学与安全
分布式、并行与集群计算
多智能体系统
摘要
联邦学习（FL）通过保留数据隐私来实现协作模型训练，但仍然容易受到恶意客户端通过拜占康攻击、数据投毒或自适应对抗行为破坏模型完整性的威胁。现有防御机制依赖于静态阈值和二元分类，无法适应现实部署中不断变化的客户端行为。我们提出FLARE，一种自适应声誉信任评估框架，将客户端可靠性评估从二元决策转化为连续的、多维的信任评估。FLARE集成了：（i）捕捉性能一致性、统计异常指标和时间行为的多维声誉评分，（ii）自校准的自适应阈值机制，根据模型收敛和最近攻击强度调整安全严格程度，（iii）声誉加权聚合与软排除，以比例方式限制可疑贡献，而非直接排除客户端，（iv）本地差分隐私（LDP）机制，使声誉评分能够在隐私化的客户端更新上进行。我们进一步引入一种高度隐蔽的统计模仿（SM）攻击，这是一种基准对手，将诚实的梯度与人工扰动和持续漂移混合，以避免被传统过滤器检测。广泛的实验在100个客户端上进行，针对MNIST、CIFAR-10和SVHN，表明FLARE在各种攻击类型下（包括标签翻转、梯度缩放、自适应攻击、ALIE和SM）都能保持高模型准确率并比最先进的拜占康鲁棒方法更快收敛。FLARE在鲁棒性方面提升了最高16%，在模型收敛方面保持非攻击基准的30%以内，同时以最小的计算开销实现强大的恶意客户端检测性能。
引用
@article{arxiv.2511.14715,
title = {FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning},
author = {Abolfazl Younesi and Leon Kiss and Zahra Najafabadi Samani and Juan Aznar Poveda and Thomas Fahringer},
journal= {arXiv preprint arXiv:2511.14715},
year = {2026}
}
备注
The authors want to withdraw this manuscript for further verification and revision. We may release a substantially revised version in the future